CC BY
195
УДК 528.852.8 : 528.88
СРАВНЕНИЕ МЕТОДОВ ОБНАРУЖЕНИЯ ЛЕСНЫХ ГАРЕЙ ПО ОПТИЧЕСКИМ И РАДИОЛОКАЦИОННЫМ КОСМИЧЕСКИМ СНИМКАМ
Владимир Александрович Хамедов
Югорский научно-исследовательский институт информационных технологий, 628011, Россия, г. Ханты-Мансийск, ул. Мира, 151, руководитель регионального центра космических услуг, тел. (3467)35-91-39, e-mail: xamedovva@uriit.ru
Традиционный подход к эколого-экономической оценке последствий лесных пожаров, который проводится в настоящее время на экспертном уровне, когда уже точно известны размеры выгоревших лесных массивов, не ориентирован на оперативное определение масштабов пожаров и оценку их возможных последствий сразу же после обнаружения очага возгорания. Поэтому такой подход не позволяет принимать своевременные решения по управлению деятельностью лесоохранных служб. Получение оперативной эколого-экономической оценки возможных последствий лесного пожара предполагает использование материалов космической съемки, позволяющих решать указанные задачи с высокой степенью оперативности и с большой площадью охвата территории, что наиболее важно для труднодоступных территорий лесных регионов Сибири.
В статье представлено сравнение методов обнаружения лесных гарей по оптическим и радиолокационным снимкам. Сделан вывод, что задача обнаружения лесных гарей с использованием радиолокационных снимков является решаемой при синтезе цветного изображения из набора разновременных радиолокационных снимков.
Ключевые слова: лесные ресурсы, эколого-экономическая оценка, космические снимки, оптический и радиолокационный снимки.
Существующая в настоящее время система управления земельными (лесными) ресурсами предполагает ведение учета лесного фонда на государственном уровне [1]. Учет лесных ресурсов осуществляется государственным кадастровым учетом при проведении государственного кадастра недвижимости (ст. 92 Лесного кодекса РФ) и государственным лесным реестром (ст. 91 Лесного кодекса РФ). Важное значение при учете лесных ресурсов имеет достоверная и оперативная оценка состояния лесного участка, в том числе после воздействия техногенных или природных факторов, например, лесных пожаров.
Методика эколого-экономической оценки последствий лесных пожаров основана на оперативном картографировании выгоревших участков леса (гарей) и реализуется с использованием средств геоинформационных систем путем пространственного совмещения контуров этих гарей с цифровой картой породного состава леса, определения площадей выгоревших участков леса разного породного состава, т. е. участков, оказавшихся в пределах контура гари, и последующего расчета экономического ущерба и определения экологических потерь. Информация о породном составе лесов может быть получена из лесо-таксационных материалов, в частности, из планов лесонасаждений. Однако, из-за значительной задержки в обновлении материалов лесной таксации такой подход для задач оценки последствий лесных пожаров практически неприем-
лем. Поэтому для оценки последствий лесных пожаров, основанной на расчете площадей выгоревших участков леса разного породного состава деревьев, необходимо иметь регулярно обновляемые по космическим снимкам цифровые карты породного состава лесов.
Задача обнаружения очагов лесных пожаров в настоящее время относится к числу достаточно разработанных [2-11]. Существуют механизмы автоматизированного обнаружения изменений ландшафтов по космическим снимкам, однако они имеют региональный характер и требуют адаптации к местным условиям. Автоматизированное обнаружение изменений ландшафтов, в том числе в результате лесных пожаров, основано на применении специализированных спектральных индексов. На сегодняшний день в различных исследованиях [1-12] описано более ста вариантов спектральных индексов для разных целей, однако только некоторые из них находят широкое применение в экологическом картографировании, мониторинге чрезвычайных ситуаций, ландшафтном мониторинге и других областях. В настоящее время существующие лесоохранные мероприятия не предусматривают использование комплексного подхода к оперативному мониторингу с использованием спектральных индексов [12], что связано с локальностью их внедрения в мониторинг лесов из-за ограниченности применения эмпирических формул для различных экосистем [7, 12]. В связи с этим актуальным является вопрос систематизации знаний о различных спектральных индексах, оценка их эффективности для решения задач обнаружения пожаров и оценки их последствий в условиях таежных экосистем автономного округа.
