Информационное обеспечение задач оценки состояния природно-техногенной сферы с использованием данных космического и локального мониторинга

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

ИНФОРМАЦИОННОЕ ОБЕСПЕЧЕНИЕ ЗАДАЧ ОЦЕНКИ СОСТОЯНИЯ ПРИРОДНО-ТЕХНОГЕННОЙ СФЕРЫ С ИСПОЛЬЗОВАНИЕМ ДАННЫХ КОСМИЧЕСКОГО И ЛОКАЛЬНОГО МОНИТОРИНГА

Т.В. Кондранин, В.В. Козодеров,

А.Г. Топчиев, В.А. Головко,

В.С. Косолапов

Введение

В последние годы одним из основных требований, предъявляемых к данным дистанционного зондирования (ДЗ), получаемых космическими аппаратами различного назначения, является повышение потребительских свойств конечной информационной продукции ДЗ, как в интересах научных исследований, так, в особенности, для решения прикладных задач [1]. Это обстоятельство обусловило необходимость, с одной стороны, реализации новых научно-технологических решений, связанных с повышением информативности бортового и наземного сегментов космической системы ДЗ, а, с другой, - разработки новых подходов усвоения, обработки и интерпретации получаемой информации. Эти подходы должны быть ориентированы на получение результатов, представляющих практический интерес, использование которых для конкретного потребителя позволит повысить эффективность научной или прикладной деятельности. Поэтому модернизация существующих и создание новых методов анализа данных ДЗ представляет собой стратегический путь развития соответствующей отрасли знаний.

Теоретические основы постановки физико-математических моделей, ориентированных на повышение информативности процедур получения, использования и анализа соответствующих данных ДЗ и, в конечном счете, повышение достоверности и практической значимости результатов и получение новых знаний о природных процессах и функционировании природных систем изложены в [2, 3]. Следует отметить, что рассматриваемая проблема в целом представляет собой междисциплинарное направление, получившее название «космическое землеведение». Это направление объединяет решение прямых задач формирования и трансформации излучения в системе «подстилающая поверхность - атмосфера - приемная аппаратура ДЗ», постановку обратных задач с привлечением результатов исследований в области физики атмосферы, почвенно-геологических и других исследований, достижения в области распознавания образов и анализа сцен, применение современных методов вычислительной математики, компьютерных и геоинформационных технологий с целью разработки адекватных алгоритмов и их программной реализации, а также Web и Интернет технологий. Возможности развития новых приложений данных ДЗ для решения важнейшей задачи оценки состояния природной среды - восстановления величины зеленой фитомассы (листвы, хвои и др.) растительности - впервые были показаны в работах [4, 5]. В контексте реализации практических технологий мониторинга природной среды с использованием данных аэрокосмического ДЗ в видимой, ближней инфракрасной и микроволновой областях спектра предложенные подходы получили дальнейшее развитие в [6 - 8].

Цель настоящей работы состоит в комплексной отработке новых физико-математических моделей, соответствующих алгоритмов и расчетных программ, а также в расчетно-параметрическом исследовании технологии количественной оценки состояния природно-техногенной сферы (лесные и другие экосистемы) с использованием многоспектральных данных ДЗ, получаемых новейшими космическими системами (КА «Terra», «Aqua», «Spot» и др.) и локального мониторинга (наземные измерения и средства малой авиации).

Общие положения

дистанционный зондирование аэрокосмический экосистема

Основной формой отображения данных спутникового ДЗ являются многоспектральные изображения разного пространственного разрешения. Исходные данные представляются в виде матриц цифровых эквивалентов (абсолютные значения интенсивности восходящего излучения), соответствующих измерительным каналам. Поэтому наряду с широким применением математических моделей обработки, адекватных вычислительных процедур, методов анализа и интерпретации данных, становится возможным эффективное применение технологий географических информационных систем (ГИС) с использованием региональных цифровых баз данных различного назначения. При практической реализации вычислительных процедур «космического землеведения» следует учитывать ряд существенных особенностей. Во-первых, для количественной оценки параметров состояния объектов по их многоспектральным изображениям требуются абсолютно калиброванные измерительные данные, энергетические характеристики которых в процессе обработки необходимо увязывать с результатами математического моделирования поля уходящего излучения. Во-вторых, для получения конкретных признаков состояния наблюдаемых природных объектов (потребительские характеристики) по данным регистрируемых полей уходящего излучения, необходима разработка обоснованных процедур преобразования данных ДЗ в параметры, характеризующие состояние соответствующих объектов.

