CC BY
38
УДК 528.88
ПРОСТРАНСТВЕННАЯ АГРЕГАЦИЯ ТЕРМОТОЧЕК
ДЛЯ ОБНАРУЖЕНИЯ ПРОМЫШЛЕННЫХ ИСТОЧНИКОВ ТЕПЛА
Дмитрий Леонидович Чубаров
Институт вычислительных технологий СО РАН, 630090, Россия, г. Новосибирск, пр. Академика Лаврентьева, 6, научный сотрудник, тел. (383)334-91-15, e-mail: [email protected]
Владимир Андреевич Кихтенко
Институт вычислительных технологий СО РАН, 630090, Россия, г. Новосибирск, пр. Академика Лаврентьева, 6, младший научный сотрудник, тел. (383)334-91-08, е-mail: [email protected]
Елена Александровна Мамаш
Институт вычислительных технологий СО РАН, 630090, Россия, г. Новосибирск, пр. Академика Лаврентьева, 6, кандидат физико-математических наук, и. о. зав. лабораторией, тел. (383)334-91-77, е-mail: [email protected]
Валентин Валентинович Смирнов
Институт вычислительных технологий СО РАН, 630090, Россия, г. Новосибирск, пр. Академика Лаврентьева, 6, инженер-исследователь, тел. (383)334-91-08, е-mail: [email protected]
Представлен метод поиска промышленных источников тепла, основанный на анализе пространственного распределения областей с аномальной яркостной температурой, обнаруживаемых по данным дистанционного зондирования Земли из космоса. При этом размеры источников тепла могут быть значительно меньше пространственного разрешения инфракрасных зондировщиков, используемых для детектирования. Такого эффекта удается добиться за счёт большого числа наблюдений.
Ключевые слова: MODIS, природные пожары, обработка спутниковых данных.
SPATIAL AGGREGATION OF THERMAL HOTSPOTS FOR THE DETECTION OF INDUSTRIAL HEAT SOURCES
Dmitri L. Chubarov
Institute of Computational Technologies SB RAS, 630090, Russia, Novosibirsk, 6 Acad. Lavrentjev Ave, tel. (383)334-91-15, е-mail: [email protected]
Vladimir A. Kikhtenko
Institute of Computational Technologies SB RAS, 630090, Russia, Novosibirsk, 6 Acad. Lavrentjev Ave, tel. (383)334-91-08, е-mail: [email protected]
Elena A. Mamash
Institute of Computational Technologies SB RAS, 630090, Russia, Novosibirsk, 6 Acad. Lavrentjev Ave, Ph. D., Laboratory-Center of Monitoring of Social and Economic Processes and Environment, tel. (383)334-91-77, е-mail: [email protected]
Valentin V. Smirnov
Institute of Computational Technologies SB RAS, 630090, Russia, Novosibirsk, 6 Acad. Lavrentjev Ave, tel. (383)334-91-08, е-mail: [email protected]
We present a method to detect industrial heat sources by analyzing spatial distribution of thermal hotspots detected with space-based sensors. The size of the sources that can be reliably detected with this method may be smaller than the spatial resolution of the sensor. This effect is achieved through a large number of observations of the same heat source.
Key words: MOIDS, wildfires, satellite remote sensing data processing.
Возможность детектирования областей на поверхности Земли с аномальной яркостной температурой по данным дистанционного зондирования из космоса позволяет не только оперативно выявлять многие природные пожары, но и проанализировать статистические характеристики распределения таких областей на больших территориях.
Для выделения областей с аномальной яркостной температурой используются измерения яркости земной поверхности в среднем и дальнем инфракрасных диапазонах. Такие измерения осуществляются сенсором AVHRR, установленным на аппаратах серии NOAA, сенсором MODIS на аппаратах Terra/Aqua, сенсором VIIRS на аппарате Suomi NPP и других. Особенностью сенсора MODIS является наличие канала с повышенным динамическим диапазоном. Для этого сенсора существует алгоритм выявления областей с аномальной яркостной температурой [1]. Размер областей на поверхности Земли, выявляемых алгоритмом определяется разрешением прибора и составляет около 1 км. Центроиды таких областей, мы в дальнейшем будем называть «термоточками». Такие термоточки могут соответствовать как очагам природных пожаров, так и промышленным объектам. Успешность детектирования пожара зависит от состояния атмосферы, площади и интенсивности пожара и ряда других факторов.