Вместе с тем, из-за экранирования подстилающей поверхности облачностью и дымовыми шлейфами, достоверное обнаружение очагов лесных пожаров и лесных гарей по космическим снимкам оптического и ИК-диапазонов становится затруднительно. Использование радиолокационных космических снимков позволяет получать информацию о состоянии подстилающей поверхности при наличии облачности или дымовых шлейфов. Возможность оперативного мониторинга поверхности Земли, экранированной облачностью или дымовыми шлейфами от пожаров, и независимость от условий освещенности Солнцем дают ряд преимуществ радиолокации по сравнению с другими видами съемки. Тем не менее, существуют и определенные трудности при использовании радиолокационных снимков. Так, для обнаружения площадей, пройденных огнем, мы уже не можем использовать классические признаки в виде аномальных тепловых зон. Признаком дешифрирования становится изменение характера отражения радиосигнала из-за появления в лесном массиве гари.
В настоящей работе представлено сравнение методов обнаружения лесных гарей на основе имеющегося опыта использования космических снимков оптического и радарного диапазонов.
Для автоматизированного обнаружения лесных гарей по оптическим космическим снимкам используется нормализованный индекс гарей NBR [10]. Для расчета индекса используются космические снимки КА Landsat-8, широко применяемые для решения различных тематических задач.
Расчет индекса NBR схож с расчетом нормализованного разностного индекса растительности NDVI, за исключением того, что вместо красного используется средний инфракрасный канал:
NBR = NIR - FIR, (1)
NIR + FIR
где NIR - спектральный канал 5 для Landsat-8;
FIR - спектральный канал 7для Landsat-8.
Тематическая обработка и анализ космических снимков производятся в автоматизированном режиме с использованием инструментов геоинформационной системы ArcGIS. Далее подробно рассмотрены основные этапы алгоритма обнаружения лесных гарей, схема которого показана на рис. 1.
На первом этапе работ производится классификация космических снимков с использованием специализированной программы Fmask [13]. Fmask использует правила обработки, основанные на знании физических свойств облаков, для выделения потенциальных «пикселов облаков» и «пикселов безоблачного неба», на основании которых создаются слои масок вероятных облаков, суши и воды.
Предварительная обработка (пересчет «исходных» значений пикселя изображения в приведенные значения отражения по специальным алгоритмам) является необходимым этапом любого разновременного анализа, так как исходные цифровые значения яркости снимков за разные даты отличаются по объективным причинам (разное состояние атмосферы, время года, угол солнца и т. д.), и нужно унифицировать значения для всех исходных данных. Обработка производится по эмпирическим формулам, опубликованным на веб-портале оператора космических снимков Геологической службы США [14]. При обработке используется разработанный программный код на языке программирования Python.
Для расчета значений NBR также используется разработанный программный код на языке программирования Python, позволяющий проводить пакетную обработку большого количества космических снимков в автоматизированном режиме. На выходе для каждого космического снимка рассчитывается растровое изображение со значениями индекса NBR в формате GeoTiff.
Опытным путем установлено, что значение индекса для участков с высокой степенью вероятности обнаружения на них гарей находятся в диапазоне от -0,4 до 0,3. Исключение составляют старые горельники, на которых происходят сукцессионные процессы, и луговые растительные сообщества, для которых характерно быстрое возобновление. Обнаружение травяных гарей возможно в срок от нескольких дней до нескольких недель после возгорания [11], в зависимости от того, случился пожар в начале лета или ближе к осени.