Необходимо отметить еще одну важную особенность практических технологий «космического землеведения». При неоспоримых достоинствах космических систем ДЗ, которые, в первую очередь, определяются возможностью оперативности получения информации, обзорностью, одномоментным охватом больших площадей, соответствующих целостным природно-антропогенным экосистемам, материалы космических съемок имеют определенные ограничения. Так, например, значительные объемы данных ДЗ, получаемых в оптическом диапазоне, могут оказаться невостребованными в связи с тем, что большая часть конкретной территории может быть закрыта облачностью. Кроме того, при решении задач мониторинга некоторых объектов природно-техногенной сферы, характеризующихся существенной пространственной неоднородностью (лесные экосистемы на фоне природной и техногенной неоднородности, гидротехнические объекты, линии электропередач, нефте- и газотранспортные системы, автомобильные и железнодорожные магистрали и др.), использование данных космических ДЗ для дешифрирования подобных объектов оказывается экономически неэффективным. В этой связи представляет интерес развитие новых технологий контроля и мониторинга соответствующих объектов, основанных на совместном использовании данных космического ДЗ и данных, получаемых средствами локального мониторинга на базе ультра-легких авиасредств [9, 10].

Состояние проблемы. Традиционные подходы, основанные на эмпирических методах

Наиболее существенные результаты по проблеме практического внедрения методов количественной оценки состояния растительности в природных экосистемах с использованием данных ДЗ получены в рамках исследований, выполненных в последние годы в ведущих центрах Канады, Европейского Союза и США [11-13].

Проект Канадской Лесной Службы [11] «Расширенное управление связей между экофизиологическими процессами и продуктивностью лесов» ECOLEAP (Extended COncertation to Link Ecophysiology and Forest Productivity) направлен на оценку биологической продуктивности лесов на выбранных тестовых участках с использованием данных ДЗ и технологий ГИС. По результатам контрольных наземных измерений уточняются модели чистой первичной продукции экосистем: скорости запасания углерода в процессе фотосинтеза. Приложения разрабатываемых моделей так называемых экофизиологических процессов используются для изучения изменений климата в отдельных «резервуарах углерода» (модельных схемах описания обменных процессов) для выбранных типов лесных и других экосистем. При изучении экофизиологических процессов (фотосинтеза и эвапотранспирации - совместного эффекта испарения влаги и дыхания растительности и др.) в наземных условиях регистрируются значения фотосинтетически активной радиации (ФАР) - той части падающего излучения, которая характеризует функционирование живой растительности в процессе синтезирования углеродных соединений. Данные ДЗ используются для перехода от уровня отдельных тестовых участков на уровень отдельных ландшафтов: оценки чистой первичной продукции с тестовых участков переносятся на большие площади. По данным аппаратуры TM (Thematic Mapper) спутников Landsat проводится стандартная классификация наблюдаемых объектов; параметры состояния получаемых классов лесной растительности интерполируются с выбранных участков наземных обследований.

В указанном проекте, как и в других аналогичных проектах биогеографических исследований, основной акцент сделан на сбор и систематизацию данных наземных обследований состояния почвенно-растительного покрова на выбранных тестовых участках. Исследуются эмпирические связи между измеряемыми величинами энерго- и массообмена на разных высотах полога леса от земной поверхности до специально оборудованных вышек и значениями фитомассы листвы/хвои, а также первичной продуктивности лесных и других экосистем. Измеряются микроклиматические характеристики выбранных участков (прямое и рассеянное солнечное излучение, тепловые потоки, радиационный баланс, температура воздуха и почвы, относительная влажность воздуха, влажность почвы на разных горизонтах, атмосферные осадки и др.). Проводится химический анализ выбранных образцов фитомассы (содержание в них азота, фосфора, кальция, магния и других элементов). Уточняются характеристики пространственного распределения фитоэлементов (например, в терминах относительной площади листовой поверхности LAI - Leaf Area Index).

Данные ДЗ носят вспомогательный характер, в первую очередь, для пространственной экстраполяции точечных оценок экофизиологических процессов и биологической продуктивности экосистем по результатам классификации ландшафтов с помощью многоспектральных изображений. Результаты проекта ECOLEAP могут быть полезны для отработки методов количественной оценки состояния почв и растительности по данным ДЗ и измерений на тестовых участках, но проблема реализации технологических решений по восстановлению объема фитомассы и других параметров состояния растительности на основе многоспектральных изображений в рамках данного проекта не ставится.

В рамках Программы SPOT VEGETATION реализуется проект «Vito» Фламандского Института технологических исследований (Flemish Institute for Technological Research) [12] с участием Объединенного исследовательского центра (Joint Research Center) Европейского Союза, а также Европейского космического агентства и Программы ФАО (Food and Agriculture Organization/FAO) Организации Объединенных Наций. Основа исследований - использование данных ДЗ спутниковых систем NOAA-AVHRR и SPOT-VEGETATION для оценки вегетационных индексов NDVI (Normalized Difference Vegetation Index) с целью мониторинга состояния сельскохозяйственных посевов и лесных насаждений. В [12] приводится различная информационная продукция проекта с акцентом на изменения растительного покрова и его биологической продуктивности. Это проект глобальных наблюдений Земли в поддержку моделей по изменению климата и безопасности окружающей среды. Совмещение измерительных данных разного пространственного разрешения позволяет осуществлять мониторинг растительного покрова и регистрировать его изменения.

