CC BY
24УДК 911.2
DOI: 10.2441/9999-006А-2018-00010
ОЦЕНКА СТРУКТУРЫ СЕЛЬСКОХОЗЯЙСТВЕННОГО ИСПОЛЬЗОВАНИЯ ЛАНДШАФТОВ ОРЕНБУРГСКОГО ПРЕДУРАЛЬЯ МЕТОДАМИ ГЕОИНФОРМАЦИОННОГО АНАЛИЗА Р.В. Ряхов, С.А. Дубровская
Институт степи УрО РАН Россия, г. Оренбург e-mail: [email protected], [email protected] В статье дана оценка структуры землепользования и получены картосхемы агроландшафтов Оренбургского Предуралья за период 1986-2016 гг. по восьми ландшафтным районам. Выделены пространственные особенности забрасывания сельскохозяйственных угодий, перспективные территории для развития системы ООПТ. Определены тенденции изменения структурных особенностей системы полей -устойчивый тренд к увеличению средней площади. Исследование стало первым опытом применения нейросетевых алгоритмов для изучения степных и лесостепных ландшафтов Оренбургской области.
Ключевые слова: структура сельского хозяйства, данные дистанционного зондирования, искусственные нейронные сети, дешифрирование, Оренбургское Предуралье, пространственная дифференциация ландшафтов, антропогенная нагрузка, природопользование.
STRUCTURE ESTIMATION OF THE AGRICULTURAL USE OF ORENBURG PRE-URALS LANDSCAPES BY METHODS OF GEOINFORMATION ANALYSIS
R.V. Ryakhov, S.A. Dubrovskaya
Institute of Steppe of the UB RAS Russia, Orenburg e-mail: [email protected], [email protected] The article assesses the structure of land use and obtained maps of agricultural landscapes of the Orenburg Pre-Urals for the period 1986-2016 over eight landscape areas. The spatial features of the throwing of agricultural land, promising areas for the development of the protected areas system are highlighted. The tendencies of changes in the structural features of the field system are determined - a steady trend towards an increase in the average area. The study was the first experience of using neural network algorithms for the study of steppe and forest-steppe landscapes of the Orenburg region.
Key words: agriculture structure, remote sensing data, artificial neural networks, interpretation, Orenburg Pre-Urals, spatial differentiation of landscapes, anthropogenic load, nature management.
Введение. Масштабы компании по включению в севооборот целинных территорий затронули огромное количество земельных ресурсов, которые, в значительной части, были не пригодны для длительного ведения сельскохозяйственных работ. После перехода к рыночной экономике, эксплуатация низкопродуктивных агроландшафтов стала не рентабельна, что в свою очередь привело к образованию фонда залежных земель. В то же время, вслед за данными участками из севооборота постепенно выпадали высокопродуктивные пахотные угодья, как следствие разрушения советской структуры сельского хозяйства [1]. Отсутствие в Российской Федерации системы государственного мониторинга аграрного землепользования, состояния земельных ресурсов, структуры пахотных угодий, целинных и залежных земель приводит к неконтролируемому использованию агроландшафтов. Нерациональное природопользование одна из главных угроз экономической и продовольственной безопасности страны [2]. Незаконная распашка, нарушение циклов севооборота, использование низкопродуктивных и неиспользование высокопродуктивных земель негативно сказывается как на природной среде (необоснованное истощение почвенных ресурсов и других компонентов ландшафта), так и на доходах сельхозпроизводителей. Целесообразность инвестиций в сельское хозяйство возможна только в случае рационального территориального планирования степени эксплуатации земель, дающих гарантии высокой продуктивности в условиях нестабильного аграрного рынка [3].
Применение данных дистанционного зондирования Земли из космоса позволяет проследить происходившие ранее процессы, выделить незаконно распаханные территории и агроландшафты с наибольшим потенциалом продуктивности. При использовании мультиспектральных изображений осуществляется одновременное изучение структуры земель сельскохозяйственного назначения в пределах природного ландшафта, что в свою очередь объективизирует результаты исследования и позволяет получить целостную модель землепользования.
