CC BY
37
УЦК 681.51:504(07)
Е. А. Юрикова, А. И. Сухинин
СРАВНИТЕЛЬНЫЙ АНАЛИЗ НАРУШЕННОСТИ ПОЖАРАМИ ЛЕСОВ ПРИАНГАРЬЯ ПО ДАННЫМ СПУТНИКОВ TERRA, DMCП
Представлен и усовершенствован метод оценки степени поражения гарей на основе сравнительного анализа данных спутников ТЕККА и DMCII, а также наземных данных лесоустройства.
Дистанционное зондирование можно представить как процесс, посредством которого собирается информация об объекте, территории или явлении без непосредственного контакта с ними. Мы способны получать информацию об окружающей среде путем измерения количества и определения характера отражения энергии видимого света от какого-либо внешнего источника (например, Солнца или электрической лампочки) по мере того, как он отражается от объектов в поле зрения [1].
В современных условиях, используя спутниковую информацию, можно оценить последствия послепожар-ной обстановки на исследуемом участке, контролировать динамику восстановления лесов, нарушенных пожарами. Только космические средства позволяют оценивать повреждения леса на просторах Сибири, вызванные природными и антропогенными факторами. При использовании спутниковых наблюдений изображения, получаемые со спутника, предоставляются в виде цифрового изображения (снимки). Обрабатывая эти снимки, можно вывести статистику, так называемого вегетационного индекса (NDVI), который отражает фотосинтетическую активность живых растений.
Интенсивность, или скорость процесса фотосинтеза в растении, зависит от ряда внутренних и внешних факторов. Из внутренних факторов наиболее важное значение имеют структура листа и содержание в нем хлорофилла, скорость накопления продуктов фотосинтеза в хлоропластах, влияние ферментов, а также наличие малых концентраций необходимых неорганических веществ. Внешние параметры -это количество и качество света, попадающего на листья, температура окружающей среды, концентрация углекислоты и кислорода в атмосфере вблизи растения.
Контроль состояния наземных растительных покровов и исследование степени поражения лесных территорий - важнейшие задачи, решаемые методами дистанционного зондирования.
Леса признаются наиболее надежной природной системой, связывающей углерод и способной предотвратить возникновение парникового эффекта. В связи с этим проблема сохранения лесов и усиления их экологических функций вышла за национальные рамки и стала частью не только экономики, но и мировой экологической политики. Изучение лесов в глобальном масштабе можно реализовать только с применением искусственных спутников Земли.
Установленная на спутнике аппаратура в видимом и ближнем инфракрасном (БИК) диапазоне регистрирует солнечную энергию, отраженную и рассеянную поверхностью Земли. Отражательная способность А - это отношение количества (плотности потока) отраженной и рассеянной вверх радиации 10 к плотности потока падающей прямой радиации Солнца Т.:
A = h / 1С- С1)
Обычно говорят об общей отражательной способности для широкой области видимого и ближнего инфракрасного спектра и выражают А в %. Можно определять А и для отдельных участков спектра. Величина А для различных типов поверхности и различных участков спектра -это ключ к распознаванию деталей на спутниковых изображениях Земли.
Значение А зависит от свойств (в том числе от влажности) отражающей поверхности (трава, лес, почва ит. п.), от спектра падающей радиации - прямой и рассеянной, от угла ее падения, рельефа и т. п. Зеленая растительность, образующая хорошо поглощающий слой, имеет низкое А (около 5%) в видимой части спектра и большее А в ближней инфракрасной области. У оголенных почв отражательная способность очень различна: у подзола всего 7%, у сухого песка в красной части спектра -до 37 % (и заметно меньше у влажного песка).
Особый интерес представляет отражательная способность растительного покрова, которая определяется пигментами листа, в особенности, хлорофиллом.