В рамках проекта «Vito» на оперативной основе строятся тематические карты чистой первичной продуктивности (Net Primary Productivity - NPP), значения которой должны характеризовать источники и стоки углерода, процессы обезлесивания, воздействия лесных пожаров, загрязнения окружающей среды, урожайность сельскохозяйственных культур и т.п. В основу практических приложений соответствующих разработок положены эмпирические связи вегетационных индексов с текущим состоянием и изменением ландшафтов. Как и в случае проекта ECOLEAP, проблема использования вычислительных технологий для поэлементного восстановления количественных параметров состояния экосистем на основе обработки многоспектральных изображений находится вне пределов реализации проекта «Vito».

Публикация [13] и другие, близкие к ней по содержанию работы, также посвящены отработке эмпирических связей результатов наземных измерений характеристик состояния почвенно-растительного покрова и данных ДЗ на выбранных территориях. Как и в [12], исследования проводятся с целью оценок регионального бюджета углерода для выделенных на космических изображениях ландшафтов.

Основной характеристикой, определяемой в рамках технологии [13], является величина надземной биомассы растительности (НБР). НБР определяется как запас древесины растущих деревьев диаметром более 2.5 см на уровне груди для древостоев возраста более 5 лет и всех деревьев выше 1.3 м для древостоев менее 5 лет. НБР измеряется в тоннах на гектар и является важнейшей потребительской характеристикой оценки состояния лесных (растительных) экосистем. В основе методики наземных обследований в [13] лежат широко используемые в практике биологов-лесников эмпирические закономерности между величиной надземной биомассы растительности (НБР) и выборочными измерениями диаметра деревьев на уровне груди (ДУГ). В свою очередь, значения ДУГ увязываются с данными высокого пространственного разрешения аппаратуры ETM+ (Enhanced Thematic Mapper) спутника Landsat-7, представленными в виде вегетационных индексов NDVI.

Основные результаты [13] состоят в том, что для выбранной территории с использованием данных аппаратуры ETM+ определяются пространственные распределения и проводится классификация растительного и других покровов территории. На этой основе формируются карты НБР с учетом возраста лесных насаждений. При классификации выделяются: молодой лес (посадки, кусты); преобладающие типы широколиственных пород деревьев; хвойные породы; смешанный лес; вырубки и т.д. Для установления количественных значений НБР на основе определяемых по данным ДЗ значений NDVI использовалась процедура множественной регрессии. Оценки восстановленных значений НРМ для выбранных тестовых участков лежат в пределах 1-358 т/га (среднее значение 70 т/га при стандартном отклонении 54 т/га). При этом оценки объемов фитомассы оказались на порядок меньше. В работе [13] показано, что НБР для твердых пород древесины сильно связаны с возрастом древостоев и их отражательной способностью в ближней инфракрасной области спектра; для сосновых насаждений отмечена значительная корреляция значений НБР с индексами NDVI.

При всей важности результатов работ [11-13] и других публикаций, посвященных изучению связей между результатами точечных наземных обследований состояния растительных экосистем и их ландшафтном отображении на материалах космических съемок, следует отметить общий недостаток этих исследований: в основном эмпирические результаты разработок, как правило, ограничены примерами более или менее достоверных корреляций для конкретных территорий. Распространение указанных технологий на другие территории сопряжено с необходимостью проведения для этих территорий огромного объема предварительных организационных, производственных и научно-исследовательских биолого-почвенных (полевых) работ, что по оценкам представляется экономически неэффективным.

С точки зрения эффективности использования в существующих технологиях данных ДЗ основной вывод состоит в следующем. Упомянутые технологии используют материалы ДЗ либо как вспомогательные для экстраполяции результатов наземных обследований тестовых полигонов на масштабы окружающей их территории, либо в качестве исходных данных для оценки вегетационных индексов или проведения стандартной классификации с использованием 2-3 спектральных каналов оптического диапазона.

Таким образом, представляется актуальным проведение исследований и разработка на их основе универсальных прикладных технологий, использующих возможности современных аэрокосмических систем ДЗ и достижений в области численных методов решения прямых и обратных задач переноса излучения в различных диапазонах спектра в системе «подстилающая поверхность, моделирующая природную экосистему - реальная атмосфера - спутниковый приемник излучения» [14]. Эти исследования направлены на разработку геоинформационых продуктов, отображающих экспериментальные данные ДЗ и результаты численного моделирования в показателях, которые непосредственно используются в практической деятельности. Следует подчеркнуть, что решение таких задач стало возможным в связи с тем, что в последние годы произошли заметные изменения в расширении информационных характеристик аппаратуры ДЗ и в получении доступа к информации у различных потребителей. В частности, широко используются данные 36 канального радиометра среднего разрешения MODIS (Moderate Imaging Spectroradiometer), усовершенствованного радиометра тепловой и видимой области спектра ASTER (Advanced Spaceborne Thermal Emission and Reflection Radiometer) и другой, в том числе гиперспектральной аппаратуры ДЗ.