Полученный в результате растровый слой участков вероятных лесных гарей включает в себя и ошибочные участки, близкие по спектральным характе-
ристикам к гарям. В частности, озера, болота, отдельные участки рек (особенно заводи и места скопления стоячей воды), на которых происходит активный фотосинтез водорослей и зарастание водной растительностью, а также чрезмерно замутненные воды могут быть ошибочно отнесены к классу гарей. Для исключения этой возможности применяется ранее созданная в программе Fmask маска безоблачных участков суши.
Рис. 1. Алгоритм автоматизированного обнаружения лесных гарей
Помимо собственно участков гарей, в результат обработки может быть включены отдельные ошибочные участки: береговые отмели, техногенные объекты (дороги, отвалы породы, населенные пункты и т. д.). До сих пор не достаточно разработаны способы объективного дешифрирования техногенных тер-
риторий по снимкам Landsat в силу сложной структуры техногенных территорий [15], которые могут содержать такие компоненты, как растительность, водные поверхности, искусственные покрытия. Тем не менее, по результатам проведенных исследований был сделан вывод, что отдельные техногенные объекты могут быть уверенно выделены по спектральным характеристикам и в дальнейшем исключены из обработки.
Для этого был разработан нормализованный индекс техногенных объектов, условно названный NMOI, рассчитываемый как отношение разности и суммы спектральных каналов Coastal aerosol и NIR космического снимка Landsat-8:
NMOI = Coastal - NIR, (2)
Coastal + NIR
где Coastal - спектральный канал 1 Landsat-8;
NIR - спектральный канал 5 Landsat-8.
Эмпирически было установлено, что значения индекса NMOI менее 0,1 соответствуют техногенным объектам на космическом снимке Landsat-8. Кроме этого, оно соответствует части не техногенных участков территорий, схожих по спектральным значениям с гарями, но не являющихся ими (например, болота, участки обнаженной почвы и др). Растительность при этом не выделяется. Таким образом, использование этого индекса позволяет исключить из обработки часть других ложных срабатываний на болотах, в поймах рек и участках с открытой почвой. В результате выполнения этой операции получен итоговый растровый слой гарей (рис. 2).
Рис. 2. Обнаруженные участки гарей на космическом снимке Landsat-8
Для возможности проведения геопространственного анализа с использованием инструментария SQL-запросов полученные результаты преобразованы в векторный вид. После перевода результатов классификации в векторный вид проведено наполнение атрибутивной информацией, включающей период появления гари и ее рассчитанную площадь (рис. 3).
Рис. 3. Векторный слой гарей с атрибутивной информацией
Для обнаружения участков гарей по радиолокационным космическим снимкам используется алгоритм выявления изменений [18], представленный на рис. 4. В исходном виде радиолокационный снимок, представляющий собой черно-белое радиояркостное изображение, не может быть использован для задач обнаружения лесных гарей. Дело в том, что радиолокационное изображение не имеет четкой структуры, в точности повторяющей характер подстилающей поверхности. В силу физических свойств получения радиолокационного изображения, на снимке присутствуют хаотически расположенные пикселы шума, так называемый спекл-шум. Для упрощения распознавания (дешифрации) текстуры подстилающего изображения радиолокационного изображения создается цветосинтезированное изображение, состоящее из разновременных космических снимков, так как информативность цветного изображения выше, чем у исходного радиолокационного снимка.
Результирующее многоканальное изображение формируется из разновременных радиолокационных космических снимков, после проведения предварительной обработки это изображение классифицируется бинарной (да/нет) классификацией.
Для обработки по такому алгоритму достаточно иметь два разновременных радиолокационных изображения, однако с увеличением количества используемых изображений границы классов лесных гарей определяются с большей точностью. Данный алгоритм показал хорошие результаты [16-23] при определении границ и площадей лесных гарей на лесных территориях. Результаты работы на основе космических снимков с КА ERS-2 были использованы при выполнении в 2006 г. проекта Category 1 ID 3110 «All-weather detection of forest fires in Northern Siberia», поддержанного Европейским космическим агентством. В настоящее время, с апреля 2015 г., для обеспечения задач мониторинга территории Западной Сибири доступна информация с радиолокационного КА Sentinel-1A [24-26].