Среди инновационных методов дешифрирования ДДЗ, в плане объективности анализа ландшафтной структуры, наилучшие показатели у нейросетевого алгоритма. Он позволяет оценивать не только спектральные характеристики поверхности, но и проследить пространственное распределение в пределах спутникового снимка.
Агроландшафты Оренбургской области основной источник производства сельскохозяйственной продукции, но нерациональное природопользование приводит к деградации почвенного покрова и утрате стратегического резерва земельных ресурсов региона [4]. В связи с этим остро встают вопросы изучения состояния территорий, подверженных антропогенной нагрузке, с целью мониторинга и прогнозирования процессов, негативно влияющих на сельхозугодия и детектирования участков земель, не приспособленных для ведения хозяйственной деятельности.
Объекты и методы. До недавнего времени основным способом наблюдения за сельскохозяйственными территориями было исключительно полевое исследование, но учитывая масштабы территорий регионов России, использование инновационных методов, основанных на дешифрировании данных дистанционного зондирования Земли из космоса, для картирования структуры землепользования позволяют повысить как охват территории, так и качество итогового материала. Применение мультиспектральных изображений для изучения степных регионов позволяет последить пространственно-временные особенности структуры сельскохозяйственных угодий. Дешифрирование синтезированных ДДЗ (в красной, ближней и средней инфракрасной спектральных зонах) с высокой точностью дифференцирует антропогенные элементы ландшафтной структуры, такие как сельхозугодия, урбанизированные территории, транспортная и овражно-балочная сеть, незаконно распаханные участки и территории, сменившие тип землепользования.
Нами для проведения визуального и автоматизированного дешифрирования применялись синтезированные изображения, образованные при помощи различных комбинаций трех каналов, получаемых со спутников дистанционного зондирования. Наибольшее распространение, благодаря привычному для человеческого глаза цветовосприятию, получили естественные цвета. Они включают в себя синий (B), зеленый (G) и красный (R) диапазоны спектра. Изображение синтезированное по RGB каналам позволяет визуально оценить особенности структуры исследуемого ландшафта, выделить его основные компоненты: речная, эрозионная и дорожная сети, лесные массивы, сельскохозяйственные угодья, урбанизированные и сельские территории и т.д. В тоже время видимая область спектра достаточно малая часть диапазона не обладает высокими показателями контрастности. Сходные ландшафтные единицы, такие как сельхозугодия и залежные участки при согласующихся периодах вегетации вполне могут не диверсифицироваться между собой, вследствие схожей степени проективного покрытия, нивелирующейся разрешением камеры космического аппарата.
Для повышения качества дешифрирования используется комбинирование каналов, в том числе с расширением за пределы видимого спектра. Нами применялась комбинация из красного, среднего и ближнего инфракрасного диапазонов, показавшая себя как наиболее эффективная в плане детектирования структуры агроландафтов. Первый и второй включают основные отражательные свойства растительного покрова, используемые для расчета вегетационных индексов (NDVI). В пределах третьего канала компоненты ландшафта имеют диаметрально-противоположные свойства поглощения солнечного излучения, тем самым повышая контрастность изображения.
Цель исследования - подготовка, обработка мультиспектральных изображений для геоинформационного анализа агроландшафтов Оренбургского Предуралья и создания картосхем структуры землепользования при помощи метода искусственных нейронных сетей. В процессе поэтапного дешифрирования использовались снимки с космических аппаратов серии Landsat (пространственное разрешение 30 м) за период с 1986 по 2016 гг., для создания тематических карт, характеризующих структуру и состояние сельскохозяйственных угодий.
В качестве объекта исследования было выбрано 8 ландшафтных районов Оренбургского Предуралья в пределах Восточно-Европейской равнины, согласно классификации А.А. Чибилева [5]: 1 - Салмыш-Юшатырский сыртово-холмистый район Южно-Предуральского округа подзоны южной лесостепи Заволжско-Предуральской возвышенной провинции; 2 - Чебеньковский сыртово-холмистый район Сакмаро-Предуральского округа и 3 - Нижнесакмаро-Уральский сыртово-увалистый район Сакмаро-Предуральского округа подзоны северной степи Общесыртовско-Предуральской возвышенной провинции; 4 - Нижнеилекский придолинно-плакорный долинно-террасовый район, 5 - Донгуз-Приуральский долинно-террасовый район, 6 - Донгуз-Буртинский сыртово-увалистый район, 7 - Илек-Утвинский сыртово-плакорный меловой район, 8 -Илек-Хобдинский сыртово-увалистый район Урало-Илекского (Подуральского) округа подзоны южной степи Общесыртовско-Предуральской возвышенной провинции. Основными моментами для выбора территории стали наличие: участков активного землепользования в различных ландшафтно-типологических условиях, в том числе и лесостепных районах; массивов целинных земель; городских агломераций; бассейнов крупных рек [6, 7].