В предлагаемой в настоящей статье постановке возникает задача разработки адекватных физико-математических моделей преобразования данных многоспектрального ДЗ в искомые показатели. При этом разрабатываемые модели должны учитывать достижения по исследованиям светового режима лесных покровов с разной плотностью полога (С_п) и ажурностью крон деревьев (А_кр). Первый из этих параметров характеризует расстояние между отдельными деревьями в пределах выбранного элемента разрешения аппаратуры ДЗ. Второй параметр описывает «дырчатую структуру» полога, т.е. просветы между отдельными фитоэлементами растительного покрова [15].

Постановка новых задач

Обычно говорят о прямых задачах описания интенсивностей уходящего излучения, регистрируемых спутниковой аппаратурой, при его взаимодействии с природными средами (земная поверхность и атмосфера), а также об обратных задачах восстановления параметров состояния наблюдаемых объектов по данным получаемых измерений.

С формализованной точки зрения решение прямых задач ДЗ сводится к нахождению функционала J_ij регистрируемых аппаратурой ДЗ мгновенных значений яркости для строк и столбцов (i, j) многоспектральных изображений (n измерительных каналов) при заданных значениях зенитного , азимутального углов визирования, зенитного угла Солнца ₀ и конкретного состояния атмосферы А, которое, обычно определяется ее прозрачностью и яркостью атмосферной дымки (той частью рассеянного в атмосфере излучения, которая в задаче об определении характеристик подстилающей поверхности является мешающим фактором) с учетом функции чувствительности F соответствующей системы ДЗ. В природно-ресурсных задачах значения функционала J_ij зависят от конкретных предметно-специфических характеристик П_k (k - число таких характеристик), в свою очередь, определяемых такими комплексными показателями состояния природных объектов (M), как объем биомассы растительности (лесной, травянистой, сельскохозяйственной и др.). В частности, для лесных экосистем число k характеризует упомянутые выше значения плотности полога С_п и ажурности крон деревьев А_кр. Для типичных объектов природных экосистем установление эмпирических зависимостей M (П_k) обеспечивается методами наземного обследования состояния соответствующих объектов на тестовых полигонах.

Применительно к задаче, решаемой в настоящей работе, значения М определяются эмпирически как значения биомассы (т/га или кг/м²) на отдельных участках обследуемой поверхности (в лесу, в поле и т.п.). Новизна излагаемых в статье подходов к решению обратных задач состоит в том, что в качестве экспериментальных количественных значений J_ij предлагается использовать данные, получаемые аппаратурой ДЗ для каждого элемента цифрового изображения в соответствующем спектральном канале, что позволяет одновременно восстанавливать искомые характеристики на площадях, соответствующих полному полю зрения аппаратуры ДЗ. Переход от модельных представлений о значениях функционала J_ij к его значениям на уровне верхней границы атмосферы составляет содержание конкретных приложений теории переноса излучения. Важно подчеркнуть, что в предлагаемой постановке показатели природных сред M_ij, обычно называемые параметрами состояния, инвариантны относительно условий освещения, углов визирования аппаратуры ДЗ и состояния атмосферы в момент съемки, т.е. для каждого элемента спутникового изображения несут полезную информацию о самих объектах наблюдения.

Таким образом, в рамках предлагаемого подхода, формализованное представление обратной задачи количественного восстановления характеристик природной среды на подстилающей поверхности можно представить в виде:

J_ij {F⁽ⁿ⁾ [(, ); ₀; A; M (П_k)]} M_ij.

Разработаны алгоритмы и программа обращения функционала J_ij интенсивностей излучения, регистрируемого аппаратурой ДЗ для каждого элемента многоспектрального изображения, и преобразования соответствующих значений в искомые параметры состояния M_ij; проведено тестирование программы и выполнены расчеты по восстановлению биомассы растительного покрова по территории Тверской области, результаты которых представлены ниже.

Процедура решения обратной задачи фактически сводится к поиску наилучшего соответствия между измеренными в каждом пикселе многоспектрального изображения значениями восходящего излучения в системе «подстилающая поверхность, моделирующая природную экосистему - реальная атмосфера - спутниковый приемник излучения» и соответствующими величинами, полученными в результате решения прямой задачи. Таким образом, схему поиска решения обратной задачи можно представить в виде двухэтапной процедуры. На первом этапе осуществляется прямой расчет значений исходного функционала для условий, моделирующих условия наблюдения для всех значений граничных условий, задаваемых в виде детальной сетки подлежащих восстановлению параметров наблюдаемого природного объекта. На втором этапе в процессе сопоставления с экспериментальными данными находятся взаимные пересечения многоканальных данных ДЗ в координатах (С_п, А_кр) и соответствие областей пересечения наиболее близким численным значениям модельных яркостей прямой задачи. Эти пересечения и являются решениями обратной задачи.