Рис. 4. Алгоритм выявления изменений на лесных территориях при использовании радиолокационных снимков
Представленный на рис. 4 алгоритм обработки радиолокационного космического снимка предполагает проведение анализа разновременного цветосинте-зированного изображения. На цветосинтезированном изображении можно разделить схожие по яркости выгоревшие участки леса и увлажненные участки вдоль водоемов. Хорошо видны участки гарей прошлых лет с погибшим древостоем. Участки гарей текущего года и горельники на радиолокационных снимков различаются хуже, так как оставшаяся листва и хвоя на деревьях являются причиной рассеивания радиоволн. Причем выгоревшие участки имеют несколько цветовых комбинаций.
На рис. 5 представлен пример цветосинтезированных радиолокационных снимков БЯ8-2 с изображенными участками гарей. На цветном изображении хорошо видны разновременные участки гарей, небольшие водные объекты. Красным пятном выделена гарь, появившаяся в интервале между 18 июня и 23 июля 2006 г. Более светлые участки гари соответствуют гарям прошлых лет. На всех трех снимках, используемых для создания цветосинтезированного изображения, эти участки имеют высокую яркость. Цветовая палитра созданного цве-тосинтезированного снимка зависит от комбинации каналов на ЯОБ-снимке. Предпочтительнее располагать радиолокационные снимки в хронологическом порядке, при этом упрощается обнаружение произошедших изменений.
Рис. 5. Цветосинтезированный разновременной радиолокационный снимок
Таким образом можно сделать вывод, что задача обнаружения лесных гарей с использованием радиолокационных снимков является решаемой при синтезе цветного изображения из набора разновременных радиолокационных снимков.
Для автоматизированного выделения на космическом снимке участков гарей необходимо провести классификацию изображения с проведением предварительной фильтрации, позволяющей снизить влияние спекл-шума.
После проведения классификации изображения участки, определенные как гари, векторизуются. Частичное попадание в класс гарей увлажненных и обезлесенных участков устраняется в дальнейшем экспертным методом.
Результат векторизации цветосинтезированного радиолокационного снимка приведен на рис. 6.
Рис. 6. Векторный контур участка лесной гари на радиолокационном космическом снимке
Сравнение полученных результатов построения контура гари при использовании радиолокационных космических снимков с результатами, полученными при использовании оптических снимков, позволяет сделать вывод об относительной достоверности получаемых результатов.
Основная задача - получение актуальной и оперативной информации о выявленных участках лесных гарей в условиях невозможности получения информации с использованием космических снимков оптического диапазона -успешно решается.
Результат проведенной работы опубликован на геопортале регионального Центра космических услуг, организованного в Ханты-Мансийском автономном округе в 2013 г. для обеспечения доступности результатов космической деятельности широкому кругу пользователей.
На рис. 7 представлен результат тематического картографирования участков гарей, классифицированных по площади, в границах автономного округа. Подготовленная информация о количественных характеристиках лесных гарей может быть использована при проведении работ по учету состояния лесного участка.
Рис. 7. Картосхема месторасположения дешифрированных гарей
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Абанина Е. Н. Государственный кадастровый учет лесных участков // Законы России. Опыт. Анализ. Практика. - 2011. - № 2. - С. 33-37.
2. Epting J., Verbyla D., Sorbel, B. Evaluation of remotely sensed indices for assessing burn severity in interior Alaska using Landsat TM and ETM+ // Remote Sensing of Environment. -2005. - Vol. 96. - P. 328-339.
3. A comparison of vegetation indices over a global set of TM images for Eos-MODIS / A. R. Huete, H. Q. Liu, K. Batchily, W. Van Leeuwen, A. R. Huete // Remote Sensing of Environment. - 1997. - Vol. 59. - P. 440-451.