Обработка и визуализация собранных материалов проводилась при помощи геоинформационных программных комплексов, включающих полный перечень аналитическо-картографических утилит [7]. Дешифрирование данных дистанционного зондирования методами нейронных сетей осуществлялись в ГИС ScanEx IMAGE Processor 5.1, для статистического анализа и картографического оформления использовался ArcGIS 10. ScanEx IMAGE Processor представляет собой полнофункциональный геоинформационный комплекс программных утилит, направленный на решение проблем обработки пространственных данных. Основная направленность программы подразумевается, как средство первичной обработки, классификации, индексации, синтеза, визуализации и тематического картографирования растровых изображений, получаемых с космических аппаратов. Алгоритмы нейросетевой кластеризации, в плане географических исследований, используют не только показатели яркости каждого пиксела, но также его пространственное расположение в соответствии с соседними. Таким образом нейронные сети позволяют, по сравнению со стандартными классификациями, учитывать ландшафтные особенности территории. Намного лучше выделяются континуальные объекты: речная и овражно-балочные сети, транспортная инфраструктура, детально отображаются антропогенные объекты на урбанизированных территориях, распаханные участки.
Результаты и обсуждение. В основу мониторинга земель сельскохозяйственного назначения входит комплексные исследования его состояния (деградационные процессы) -эрозия и дефляция, дегумификация, засоление и осоланцевание, подтопление, подкисление и засоление почв, переуплотнение, слитизация, обесструктуривание, деградация степных фитоценозов, загрязнение промышленными и бытовыми отходами, поллютантами и др. Длительное использование почвенных ресурсов оказывает воздействие на биопродуктивность агроландшафтов. Как следствие снижение плодородия почв и урожайности выращиваемых сельскохозяйственных культур. Для земельных участков сельскохозяйственного назначения, находящихся в одинаковых природно-климатических условиях, используется параметр качества оценки этих агроландшафтов. Другим фактором, снижающим площади сельхозугодий, является перевод из категории сельскохозяйственного назначения в категорию земель промышленности, транспорта, жилого строительства и др. Аграрные отрасли должны быть внутренне сбалансированными с возможностями природной
среды и осуществляется при рациональном природопользовании. Естественные факторы являются определяющими для эффективности сельскохозяйственной деятельности и рациональное размещение агропроизводств позволяет с наибольшей эффективностью использовать природно-ресурсный потенциал агроландшафтов.
По результатам тематической обработки и проведенного геоинформационного анализа выявлены факторы, отражающие особенности землепользования Оренбургской области и проблемы, связанные с дешифрированием спутниковых данных. Нами разработана картосхема территории Оренбургского Предуралья (рис. - Прил. с. 126), основанная на результатах нейросетевой кластеризации методом самоорганизующихся карт Кохонена (Self-OrganizingMap) [8]. При помощи алгоритма T-Map для 25 нейросетевых компонентов построено минимальное остовое дерево в отображении Семмона, показывающая близость яркостных и пространственных характеристик [9]. В отдельных «ветвях» расположены лесные массивы, в том числе и пойменные, сельскохозяйственные угодья. Антропогенные объекты (дорожно-транспортная сеть, урбанизированные территории и т.д.) и целинно-залежные участки потребовали дополнительной дифференциации путем визуального сопоставления.