В синей и красной области видимого диапазона отражательная способность листа низкая из-за наличия полос поглощения с центрами при ^ = 0,45 и Х2 = 0,65 мкм. Поглощение между полосами, т. е. в зеленой области, незначительное, минимум поглощения, т. е. максимум отражательной способности лежит приблизительно при 0,54 мкм. Из-за этого нормальная, здоровая листва воспринимается глазом как зеленая. Когда растение находится в состоянии стресса и образование хлорофилла уменьшается, происходит уменьшение поглощения энергии в полосах Xj и Xv отражательная способность повышается, особенно это заметно глазом в красной области. Поэтому растение кажется желтоватым [2].
Многозональная съемка ведется уже многие годы, и исследователи накопили большой объем эмпирических знаний. Уже хорошо известно, какие соотношения яркости в различных зонах спектра соответствуют растительности, обнаженной почве, водным поверхностям, урбанизированным территориям и другим распространенным типам ландшафта. Выразив эти соотношения в виде линейных комбинаций различных зон, мы получим так называемые индексы. Так, например, имея зону видимой красной и ближней инфракрасной части спектра, мы можем построить нормализованный вегетационный индекс (NDVI).
NDVI (Normalized Difference Vegetation Index) - нормализованный дифференциальный индекс растительности - простой количественный показатель количества фотосинтетически активной биомассы (обычно называемый вегетационным индексом). Один из самых распро-
страненных и используемых индексов для решения задач, использующих количественные оценки растительного покрова и «состояние ее здоровья». Для растительности значение NDVI обычно находится в интервале 0,1-0,6 (чем больше значение, тем лучше здоровье растительности, чем меньше, тем больше она поражена). Облака, снег и водные поверхности дают отрицательное значение индекса. Они отражают больше излучения в видимой красной части спектра, чем в инфракрасной. Камни, обнаженная почва и антропогенные объекты дают значение индекса около нуля. Подобные индексы можно построить и для определения влажности почвы и растительности, типов почв, содержания некоторых минералов и т. д. [3].
Установленная на спутнике ТЕИЛА и DMCП аппаратура регистрирует восходящее излучение от земной поверхности в красном (0,58-0,68 мкм, полоса поглощения ^2), ближнем инфракрасном (0,725-1,0 мкм) и некоторых других областях спектра.
Нормализованный дифференциальный вегетационный индекс рассчитывается по следующей формуле:
NDVI = (/2 - т, +/). (2)
Сравнивая между собой яркости / и /2 изображения растительности в красном и ближнем ИК участках, можно судить о состоянии растений в данном районе. Следовательно, для мониторинга растительности наиболее информативными являются канал № 1 (видимый: 0,52-0,60 мкм) и канал № 2 (ближний инфракрасный: 0,63-0, 69 мкм) спектрорадиометра MODIS и каналы N° 1 (0,45-0,52 мкм), № 2 (0,52-0,60 мкм) спутника DMCП.
Согласно формуле (2), плотность растительности (NDVГ) в определенной точке изображения равна разнице интенсивностей отраженного света в красном и инфракрасном диапазоне, деленной на сумму их интенсивностей.
Расчет NDVI базируется на двух наиболее стабильных (не зависящих от прочих факторов) участках спектральной кривой отражения сосудистых растений. В красной области спектра (0,6-0,7 мкм) лежит максимум поглощения солнечной радиации хлорофиллом высших сосудистых растений, а в инфракрасной области (0,7-1,0 мкм) находиться область максимального отражения клеточных структур листа. То есть высокая фотосинтетическая активность (связанная, как правило, с густой растительностью) ведет к меньшему отражению в красной области спектра и большему в инфракрасной. Отношение этих показателей друг к другу позволяет четко отделять и анализировать растительные от прочих природных объектов. Использование нормализованной разности между минимумом и максимумом отражений увеличивает точность измерения, позволяет уменьшить влияние таких явлений, как различия в освещенности снимка, облачность, дымка, поглощение радиации атмосферой и пр. [4].
Как уже говорилось выше, нормализованный вегетационный индекс (NDVI) представляет собой разность отражательной способности первого и второго каналов, поделенную на их сумму. NDVI, естественно, различен для разных типов растительности: для живой его значение лежит в пределах 0,55...0,65, а неживой -0.. .0,3, поэтому меньшее значение вегетационного ин-
декса показывает степень поврежденности исследуемого участка.