4. Барталев С. А., Ершов Д. В., Лупян Е. А., Толпин В. А. Возможности использования спутникового сервиса ВЕГА для решения различных задач мониторинга наземных экосистем // Современные проблемы дистанционного зондирования Земли из космоса. - 2012. -Т. 9. - № 1. - С. 49-56.
5. Автоматизированное дешифрирование аэрокосмических снимков. Выявление изменений состояния территорий и объектов по многозональным космическим снимкам, полученным на разные даты / А. П. Гук, Л. Г. Евстратова, Е. П.Хлебникова, М. А. Алтынцев, С. А. Арбузов, А. С. Гордиенко // Геодезия и картография. - 2013. - № 8. - С. 39-47.
6. Разработка методик автоматизированного дешифрирования аэрокосмических снимков. Дешифровочные признаки изображений объектов на многоспектральных космических снимках / А. П. Гук, Л. Г. Евстратова, Е. П. Хлебникова, М. А. Алтынцев, С. А. Арбузов, А. С. Гордиенко, А. А. Гук, Д. П. Симонов // Геодезия и картография. - 2013. - № 7. - 31 с.
7. Гук А. П., Евстратова Л. Г., Алтынцев М. А. Разработка методики определения изменений границы леса по разновременным разномасштабным аэрокосмическим снимкам // Геодезия и картография. - 2015. - № 12.
8. Гук А. П. Развитие фотограмметрических технологий на основе имманентных свойств цифровых снимков // Геодезия и картография. - 2015. - № 11. - С. 40-41.
9. Автоматизированная система спутникового мониторинга пожарной обстановки в технологических коридорах трубопроводов и лесах ХМАО / В. М. Брыксин, А. В. Евтюшкин, А. В. Еремеев, М. А. Макеева, В. А. Хамедов // Оптика атмосферы и океана. - 2009. - Т. 22. -№ 1. - С. 90-95.
10. Key C. H., Benson N. The Normalized Burn Ratio (NBR): a Landsat TM radiometric measure of burn severity. [Электронный ресурс]. - Режим доступа: http://nrmsc.usgs.gov/ files/norock/products/SEVER36_im_copy6.pdf.
11. Украинский П. А. Динамика спектральных свойств зарастающих травяных гарей // Современные проблемы дистанционного зондирования Земли из космоса. - 2013. - Т. 10. -№ 4. - С. 229-238.
12. Курбанов Э. А. Решение вопросов космического мониторинга лесных гарей в комплексных пакетах ENVI и ArcGIS // Геоматика. - 2012. - № 4. - С. 82-92.
13. Zhe Zhu, Woodcock C. E. Object-based cloud and cloud shadow detection in Landsat imagery // Remote Sensing of Environment. - 2012. - Vol. 118. - P. 83-94.
14. Using the USGS Landsat-8 Product: U.S. Geological Survey. Retrieved from http://landsat.usgs.gov/Landsat8_Using_Product.php
15. Статакис Д., Перакис К., Савин И. Ю. Дешифрирование урбанизированных территорий по спутниковым данным Landsat // Исследование Земли из космоса. - 2012. - № 5. -С. 22-28.
16. Хамедов В. А., Мазуров Б. Т. Оценка точности определения площадей лесных рубок с использованием снимков с российского космического аппарата «Ресурс-П» № 1 // Вестник СГУГиТ. - 2015. - Вып. 4 (32). - С. 42-50.
17. Мазуров Б. Т., Хамедов В. А., Князьков А. С. Опыт использования космических снимков с космических аппаратов типа «Канопус-В» и «БКА» для обнаружения участков нефтяных загрязнений на месторождениях Западной Сибири // Изв. вузов. Геодезия и аэрофотосъемка. - 2015. - № 5/С. - С. 179-183.