Нами зафиксирован факт уменьшения площади распахиваемых территорий. В пределах ландшафтов, расположенных к северу от реки Урал, наблюдается образование залежных участков по долинам речных систем (Салмыш, Чебенька, Большой Ик), а также территории «не удобные» для сельского хозяйства в близи объектов эрозионной сети. Выделен достаточно большой массив неиспользуемых земель к востоку от города Оренбурга. Данные территории, по почвенным показателям, относятся к высокопродуктивным землям. Снижение хозяйственного воздействия является нерациональным использованием природных ресурсов. По ландшафтам прослеживается существенное увеличение средней площади сельхозугодий.
В Подуралье, по причине широтного изменения почвенно-климатических особенностей территории в сторону снижения количества атмосферных осадков и содержания гумуса, увеличение площади залежных земель носит более яркий характер. Это обуславливает низкую биопродуктивность агроладшафтов. Показатели рентабельности использования сельхозугодий, помимо природных факторов сопровождаются рядом социально-экономических причин. Во-первых, усиление охранного режима Донгузского полигона исключило возможность незаконной распашки, особенно в южной части. Во-вторых, наблюдается резкое снижение антропогенной нагрузки по долине реки Буртя в верхнем и среднем течении, по причине удаленности от объектов дорожно-транспортной сети. Наличие целинных территорий, в том числе и особо охраняемых, делает центральную часть Донгуз-Буртинского сыртово-увалистого района привлекательной для расширения системы степных ООПТ в Оренбургской области, которое не затронет сельхозпроизводителей. В Подуралье, как и в северной части, наблюдается увеличение площади сельхозугодий, за исключением территории Соль-Илецкого городского округа. Это связано с большим количеством индивидуальных земельных участков предусмотренных для выращивания бахчевых культур. Производители стараются диверсифицировать производство в районах рискованного земледелия, тем самым разбивая крупные выделы на ряд более мелких, засаженных различными сортами и используют одно крупное поле несколькими арендаторами.
Наблюдаются различия в видах отображения Семмона для 1986 и 2016 гг. Причиной является сильный уровень антропогенной дифференциации ландшафтов. Большее количество сельскохозяйственных контуров, а также субширотная протяженность региона исследования обуславливают четкую дифференциацию агроландшафтов по «ветвям» минимального остового дерева.
Выводы. Вопросы высокоэффективного землепользования в России приобретают новое значение, как на фоне внешних геополитических вызовов, так и внутренних экологическими проблем, связанных с последствиями хозяйственной деятельности.
Трансграничный характер Оренбургской области и трансформация её ландшафтов под воздействием природных и антропогенных факторов создают предпосылки для оптимизации природопользования.
Тематическое дешифрирование данных дистанционного зондирования для мониторинга состояния и динамики агроландшафтов представляет собой комплекс инновационных методик обработки, как растровых изображений, так и проведение кластеризации. Основное значение данного программного комплекса заключается в расширении возможностей структурно-динамического анализа степных регионов за счет объективизации данных, повышения их актуальности и пространственного охвата. Исследование структуры природно-экологического каркаса за счет использования нейросетевых классификаций в ГИС позволяет проводить структурно-динамический анализ землепользования и повышает уровень верификации полевых исследований. Используя ИНС-алгоритм нами выделены: структура землепользования в Оренбургском Предуралье, потенциально залежные и целинные участки. Определены особенности индивидуального землепользования в зависимости от структуры ландшафта, территории перспективные для размещения объектов особо охраняемых природных территорий.
Данное исследование - первый опыт применения дешифрирования синтезированных мультиспектральных данных дистанционного зондирования Земли из космоса на территорию Оренбургской области с использованием кластеризации методом искусственных нейронных сетей. Полученные результаты, по сравнению с иными методами автоматизированной классификации, показывают большую точность в выделении ландшафтных рубежей антропогенного происхождения.
Статья подготовлена в рамках проектов Института степи УрО РАН «Степи России: ландшафтно-экологические основы устойчивого развития, обоснование природоподобных технологий, в условиях природных и антропогенных изменений окружающей среды» № ГР АААА-А17-117012610022-5 и «Эволюция и пространственная дифференциация ландшафтов Южного Приуралья в условиях климатических и антропогенных изменений» № ГР АААА-А18-118011690034-6.
ЛИТЕРАТУРА
1. Орлова И.В., Шарабарина С.Н. Реализация методики оценки сельскохозяйственного воздействия на природные системы (на примере Смоленского района Алтайского края) // География и природные ресурсы. - 2016. - № 2. - С. 183-190.