Для анализа территории использовались космические изображения со спутников TERRA/MODIS и DMCII.
DMCII (Disaster Monitoring Constellation) - спутниковая система мониторинга чрезвычайных ситуаций. Спутниковая группировка DMCII предоставляет пользователям возможность получать многозональные изображения своего региона в трех спектральных каналах с разрешением порядка 32 м ежедневно и, следовательно, постоянно вести мониторинг чрезвычайных ситуаций и оперативно принимать меры [5].
Комплекс бортового оборудования спутника TERRA обладает широким спектральным диапазоном и возможностью проводить измерения параметров как атмосферы, так и видимой поверхности Земли. Спутник TERRA несет 5 датчиков, одним из которых является MODIS (MODerate-resolution Imaging Spectroradiometer) - многоспектральный радиометр. MODIS имеет 36 спектральных каналов со средними длинами волн в пределах от
0,412 мкм до 14,235 мкм. Два из каналов имеют разрешение 250 м в надире, пять имеют разрешение в 500 м, а остальные спектральные каналы имеют пространственное разрешение 1000 м [6].
Целью данной работы является усовершенствование метода оценки степени поражения (гарей) растительности в течение пожароопасного периода за 2005 г. на основе сравнительного анализа данных спутников TERRA и DMCII, а также наземных данных лесоустройства.
Для оценки степени поражения территории пожаром и для сравнительного анализа данных спутников TERRA и DMCII был выбран район Красноярского края вдоль нижнего течения реки Ангара (район расположен в пределах 900-1 050 в. д. и 550-600 с. ш.).
Классификация, выполняемая компьютером, позволяет накапливать и использовать формализованные знания по дешифрированию. Они могут представляться в качестве так называемых эталонов, которые содержат соотношения яркостей в различных зонах спектра, соответствующие различным объектам и типам ландшафта, таким как растительность, открытый грунт, водоемы ит.д. В результате классификации получаются тематические растровые карты, которые могут быть использованы сами по себе или автоматически преобразованы в векторную форму [7].
Исследование территории нижнего Приангарья играет важную роль в области экологии и экономики, так как этот регион принадлежит большим вырубкам, вспышкам массового размножения насекомых-вредителей (сибирский шелкопряд) и лесным пожарам. Они являются естественным и крайне важным фактором, оказывающим влияние на таежные экосистемы и происходящие в них процессы. Влияние пожаров может быть отнесено к основным причинам исследования территории.
Космическая съемка в настоящее время является важнейшим источником информации о состоянии лесов, причем основной дешифровочной характеристикой космических изображений в оптическом диапазоне служат спектральные характеристики объектов на изображении.
В настоящее время известно несколько подходов в обнаружении лесных пожарищ с использованием данных спутников TERRA/MODIS и DMCII.
Нормализованный дифференциальный вегетационный индекс можно использовать для мониторинга пос-лепожарного увеличения наземной биомассы, так как установлено, что индексы растительности являются хорошим средством для получения картины крупномасштабного распределения и фенологических изменений растительности [8].
Подбор безоблачных спутниковых снимков и предварительная обработка космических снимков в пакете прикладных программ ERDAS IMAGINE 8.7. Для сравнительного анализа и исследования степени поражения экспериментального участка и для расчета индекса растительности были выбраны изображения со спутника TERRA/MODIS и DMCII в период с 01 мая по 31 сентября 2005 г. Космические снимки, полученные со спутников, были импортированы в программный пакет ERDAS IMAGINE 8.7, для дальнейшей обработки задается проекция для каждого снимка. Применение проекции поперечного Меркатора в данной обработке заключается в том, что проецирование идет на цилиндр, ось которого лежит в плоскости экватора. Искажения в данной проекции нарастают в поперечном направлении по мере удаления от меридиана, совпадающего с линией касания цилиндра с земной поверхностью.