На основании геоинформационного анализа массива термоточек, зарегистрированных на территории Сибири и Дальнего Востока России за период с 2000 по 2014 гг., мы обратили внимание на неравномерность распределения термоточек [7]. Сгущения могут соответствовать как районам с повышенной частотой возгораний, так и промышленным источникам тепла, указывающим на продолжающуюся хозяйственную деятельность. Для того, чтобы выделить области сгущения термоточек, соответствующие промышленным объектам мы предлагаем эвристический метод, с использованием нескольких уровней агрегации данных.
Массив термоточек для исследуемой территории за 15-ти летний период содержит свыше 4 млн. записей. Каждая запись характеризуется областью, соответствующей одному пикселю спутникового изображения с пространственным разрешением около 1 км, а также оценкой интенсивности пожара и временем наблюдения. Алгоритм детектирования выполняется на втором уровне обработки данных MODIS после каждого сеанса связи с космическим аппаратом. Списки термоточек разбиваются на интервалы, соответствующие пяти минутам орбитального движения космического аппарата, и записываются в отдельный файл. Файлы со списками термоточек могут быть загружены из открытых архивов NASA/USGS (https://lpdaac.usgs.gov/), а также из архива ИВТ СО РАН (ftp : //ftp .esemc.nsc.ru/).
Списки термоточек из файловых архивов были загружены в базу данных под управлением реляционной СУБД PostgreSQL. Дальнейшая обработка осу-
ществлялась средствами указанной СУБД, сервера протокола WMS hVault-WMS, разработанного в ИВТ СО РАН [5], и настольной ГИС QGIS.
На первом этапе работы предлагаемого метода средствами СУБД выполняется агрегация данных на регулярной сетке с шагом 20 км. Определяется несколько пороговых значений, в соответствии с которыми ячейки разделяются на несколько типов в зависимости от числа термоточек, попавших в ячейку.
На втором этапе, в соответствии с числом термоточек, попадающих в ячейку сетки, выделяются ячейки, с высоким содержанием, окрестность которых преобладают ячейки с низким содержанием. Такие ячейки преобладают на территориях, на которых природные пожары возникают относительно редко.
В окрестности выделенных на предыдущем этапе ячеек выполняется агрегация данных на мелкой сетке с шагом 2 км. Ячейки мелкой сетки с высоким содержанием термоточек соответствуют изолированным скоплениям.
Для ячеек мелкой сетки, выделенных на предыдущем этапе, загружаются спутниковые снимки Landsat, которые затем рассматриваются специалистом.
Картосхемы, соответствующие последовательным этапам применения предлагаемого метода для участка территории Западной Сибири (66°В.Д. -88°В.Д., 48°С.Ш. - 61°30' С.Ш.) приведены на рис. 1-4.
Рис. 1. Распределение термоточек для участка территории Западной Сибири
Рис. 2. Картосхема плотности распределения термальных аномалий на сетке с ячейкой 20x20 км
Рис. 3. Картосхема плотности распределения термоточек на сетке 2x2 км
Рис. 4. Изолированное скопление термоточек
Результатом работы предложенного метода является фрагмент сцены Landsat, соответствующий обнаруженному изолированному скоплению термоточек. Пример результата приведен на рис. 5, 6. На рис. 6 отчетливо видны конторы кустовой площадки на территории нефтяного месторождения в Томской области с установкой сжигания попутного газа.
Рис. 5. Изолированное скопление Рис. 6. Установка сжигания попутных
термоточек наложенное на фрагмент газов, обнаруженная с помощью сцены Landsat предложенного метода
Таким образом, можно сделать вывод о возможности обнаружения промышленных источников тепла на больших территориях даже в случае, если размер источника значительно меньше пространственного разрешения спутникового прибора, по результатам анализа термоточек.