18. Хамедов В. А., Мазуров Б. Т. Разработка методических вопросов создания системы спутникового мониторинга состояния лесных экосистем в условиях воздействия нефтегазового комплекса территории Западной Сибири // Вестник СГУГиТ. - 2015. - Вып. 3 (31). -С. 16-31.
19. Копылов В. Н., Полищук Ю. М., Хамедов В. А. Синтез оптических и радиолокационных космических снимков при решении задачи оперативного обнаружения лесных гарей // ГЕО-Сибирь-2007. III Междунар. научн. конгр. : сб. материалов в 5 т. (Новосибирск, 25-27 апреля 2007 г.). - Новосибирск : СГГА, 2007. - С.157-161.
20. Копылов В. Н., Полищук Ю. М., Хамедов В. А. Геоинформационная технология оценки последствий лесных пожаров с использованием данных дистанционного зондирования // Геоинформатика. - 2006. - № 1.- С. 56-61.
21. Хамедов В. А. Мониторинг состояния лесных экосистем в условиях воздействия нефтегазового комплекса // Решетневские чтения. - Красноярск, 2013. Ч. 2. - С. 265-267.
22. Использование данных ДЗЗ при решении региональных задач рационального природопользования / В. Н. Копылов, Г. А. Кочергин, Ю. М. Полищук, В. А. Хамедов // Современные проблемы дистанционного зондирования Земли из космоса. - 2009. - Т. 1. -С. 33-41.
23. Копылов В. Н., Хамедов В. А. Информационная технология оперативного обнаружения лесных пожаров // Материалы науч.-практ. семинара «Проблемы природной безопасности Югры: мониторинг и прогнозирование экстремальных гидрометеорологических явлений и лесных пожаров» (Ханты-Мансийск, 9-10 июня 2008 г.). - Ханты-Мансийск, 2008. -С.18-23.
24. Новый продукт МТС, рассчитываемый по данным COSMO-SkyMed / L. Pietranera, L. Cesarano, F. Britti, V. Gentile, Y. Kantemirov // Геоматика. - 2012. - № 1 - С. 46-51.
25. Полуавтоматическое выявление вырубок леса на мультивременных радарных и ра-дарно-оптических цветных композитах / Е. В. Бахтинова, А. Ю. Соколов, Д. Б. Никольский, Ю. И. Кантемиров // Геоматика. - 2012. - № 1. - С. 52-55.
26. Новый подход к мониторингу изменений, основанный на когерентном анализе разновременных радарных снимков сверхвысокого разрешения со спутников COSMO-SkyMed / N. Bertoni, L. Cesarano, G. Giusto, F. Britti, V. Gentile, L. Pietranera // Геоматика. - 2012. -№ 1. - С. 84-94.
Получено 27.06.2016
© В. А. Хамедов, 2016
COMPARISON OF METHODS FOR THE DETECTION OF FOREST BURNT AREAS ON OPTICAL AND RADAR SPACE IMAGERY
Vladimir A. Khamedov
Ugra Research Institute of Information Technologies, 628011, Russia, Khanty-Mansiysk, 151 Mira St., Head of the Center for Space Services, tel. (3467)35-91-39, e-mail: xamedovva@uriit.ru
The traditional approach to ecological-economic assessment of consequences of forest fires, which is currently at the expert level when it is exactly known, the size of a burnt forest is not focused on the operational definition of the extent of forest fires and assessment of their possible consequences immediately after discovering the fire. Therefore, this approach does not allow to make timely decisions on the management activities of forest protection services. For the operational environmental and economic assessment of possible consequences of a forest fire involves the use of satellite imagery, allowing to solve these tasks with a high degree of efficiency and with a large area of coverage that is most important for hard to reach areas of the forest regions of Siberia.
The article comparison of methods for the detection of forest burnt areas in optical and radar imagery. It is concluded that objective detection of forest burnt areas using radar images is solved by the synthesis of a color image from a set of multi-temporal radar imagery.