Для каждого снимка было получено значение нормализованного дифференциального вегетационного индекса. По полученным значениям можно сделать вывод, что на поврежденной территории наряду с интенсивно выгоревшем участком присутствуют зарастающие участки гари и здоровая растительность.
Построение обучающих выборок и оконтуривание пожарищ методом сегментации путем наращивания областей для количественной оценки площади пораженной территории. По космическому снимку можно оценить площадь гари после лесного пожара. Для определения площади необходимо получить бинарное изображение, где объект (пожарище) белого цвета, а фон - черного (или наоборот).
Одним из самых распространенных методов выделения объектов на космических изображениях Земли является сегментация. Этот метод носит черты и детерминированного, и статистического подходов. Под сегментацией (в широком смысле) понимают преобразование полутоновых или цветных изображений в изображения, имеющие меньшее число тонов или цветов, чем исходные. В узком смысле сегментацией называют преобразование полутонового изображения в двухуровневое (бинарное), содержащее всего два уровня яркости - минимальный (обычно это 0) и максимальный (обычно 255) [9].
В данной работе был использован метод сегментации путем наращивания областей.
Схема алгоритма этого метода предусматривает выбор стартового пиксела и рассмотрение смежных с ним пикселов для проверки близости их значений, например, по евклидову расстоянию. Если значения яркости текущего и какого-либо смежного пикселов оказываются близкими, то эти пикселы зачисляются в одну область. Таким
образом, область формируется в результате сращивания отдельных пикселов. На определенном этапе (зависящем от модификации алгоритма) область проверяется на однородность, и если результат проверки оказывается отрицательным, то область разбивается на более мелкие участки. Процесс продолжается до тех пор, пока все выделенные области не выдержат проверки на однородность.
Цальнейшая классификация алгоритмов основана на способе наращивания области. При использовании квадратной или прямоугольной сетки используются 2 вида связности: 4- и 8-связность. По сравнению с другими методами наращивание областей обеспечивает самое высокое качество распознавания [10].
Используя метод сегментации путем наращивания областей, в районе нижнего течения реки Ангара были зафиксированы площади, оставленные сильным пожаром (рис. 1). Используя эмпирический подбор параметров сегментации была обнаружена закономерность, которая позволила автоматизировать данный метод и, задавая границы контура, проводить контур не только для одного участка, но и сразу всю исследуемую территорию.
Рис. 1. Построение обучающих выборок и оконтуривание пожарищ методом сегментации путем наращивания областей, ТЕЯИА/МОБШ
Расчет значений NDVI и классификация гарей методом максимального правдоподобия. Распознавание по методу максимального правдоподобия (МП) учитывает достаточно большой объем статистических данных и успешно справляется со сложными задачами.
Пусть имеется спутниковое сканерное изображение земной поверхности, полученное в п спектральных каналах, которое представляет собой совокупность пикселов, яркость (г, у)-го пиксела описывается вектором/, с п-ком-понентами - значениями яркости в каждом канале. Требуется отнести этот пиксел к одному из к классов. Предварительно создается обучающая выборка - спутниковое изображение, на котором по наземным данным определены участки, отвечающие различным классам (например, водоемы, сельхозпосевы, городские и сельские застройки и т. п.). Указывая границы этих классов, происходит процесс обучения, т. е. компьютер оценивает вектор математического ожидания и корреляционную матрицу для каждого из классов. Далее производится обработка интересующего нас спутникового изображения. Компьютер для каждого пиксела определяет вектор измерений/,, для каждого пиксела в каждом классе к фор-
мируются условные плотности вероятностей. Таким образом, для каждого пиксела формируется k условных плотностей вероятностей, которые сравниваются с некоторым порогом. Сравнение позволяет определить, какая из гипотез наиболее правдоподобна. В этом и состоит метод максимального правдоподобия [11].