К числу промышленных источников тепла, которые могут быть идентифицированы с использованием предложенной методики, относятся не только установки сжигания попутного газа, но и золоотвалы металлургических производств, и другие источники теплового загрязнения атмосферы.
Возможности анализа пространственного распределения термоточек, накопленных за многолетний период и за отдельные пожарные сезоны и ранее привлекали внимание исследователей. Так в работе К. Ковач и др. была обнаружена положительная корреляция между распределением термоточек и интенсивностью хозяйственного освоения территории [2]. С использованием массива термоточек NOAA/AVHRR в работе А.В. Рубцова, А.И. Сухинина и Е.А. Ваганова построена классификация территории Сибири по фактической горимости [6]. В работе И.В. Журавлевой и А.Ю. Ярошенко представлена оценка повторяемости лесных пожаров на всей территории Северного полушария по данным MODIS [4]. Перечисленные работы направлены на исследование распределения природных пожаров с использованием массива термоточек. Подход, представленный в настоящей работе, напротив, направлен на использование этого массива для быстрого поиска промышленных источников тепла.
Анализ массива термоточек, на основе которого была выработана предложенная методика был выполнен в рамках проекта № 43П программы фундамен-
тальных исследований Президиума РАН № 1 по стратегическим направлениям развития науки на 2014 г. «Фундаментальные проблемы математического моделирования». Веб-сервер hVault-WMS, использовавшийся для построения картосхем плотности распределния термоточек разработан в рамках проекта РФФИ № 13-07-12105-офи_м «Интеграция многоспектральных и гиперспектральных данных аэрокосмического зондирования Земли для повышения эффективности их использования в фундаментальных и прикладных исследованиях окружающей среды Сибири и Дальнего Востока».
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Kaufman, Y.J. (1998) Potential global fire monitoring from EOS-MODIS / Y.J. Kaufman, C O. Justice, L P. Flynn, J.D. Kendall, E.M. Prins, L.Giglio, D.E. Ward, W. Paul Menzel, and A.W. Setzer // Journal of Geophysical Research, vol. 103 — № D24 — P. 32,215-32,238 — 1998
2. Kovacs, K (2004) The relationship of the Terra MODIS fire product and anthropogenic features in the Central Siberian landscape / K. Kovacs, K.J. Ranson, G. Sun, V.I. Kharuk // Earth Interactions. — 2004. — Vol. 8, paper No 18. — P. 1-25.
3. Белов, В.В. (2004) Региональный космомониторинг последствий лесных пожаров / В.В. Белов, С.В. Афонин // Современные проблемы дистанционного зондирования Земли из космоса. В.1. — Т.1. — С. 98-103 — 2004.
4. Журавлева, И.В. Периоды повторяемости пожаров в северных лесах мира (карта) / И.В. Журавлева, А.Ю. Ярошенко - М: Гринпис России, 2014.
5. Кихтенко, В.А. hVault: технология доступа к архиву спутниковых данных / В.А. Кихтенко, Д.Л. Чубаров, В.В. Смирнов // XII Всероссийская открытая конференция «Современные проблемы дистанционного зондирования Земли из космоса» (Москва, 10-14 ноября 2014), тезисы докладов. — Москва: ИКИ РАН. — 2014. — С. 117
6. Рубцов, А.В. Классификация территории Сибири по фактической горимости с использованием спутниковых данных / А.В. Рубцов, А.И. Сухинин, Е.А. Ваганов // Журнал Сибирского федерального университета. Биология — т. 1 — № 3 — С. 30-39 — 2010.
7. Шокин, Ю.И. Статистический анализ пространственно-временного распределения природных пожаров по территории Сибири на основе спутниковых данных / Ю.И. Шокин, П.В. Воронина, В.А. Кихтенко и др. // XII Всероссийская открытая конференция «Современные проблемы дистанционного зондирования Земли из космоса» (Москва, 10-14 ноября 2014), тезисы докладов. — Москва: ИКИ РАН. — 2014. — С. 146
© Д. Л. Чубаров, В. А. Кихтенко, Е. А. Мамаш, В. В. Смирнов, 2015