Key words: forest resources, ecological and economic assessment, satellite images, optical and radar images.
REFERENCES
1. Abanina, E. N. (2011). State cadastral registration of forest plots. Zakony Rossii. Opyt. Analiz. Praktika [Laws of Russia. Experience. Analysis. Practice], 2, 33-37 [in Russian].
2. Epting, J., Verbyla, D., & Sorbel, B. (2005). Evaluation of remotely sensed indices for assessing burn severity in interior Alaska using Landsat TM and ETM+. Remote Sensing of Environment, 96, 328-339.
3. Huete, A. R., Liu, H. Q., Batchily, K., Van Leeuwen, W., & Huete, A. R. (1997). A comparison of vegetation indices over a global set of TM images for Eos-MODIS. Remote Sensing of Environment, 59, 440-451.
4. Bartalev, S. A., Ershov, D. V., Lupian, E.A., & Tolpin, V. A. (2012). The possibility of using the satellite service VEGA for different tasks of monitoring of terrestrial ecosystems. Sovremennye problemy distantsionnogo zondirovaniya Zemli iz kosmosa [Modern Problems of Remote Sensing of the Earth from Space], Vol. 9, No 1, 49-56 [in Russian].
5. Guk, A. P., Evstratova, L. G., Hlebnikova, E. P., Altyncev, M. A., Arbuzov, S. A., & Gordienko, A. S. (2013). Automated interpretation of aerospace images. Detection of changes in
condition of areas and objects by multispectral satellite images obtained on different dates. Geodeziya i kartografiya [Geodesy and Cartography], 8, 39-47 [in Russian].
6. Guk, A. P., Evstratova, L. G., Hlebnikova, E. P., Altyncev, M. A., Arbuzov, S.A., Gordienko, A. S., Guk, A. A. & Simonov, D. P. (2013). The development of procedures for automated interpretation of aerospace images. Dushirovanie image features of objects in multispectral space images. Geodeziya i kartografiya [Geodesy and Cartography], 7, 31-38 [in Russian].
7. Guk, A. P., Evstratova, L. G., & Altyncev, M. A. (2015). Development of methods of definition of changes of the border of the forest from multi-temporal multi-scale aerospace images. Geodeziya i kartografiya [Geodesy and Cartography], 12, 9-14 [in Russian].
8. Guk, A. P. (2015). Development of photogrammetric technology based on the inherent properties of digital images. Geodeziya i kartografiya [Geodesy and Cartography], 11, 40-41 [in Russian].
9. Bryksin, V. M., Evtjushkin, A. V., Eremeev, A. V., Makeeva, M. A., & Khamedov, V. A. (2009). The automated system of satellite monitoring of fire situation in the technological corridors of the pipelines and forests KHMAO. Optika atmosfery i okeana [Optics of Atmosphere and Ocean], Vol. 22, No. 1, 90-95 [in Russian].
10. Key, C. H., & Benson, N. The Normalized Burn Ratio (NBR): a Landsat TM radiometric measure of burn severity. Retrieved from http://nrmsc.usgs.gov/files/norock/products/ SEVER36_im_copy6.pdf.
11. Ukrainskij, P. A. (2013). Dynamics of the spectral properties of burned areas overgrown grassy. Sovremennye problemy distantsionnogo zondirovaniya Zemli iz kosmosa [Modern Problems of Remote Sensing of the Earth from Space], Vol. 10, No. 4, 229-238 [in Russian].
12. Kurbanov, Je. A. (2012). Addressing issues of space monitoring of forest burnt areas complex packages ENVI and ArcGIS. Geomatika [Geomatics], 4, 82-92 [in Russian].
13. Zhe, Zhu, & Woodcock, C. E. (2012). Object-based cloud and cloud shadow detection in Landsat imagery. Remote Sensing of Environment, 118, 83-94.