Программа поиска решения для каждого элемента многоспектрального изображения в момент съемки решает следующие задачи:

• Выделение конкретного класса состояния лесной растительности в момент съемки из исходных 11 классов (1- 100% лиственные породы; 11 - 100% хвойные породы; 6 - смешанный лес: наполовину лиственный, наполовину хвойный; 2-5 - смешанный лес с преобладанием лиственных пород при наличии хвойных пород на заданной площади от 10% до 40%, соответственно; 7-10 - смешанный лес с преобладанием хвойных пород при наличии лиственных пород на заданной площади от 40% до 10%, соответственно).

• Выделение конкретного класса состояния атмосферы в момент съемки из исходных 4 классов (4 - прозрачная атмосфера; 1 - сильно замутненная; 2-3 - промежуточные значения между указанными крайними значениями; при этом значения яркости атмосферной дымки функционально связаны с прозрачностью атмосферы).

• Нахождение общего числа решений обратной задачи, т.е. нахождение пересечений отдельных пар спектральных каналов на плоскости (С_п, А_кр) и соответствующих этим пересечениям значений биомассы лесной растительности выделенного породного состава (лиственные, хвойные, смешанные).

Исходные данные

Следуя описанию [16], коротко остановимся на формировании доступных для пользователей файлов данных аппаратуры MODIS, представленных в hdf-формате (Hierarchical Data Format): MOD01; MOD02QKM; MOD02HKM; MOD021KM; MOD02OBC; MOD03. В центре GDAAC (Goddard Distributed Active Archive Center), США имеется специальная программа PGE01 (Product Generation Executive), которая исходные данные аппаратуры MODIS (уровень L0) организует в набор так называемых гранул, каждая из которых вбирает данные приблизительно за 5 минут работы этой аппаратуры. Так формируется файл MOD01 уровня L1A (выполняется программой MOD_PRO1) вместе с данными географической привязки.

Программа PGE02 преобразует данные из уровня L1A в уровень L1B, который содержит 203 (иногда 204) полных скана за указанные 5 минут, так что за сутки таких 5-минутных гранул обычно бывает 288 (если нет пропусков данных). Вход в программу MOD_PRO2 (общая обработка в PGE02) - исходные «сигналы»; выход - 4 указанные файла калиброванных данных:

• MOD02QKM (2 канала с разрешением 250 м);

• MOD02HKM (5 каналов с разрешением 500 м плюс 2 канала с разрешением 250 м, приведенные к разрешению 500 м);

• MOD021KM (10 каналов с разрешением 1 км);

• MOD02OBC - данные всех каналов, содержащие результаты бортовой калибровки (On Board Calibration/OBC and Engineering Data);

• MOD03 - результаты 2-й общей обработки данных с помощью программы PGE01 с представлением результатов в виде «квадратов» выбранной сетки географических координат.

Ниже иллюстрируются результаты обработки данных MODIS за 30.05.2002 г., взятых из таблиц каждого из 7 hdf-файлов MOD02HKM, представленных в виде целых чисел. Следует отметить, что формат HDF - многоцелевой, универсальный формат файлов, разработанный в NCSA (National Center for Supercomputing Applications) для эффективного хранения и доступа к большим объемам цифровых данных независимо от используемой платформы (типа компьютера, операционной системы и т.д.). Важной особенностью формата является то, что он является самоописывающимся: в файлах HDF для каждой содержащейся в нём структуры данных имеется важная дополнительная информация, так называемые метаданные. В метаданных представлены сведения о структуре файла, данные о способах хранения и многое другое. В них также может содержаться текстовая информация, описывающая условия, при которых были получены данные, калибровочные характеристики и т.д. C файлами HDF можно работать на нескольких уровнях. На самом низком уровне HDF представляет собой обычный формат файла для хранения данных. На самом высоком - находятся утилиты и приложения для обработки, визуализации и анализа данных, находящихся в файлах HDF. На этом уровне находятся также разнообразные внешние приложения для работы с файлами.

Формат HDF является расширяемым. Его можно дополнить новыми типами данных. Одним из самых известных расширений формата HDF является формат NASA HDF-EOS, специально разработанный для хранения данных, полученных в ходе реализации научного проекта Earth Observation System (EOS). В формат HDF-EOS, дополнительно введены такие типы данных, как точечный (point), блочный (swath) и сеточный (grid), а также интерфейс прикладных программ API (Application Program Interface) для работы с ними. Эти типы данных позволяют оптимизировать работу с географически привязанной информацией. Точечный (point) тип данных разработан для поддержки данных натурных измерений, не упорядоченных каким-либо образом по пространству или времени. Например, это могут быть данные замера зеленой биомассы на делянках с заданными координатами.