Применяя метод максимального правдоподобия и значение КБУ1, проведена их классификация и выделены следующие классы (рис. 2):
- значения КБУ1, лежащие в интервале (0,0...0,3), соответствуют интенсивно выгоревшему участку и относятся к гарям первого класса, площадь которых на 2005 г. составляет 676,1 км2 (TERRA/MODIS) и 732,82 км2 (БМСП);
- второй класс - это менее интенсивно выгоревшие участки, значение NDVI которых составляет (0,3...0,4), а площадь на 2005 г. - 609,31 км2 (TERRA/MODIS) и 614,36 км2 фМСП);
- по значениям NDVI, близким к (0,4...0,5), можно говорить, что это зарастающие участки гари, относящиеся к третьему классу, площадь которых на 2005 г. составляет 551,03 км2 (TERRA/MODIS) и 654,09 км2 фМСП);
- дополнительно была обнаружена неповрежденная растительность с NDVI в интервале (0,55...0,65), площадь которых на 2005 г. составляет 247,36 км2 (TERRA/MODIS) и 278,41 км2 фМСП).
а
б
Рис. 2. Классификация гарей методом максимального правдоподобия, расчет NDVI: а - DMCП; б - TERRA/MODIS
Сравнительный анализ полученных результатов между спутниками TERRA и БМСП. Приведем общие площади гари, рассчитанные по снимкам спутников
TERRA/MODIS и DMCП, а также относительную разность измерений этих спутников (см. таблицу). Разрешающая способность спутника DMCII составляет 32 м, поэтому он дает более точный результат в сравнении с TERRA/ MODIS (250 м). Использование данных, полученных со спутника DMCII, дает точный результат исследования, но в связи с тем, что спутник был запущен в 2005 г., и спутниковые изображения дорого стоят, то практичнее использовать снимки, получаемые со спутника TERRA/ MODIS каждый день бесплатно. Единственные снимки со спутника DMCП позволяют оценить относительную разность используемых спутников.
Относительная разность между двумя спутниками не велика и колеблется от 1 до 17 %, что доказывает точность результатов, полученных со снимков спутника DMCII. Относительная разность спутников мала в сравнении с разрешающей способностью TERRA/MODIS (250 м) и DMCII (32 м) и говорит о том, что был точно задан контур пожарищ, а это подтверждает практичность использования метода сегментации путем наращивания областей.
Леса признаются наиболее надежной природной системой. Их изучение в глобальном масштабе можно реализовать только с применением искусственных спутников Земли. Только космические средства позволяют оценивать повреждения леса на просторах Сибири, вызванные природными и антропогенными факторами.
В ходе исследования и обработки изображений, полученных со спутников TERRA/MODIS и DMCII, автоматизирован метод выделения контура пожарищ методом сегментации путем наращивания областей. Используя метод максимального правдоподобия, была проведена классификация, в качестве классифицирующего признака применялся вегетационный индекс. Точность классификации и полученных картосхем определялась при сравнительном анализе данных, полученных со спутников TERRA/MODIS и DMCП. Анализ полученных результатов обследования позволил установить, что по космическим изображениям возможно выделение четырех классов состояния поврежденной территории: интенсивно выгоревшие участки, менее интенсивно выгоревшие участки, зарастающие участки гари, неповрежденная здоровая растительность. Сравнительный анализ результатов показал низкое значение относительной разности, которое колеблется от 1до 17% и возможность использования метода сегментации путем наращивания областей для работы с изображениями, полученными со спутников с низким разрешением и доступными в использовании ежедневно.
Библиографический список
1. Исаев, А. С. Аэрокосмический мониторинг лесов / А. С. Исаев, В. И. Сухих, Е. Н. Калашников [и др.]. М. : Наука, 1991.
2. Ромасько, В. И. Послепожарная инвентаризация леса по спутниковым данным / В. И. Ромасько, В. Б. Кашкин,
А. И. Сухинин // Исследование Земли из космоса. 1998. №6. С. 99-103.
3. Гонин, Г. Б. Космическая фотосъемка для изучения природных ресурсов / Г. Б. Гонин. Л. : Недра, 1989. 320 с.