2. Петрищев В.П., Черкасова Ю.В. Типизация структуры природопользования административных районов Оренбургской области // Проблемы региональной экологии. -2014. - № 3. - С. 89-93.
3. Нарожняя А.Г., Червань А.Н. Технология проведения геосистемного анализа для территориального планирования природопользования // Современные проблемы науки и образования. - 2016. - № 6. - С. 557.
4. Чибилёв А.А. Введение в геоэкологию (эколого-географические аспекты природопользования). Екатеринбург: УрО РАН, 1998. - 124 с.
5. Географический атлас Оренбургской области / Под ред. А.А. Чибилева. - М.: Изд-во ДИК, 1999. - 96 с.
6. Ландшафтно- типологическая карта Оренбургской области как основа оптимизации структуры земельного фонда / А.А. Чибилёв, А.И. Климентьев, Е.В. Блохин, И.В. Грошев, С.В. Левыкин, В.П. Петрищев // Степи Евразии: сохранение природного разнообразия и мониторинг состояния экосистем: Материалы междунар. симпоз. - Оренбург, 1997. - С. 152153.
7. Петрищев В.П. Географические и земельные информационные системы. -Оренбург: ИПК ГОУ ОГУ, 2009. - 114 с.
8. Kohonen T., Self-Organizing Maps (Third Extended Edition). - New York, 2001. - 501
P.
9. Saveliev A.A., Dobrinin D.V. Hierchical Multispectral Classification Based on Self Organized Maps // International Geoscience and Remote Sensing Symposium. Hamburg, Germany, 1999. - P. 2510-2512.
LITERATURA
1. Orlova I.V., Sharabarina S.N. Realizaciya metodiki ocenki sel'skohozyajstvennogo vozdejstviya na prirodnye sistemy (na primere Smolenskogo rajona Altajskogo kraya) // Geografiya i prirodnye resursy. 2016. № 2. S. 183-190.
2. Petrishchev V.P., Cherkasova Yu.V. Tipizaciya struktury prirodopol'zovaniya administrativnyh rajonov Orenburgskoj oblasti // Problemy regional'noj ehkologii. 2014. № 3. S. 89-93.
3. Narozhnyaya A.G., Chervan' A.N. Tekhnologiya provedeniya geosistemnogo analiza dlya territorial'nogo planirovaniya prirodopol'zovaniya // Sovremennye problemy nauki i obrazovaniya. 2016. № 6. S. 557.
4. Chibilyov A.A. Vvedenie v geoehkologiyu (ehkologo-geograficheskie aspekty prirodopol'zovaniya). Ekaterinburg: UrO RAN, 1998. 124 s.
5. Geograficheskij atlas Orenburgskoj oblasti / Pod red. A.A. Chibileva. M.: Izd-vo DIK, 1999. 96 s.
6. Landshaftno- tipologicheskaya karta Orenburgskoj oblasti kak osnova optimizacii struktury zemel'nogo fonda / A.A. Chibilyov, A.I. Kliment'ev, E.V. Blohin, I.V. Groshev, S.V. Levykin, V.P. Petrishchev // Stepi Evrazii: sohranenie prirodnogo raznoobraziya i monitoring sostoyaniya ehkosistem: Materialy mezhdunar. simpoz. Orenburg, 1997. S. 152-153.
7. Petrishchev V.P. Geograficheskie i zemel'nye informacionnye sistemy. Orenburg: IPK GOU OGU, 2009. 114 s.
8. Kohonen T., Self-Organizing Maps (Third Extended Edition). New York, 2001. 501 p.
9. Saveliev A.A., Dobrinin D.V. Hierchical Multispectral Classification Based on Self Organized Maps // International Geoscience and Remote Sensing Symposium. Hamburg, Germany, 1999. P. 2510-2512.
Образец оформления ссылки для цитирования:
Ряхов Р.В., Дубровская С.А. Оценка структуры сельскохозяйственного использования ландшафтов оренбургского Предуралья методами геоинформационного анализа // Вопросы степеведения. - 2018. - № 14. -с. 88-93. DOI: 10.2441/9999-006А-2018-00010.