Иллюстрируемые ниже данные аппаратуры MODIS соответствуют значениям регистрируемых интенсивностей уходящего излучения в Вт/(м² мкм стер), привязанных к соответствующим широтам - долготам. Следует отметить, что особое внимание при разработке технологии предварительной обработки данных MODIS было уделено новым подходам к реализации уточненной геопривязки на основе использования глобальных цифровых карт местности и уточненным процедурам калибровки данных, позволяющих представить результаты измерений в абсолютных энергетических шкалах [17]. Следует также отметить, что при использовании традиционных «информационных продуктов» (этим термином обычно определяют средства программного обеспечения) обработки многоспектральных изображений обычно ориентируются исключительно на определенные градации квантования исходных данных, что дает качественную картину пространственного распределения объектов природно-техногенной сферы, представленных на этих изображениях. Отличительной особенностью предлагаемого подхода является количественная оценка параметров состояния соответствующих объектов. Именно поэтому для наших целей необходимы исходные данные, представленные в абсолютных энергетических величинах, которые и служат связующим звеном между результатами моделирования уходящего излучения и регистрируемыми данными ДЗ.

Обсуждение результатов

Для иллюстрации выбраны данные аппаратуры MODIS на дату съемки 30 мая 2002 года (верхняя часть рис.1). Полоса охвата - от Балтийского моря на западе до Уральских гор на востоке. При стандартном цветокодировании по исходным данным трех каналов этой аппаратуры водные объекты отображены темным цветом (за счет атмосферной дымки при больших углах визирования появляются сине-голубые оттенки), облака - белым цветом, разные типы растительности - от зеленых (лесные массивы) до коричневых оттенков (болота), городские территории - светлыми тонами. При этом надирные углы визирования соответствуют центру иллюстрируемого изображения и проходят от части Рыбинского водохранилища (вверху) на юг через западное Подмосковье.

Цветовое отображение данных верхней части рис.1 с нанесенными границами Тверской области показано на нижней части рис.1. Здесь более четко можно видеть территорию г. Москва, г. Тверь, другие характерные особенности наблюдаемого региона.

Более привычная форма отображения данных аппаратуры MODIS для выбранного региона представлена в верхней части рис.2. Здесь показана та часть исходного изображения аппаратуры MODIS, которая покрывает всю территорию Тверской области и часть территории Новгородской, Ярославской, Московской и Смоленской областей. Можно видеть характерные элементы гидрологической сети, городские территории, другие особенности отображения выбранного региона с помощью иллюстрируемого изображения, стандартным образом синтезированного по трем выбранным каналам красной, зеленой и голубой области спектра (RGB - red, green, blue). Особенно заметны открытые водные поверхности: озеро Ильмень (ближе к левому верхнему углу верхней части рис.2) и Рыбинское водохранилище (ближе к его верхнему правому углу). Между этими основными водоемами видны темные пятна других водных объектов меньшей протяженности, преобладание которых заметно ближе к левой центральной части этого рисунка (территория, называемая Тверским Верхневолжьем).

Выходная продукция выбранного изображения аппаратуры MODIS была наложена на подробную карту местности с сайта http://earth.google.com. Это необходимо для более точной географической привязки данных MODIS (по контурным точкам), чем та система широт-долгот, которая относится в исходных файлах MODIS к пространственному разрешению в 1 км. Взятая с этого сайта картина представлена в нижней части рис.2 вместе с расположением двух выбранных квадратов тестовых исследований на данной территории. Квадрат «А» охватывает значительную часть территории Тверского Верхневолжья (озера Стерж, Вселуг, Пено, Волго и др.). Квадрату «А» соответствует области около 17000 элементов разрешения данной аппаратуры. Квадрат «В» привязан к одной из этих озерных систем с прилегающими к ней территориями (общее число элементов около 1000). Интерес представляет разное цветовое отображение на нижнем рис.2 типичных для выбранной территории лесных, болотных и других экосистем. Можно видеть, что иллюстрируемый фрагмент витка спутниковых данных имеет наклон относительно стандартной сетки параллелей и меридианов.

Из полного набора выходной продукции для каждого элемента любого из фрагментов 7-канального изображения MODIS отметим следующие: тип объекта (1 - растительность, 2 - вода, 3 - облачность); прозрачность атмосферы в момент съемки; объем фитомассы растительности (типичные значения от 0 до 30 т/га); тип леса (в соответствии с упомянутой выше классификацией); тип межкроновой растительности (градации от 1 до 6: 1 - яркая трава, 2 - более темная трава, 3 - заросшее травой болото, 4 - более темное болото, 5 - темная трава (мох), 6 - чистая вода; 0 означает, что растительности нет). Для каждого элемента разрешения рассчитывается также среднеквадратическая погрешность решения обратной задачи.