4. Sukhinin, A. I. Monitoring Forest Fires in Eastern Siberia from Space / A. I. Sukhinin, V. B. Kashkin, E. I. Ponomarev // Proc. of SPIE. V. 3983. P. 206-214.
5. Валендик, Э. H. Мониторинг лесных пожаров /
Э. H. Валендик, А. И. Сухинин, Е. К. Кисиляхов [и др.]. // Исследование лесов аэрокосмическими методами : сб. Новосибирск : Наука, 1987. С. 118-135.
6. Яншин, В. В. Анализ и обработка изображений: принципы и алгоритмы / В. В. Яншин. М. : Машиностроение, 1995.
7. Автоматизированная обработка изображений природных комплексов Сибири / под ред. А. Л. Яншина,
В. А. Соловьева. Новосибирск : Наука, 1988.
8. Киенко, Ю. П. Введение в космическое природоведение и картографирование / Ю. П. Киенко. М. : Картге-центр- Геодезиздат, 1994. 214 с.
9. Дистанционное зондирование: количественный подход : пер. с англ. / под ред. А. С. Алексеева. М. : Недра, 1983. 415 с.
10. Шлихт, Г. Ю. Цифровая обработка цветных изображений / Г. Ю. Шлихт. М. : ЭКОМ, 1997. 336 с.
11. Ахманов, С. А. Введение в статистическую радиофизику и оптику / С. А. Ахманов, Ю. Е. Дьяков, А. С. Чиркин. М. : Наука, 1981. 640 с.
Общая площадь гарей за 2005 г. и их относительная разность
Номер тестового участка Общая площадь гарей, км DMCII Общая площадь гарей, км2 TERRA/MODIS Относительная разность, %
1 177,92 151,00 16
2 140,18 149,25 6
3 262,48 220,00 17
4 762,61 644,32 16
5 694,10 698,41 1
6 205,81 188,38 8
7 36,58 32,44 11
E. A. Yurikova, A. I. Sukhinin
COMPARATIVE ANALYSIS DISTURBED FIRES OF PRIANGARIE WOODS ACCORDING TO DATA OF SATELLITES TERRA, DMCII
The method of an estimation of a degree of defeat burned areas on the basis of the comparative analysis of data of satellites TERRA and DMCII, and ground data is presented and advanced.
Принята к печати в сентябре 2006 г.
УДК001.576.001.572
О. А. Дубровская
ДИСТАНЦИОННОЕ ЗОНДИРОВАНИЕ И МОДЕЛИРОВАНИЕ СТРУКТУРЫ ОБЛАЧНОСТИ И ДЫМОВЫХ ШЛЕЙФОВ
На основе гидродинамического моделирования и использования данных дистанционного зондирования изучается ближний и дальний перенос тепла, влаги и продуктов горения, оценивается их влияние на процессы облако-и осадкообразования. Рассматриваются различные сценарии взаимовлияния лесных пожаров и ландшафтных и погодных изменений в Азиатской части России
Известно, что облачность и осадки являются основными элементами погоды. С процессами облако- и осадкообразования связаны такие особо опасные явления, как ливни, град, шквалы. В современных задачах информационно-космического мониторинга облака и облачные кластеры являются, скорее, помехой, экранируя или размывая изображения наземных объектов и препятствуя достоверному воспроизведению деталей земной поверхности. В предлагаемом подходе информация об облачности будет использоваться для восстановления параметров атмосферного пограничного слоя, что приведет к увеличению в целом отдачи и эффективности
системы космического зондирования. Опыт таких разработок имеется: спутниковые фотографии облачности представляют собой своеобразную синоптическую карту региона и поэтому используются синоптиками при составлении краткосрочных прогнозов погоды и сверхкраткосрочных прогнозов опасных явлений. В работах [1-4] исследуется механизм образования квазиупорядо-ченных облачных ансамблей, а их связь с полями ветра, температуры и влажности в атмосфере детально не рассматриваются.
Цель данной работы - использование данных дистанционного зондирования и результатов численного моде-