14. Using the USGS Landsat-8 Product: U.S. Geological Survey. Retrieved from http://landsat.usgs.gov/Landsat8_Using_Product.php
15. Statakis, D., Perakis K., & Savin I. Yu. (2012). Interpretation of urbanized areas on Landsat satellite data. Issledovanie Zemli iz kosmosa [Study of Earth from space], 5, 22-28 [in Russian].
16. Khamedov, V. A., & Mazurov, B. T. (2015). Evaluation of the accuracy of determining areas of forest felling using images from the russian satellite "Resurs-P" № 1. Vestnik SGUGiT [VestnikSSUGT], 4(32), 42-50 [in Russian].
17. Mazurov, B. T., Khamedov, V. A., & Knjaz'kov, A. S. (2015). Experience in the use of space images from satellites of "Kanopus-V" and "BKA" to detect areas of oil pollution at the oil fields in Western Siberia. Izvestiya vuzov. Geodeziya i aerofotos"emka [Izvestiya Vuzov. Geodesy andAerophotography], S/5, 179-183 [in Russian].
18. Khamedov, V. A., & Mazurov, B. T. (2015). Development of methodological problems of creating satellite monitoring of forest ecosystems under the impact oil and gas sector of West Siberia. Vestnik SGUGiT [Vestnik SSUGT], 3(31), 16-31 [in Russian].
19. Kopylov, V. N., Polishhuk, Ju. M., & Khamedov, V. A. (2007). Synthesis, optical and radar space imagery in solving problems of operational detection of forest fire sites. Sbornik materialov GEO-Sibir'-2007 [Proceedings of Interexpo GEO-Siberia-2007] (pp. 157-161). Novosibirsk: SGGA [in Russian].
20. Kopylov, V. N., Polishhuk, Ju. M., & Khamedov, V. A. (2006). Geoinformation technology of assessment of consequences of forest fires using remote sensing data. Geoinformatika [Geoinformatics], 1, 56-61 [in Russian].
21. Khamedov, V. A. (2013). Monitoring the condition of forest ecosystems under the impact of oil and gas complex. In Reshetnevskie chteniya [Resetdevice reading]: Part 2 (pp. 265-267). Krasnoyarsk [in Russian].
22. Kopylov, V. N., Kochergin, G. A., Polishhuk, Ju., M., & Khamedov V., A. (2009). The use of remote sensing data in addressing regional problems of rational nature management // Sovremennye problemy distantsionnogo zondirovaniya Zemli iz kosmosa [Modern problems of remote sensing of the Earth from space], Vol. 1, 33-41 [in Russian].
23. Kopylov, V. N., & Khamedov, V. A. (June 9-10, 2008). Information technology operational detection of forest fires. In Materialy nauch.-prakt. Seminara: Problemy prirodnoy bezopasnosti Yugry: monitoring i prognozirovanie ekstremal'nykh gidrometeorologicheskikh yavleniy i lesnykh pozharov [Abstracts of Scientific.-Pract. Seminar: Problems of environmental security in Yugra: monitoring and prediction of extreme weather events and forest fires] (pp. 18-23). Khanty-Mansiysk [in Russian].
24. Pietranera, L., Cesarano, L., Britti, F., Gentile, V., & Kantemirov, Y. (2012). A new product of MTS, calculated according to the COSMO-SkyMed. Geomatika [Geomatics], 1, 46-51 [in Russian].
25. Bahtinova, E. V., Sokolov, A. Ju., Nikol'skij, D. B., & Kantemirov, Ju. I. (2012). Semiautomatic detection of logging on multitemporal radar and radar-optical color composites Geomatika [Geomatics], 1, 52-55 [in Russian].
26. Bertoni, N., Cesarano, L., Giusto, G., Britti, F., Gentile, V., & Pietranera L. (2012). A new approach to monitoring changes, based on the coherent analysis of multi-temporal radar images with very high resolution COSMO-SkyMed satellites. Geomatika [Geomatics], 1, 84-94 [in Russian].
Received 27.06.2016
© V. A. Khamedov, 2016