Следует отметить, что на обрабатываемых изображениях могут существовать отдельные элементы и целые кластеры «особых объектов» (населенные пункты, распаханные почвы, асфальтовое покрытие дорожно-транспортной сети и т.п.), которые прямо не относятся к классу «растительность». Расчетная программа решения обратной задачи для этих элементов требует большого количества итераций, поскольку такие объекты не входят в исходную расчетно-параметрическую базу решения прямой задачи моделирования уходящего излучения. При массовой обработке изображений такие элементы выделяются особо, и именно для них требуется в первую очередь наземная или иная валидации (например, на основе уточнения имеющихся картографических материалов для конкретного региона) получаемой информационной продукции.

Рис.3 дает общее представление о выходной продукции обработки данного изображения при цветовом отображении полученных результатов. Исходной является классификация объектов по данным 7-канальных измерений аппаратуры MODIS. Выделяются объекты: облачность, водная поверхность и остальные объекты (обозначены как растительность на рис.3а). Для класса «растительность» поэлементно восстанавливаются значения фитомассы растительности (рис.3б), породного состава лесной растительности (рис.3в) и степени увлажнения подстилающей поверхности (рис.3г) для межкроновых просветов растительного полога.

Общим для данных рис.3 является то, что здесь заметна основная система озер, дающих начало реке Волга вместе с небольшим пятном облачного покрова (белый цвет на рис.3а) на фоне преимущественно растительного покрова.

Для объема зеленой фитомассы растительности (рис.3б) характерны относительно небольшие ее значения на большей части выбранной территории. Красные оттенки иллюстрируемого примера соответствуют небольшим значениям фитомассы (до 10 т/га); зеленые оттенки - большим значениям (более 20 т/га); желтые оттенки - промежуточным значениям между этими предельными значениями. Сравнительно большие значения этой величины (до 30 т/га) можно наблюдать в центральной части рис.3б.

Данные рис.3в позволяют уточнить по данным аппаратуры MODIS породный состав лесной растительности. Преобладание хвойных пород над лиственными породами можно заметить вблизи озера Пено с отдельными пятнами в правой части рис.3в. Чем более зеленые оттенки преобладают на данных рис.3в, тем большим площадям лиственных пород деревьев соответствуют отображаемые элементы разрешения. И наоборот: преобладание сине-голубых оттенков характеризует участки чисто хвойных пород. Неизбежно существование промежуточных оттенков, что соответствует участкам смешанного лиственно-хвойного леса.

Элементы обработанного изображения, отображенные на рис.3г преимущественно зелеными оттенками, дают представление о географическом распределении сравнительно сухих участков лесной растительности, в то время как сине-голубые оттенки (близки к значениям, равным 5, в соответствии с выбранным описанием градаций межкроновых просветов) иллюстрируют преобладание болот. Как следует из данных рис.3г, именно преобладание болотистой местности заметно на значительной части наблюдаемой территории.

Приведенные примеры данных рис.4 позволяют уточнить отдельные детали пространственного распределения перечисленных величин. Например, данные рис.4а показывают, что протяженность облачного покрова, наблюдаемого в левом верхнем углу этого рисунка, не превышает 1 км х 1 км. Число элементов разрешения, идентифицированных как содержащие достаточно высокие значения объема фитомассы (около 20 т/га), по данным рис.4б оказывается невелико (всего 4-5 элементов из их общего около 1000 элементов). Как нетрудно подсчитать, площади, занятые хвойными породами на рис.4в, соизмеримы с площадями, занятыми лиственными породами деревьев на данной территории. Преобладание более сухих участков местности (зеленые оттенки) заметны на территории справа от выделенной на рис.4г черным цветом озерной системы. При этом площади, покрытые болотными участками местности, по данным рис.4г близки к площадям, занятым преимущественно лесной растительностью.

Возможности валидации (наземного подтверждения) полученной новой информационной продукции спутниковых наблюдений определяются комплексными исследованиями при обновлении имеющихся картографических и других карт на выбранную территорию. Говорят также о необходимости верификации полученных результатов на основе выборочных тестовых обследований отдельных участков территории. Полученные результаты являются новыми в том смысле, что биологи-лесники и другие специалисты на основе результатов рис.3 и рис.4 получают необходимую для них информацию именно в том виде, в котором они традиционно используют соответствующую информацию в практике управления региональным развитием. Представленные здесь первые результаты количественной оценки параметров состояния наблюдаемых объектов открывают перспективы замещения импортного программного обеспечения при реализации технологий обработки многоспектральных данных ДЗ с точки зрения получения более полной картины восстановления параметров состояния в сравнении с традиционными качественными оценками.

Заключение

На основе международного опыта проектов мониторинга состояния почвенно-растительного покрова обоснована постановка новых задач оценки параметров состояния объектов природно-техногенной сферы для каждого элемента многоспектральных изображений. Проведена разработка методов, алгоритмов и программ решения прямых задач расчета функционала яркостей, регистрируемых аппаратурой дистанционного зондирования, и обратных задач восстановления объема биомассы и других параметров состояния почвенно-растительного покрова по многоспектральным космическим изображениям. Приведенные примеры обработки данных аппаратуры MODIS положили начало развитию уникальных технологий отображения данных дистанционного аэрокосмического зондирования в терминах тех параметров, с которыми имеют дело специалисты (биологи, лесники и др.), занимающиеся инвентаризацией лесных ресурсов, лесопользованием и управлением регионального развития. Уникальность технологий связана с увязкой энергетических характеристик интенсивности уходящего излучения по данным ДЗ и модельных расчетов, что позволяет перейти от традиционных качественных оценок пространственного распределения объектов на многоспектральных изображениях к количественным оценкам параметров состояния этих объектов для каждого элемента обрабатываемого изображения.

Исследования проводятся в рамках проектов РФФИ №05-05-64199, 05-05-08004_офи, 05-07-90176, 06-05-64916, а также проекта 4809 «Исследование и разработка методов повышения информативности количественной оценки состояния природно-техногенной сферы по совмещенным данным локального и космического мониторинга», выполняемого в рамках аналитической ведомственной целевой программы Федерального агентства по образованию «Развитие научного потенциала высшей школы (2006-2008 годы)».

Авторы выражают признательность Инженерно-технологическому центру (ИТЦ) «СканЭкс» за предоставление данных ДЗ, полученных аппаратурой MODIS КА «Terra», которые использовались при подготовке настоящей публикации.

Список литературы

1. Кудашев Е.Б., Мясников В.П., Сюнтюренко О.В., Тищенко Ю.Г. Инновационная программа интеграции российских спутниковых данных экологического мониторинга. Вестник РФФИ. 2003. № 1 (31). С. 48-58.

2. Космическое землеведение: информационно-математические основы, под редакцией Садовничего В.А. Авторы: Козодеров В.В., Косолапов В.С., Садовничий В.А., Тимошин О.А., Тищенко А.П., Ушаков С.А. М., изд. Московского университета, 1998, 571 с.

3. Козодеров В.В., Садовничий В.А., Ушакова Л.А., Ушаков С.А. Космическое землеведение: диалог природы и общества. Устойчивое развитие. М., изд. Московского университета, 2000, 640 с.

4. Козодеров В.В., Косолапов В.С. Модели оценки состояния почв и растительности по многоспектральным спутниковым данным. Исследования Земли из космоса, 1993, №5, с.40-57.

5. Козодеров В.В., Косолапов В.С. Обратные задачи атмосферной оптики: приложение к оценке параметров состояния растительного покрова по измерениям спутниковых сканерных систем. Оптика атмосферы и океана, 1993, т.6, №5, с.529-538.

6. Козодеров В.В., Косолапов В.С. Оценка точности аэрокосмического многоканального метода восстановления плотности лесной зеленой фитомассы по результатам моделирования. Исследования Земли из космоса, 2002, №1, с.72-80.

7. Козодеров В.В., Косолапов В.С. Определение биомассы лесной растительности по радиолокационным измерениям со спутников: результаты модельных расчетов. Исследование Земли из космоса, 2005, №3, с.56-67.

8. Кондранин Т.В., Головко В.А., Козодеров В.В., Косолапов В.С. Технология информационной поддержки решения задач оценки состояния лесной растительности с использованием данных дистанционного космического зондирования. Сб. «Современные проблемы дистанционного зондирования Земли из космоса». М., Наука, 2005, с.216.

9. Козодеров В.В., Кузьмин Р.Н., Топчиев А.Г. Аэрокосмический мониторинг природно-техногенной сферы. Сб. «Инновации в экологии». М., журнал «Эксперт», Генеральный партнер РУСАЛ, 2006, с.96-98.

10. Топчиев А.Г., Кондранин Т.В., Козодеров В.В. Комплексный космический и локальный мониторинг природно-техногенной сферы. «Экология и промышленность России», 2006, №11, с.4-6.

11. http://www.cfl.cfs.nrcan.gc.ca/ECOLEAP/ecoleap/project_e.html

12. http://www.geosuccess.net/geosuccess/relay.do?dispatch=DMP_info

13. Zheng Daolin, Rademacher J., Chen Jiquan et al. Estimating above ground biomass using Landsat 7 ETM+ data across a managed landscape in northern Wisconsin, USA. Rem. Sens. Environ., 2004, 93, p.402-411.

14. Козодеров В.В. Биосфера из космоса: интерпретация радиационных образов природных объектов по их многоспектральным изображениям. Исслед. Земли из космоса, 2004, №1, с.16-29.

15. Алексеев В.А., Световой режим леса. Л., Наука, 1975, 227 с.

16. MODIS Level 1B Product User's Guide. Prepared by the MODIS Characterization Support Team for NASA/Goddard Space Flight Center. Greenbelt, MD 20771, December 1, 2003. 61 p.

17. Головко В.А. Современные технологии устранения влияния атмосферы на многоспектральные измерения высокого пространственного разрешения из космоса. Исслед. Земли из космоса, 2006, №2, с. 11-23. 

Размещено на Allbest.ru