Глава 2. Картографирование лесов по многоспектральным спутниковым данным высокого пространственного разрешения

Предложенная методика региональной экологической оценки лесов предусматривает использование репрезентативной выборки данных спутниковых наблюдений высокого пространственного разрешения для классификации лесного покрова и оценки таких ключевых индикаторов как лесистость и доля чистых хвойных насаждений в составе покрытой лесом площади. Одним из широко используемых в настоящее время источников спутниковых данных высокого разрешения является портал программы Global Land Cover Facility (GLCF http: // glcf. umiacs. umd. edu). Отобранный из архива набор изображений Landsat ETM+ включал в себя пять спутниковых сцен с незначительным влиянием облачности и максимально возможно приближенных по фазе фенологического развития растительности. Схема покрытия области изображениями Landsat ETM+ представлена на рисунке 2.

Используемые в работе изображения были приведены в проекцию UTM на эллипсоиде WGS84, а уточнение их взаимной пространственной привязки производилось методом аффинных преобразований по опорным точкам в зоне перекрытия изображений с уровнем погрешности, не превышающей размера одного пикселя.

При построении карт лесов регионального уровня с использованием данных высокого пространственного разрешения, как правило, для обеспечения полного покрытия территории приходится использовать совокупность неоднородных по времени и условиям спутниковой съемки изображений. При этом возникает задача разработки методов использования разнородных изображений с целью минимизации временных затрат и объема необходимых опорных данных при условии обеспечения достаточной тематической точности и информационной детальности получаемых карт.

Один из возможных подходов к решению этой задачи предполагает первоначальное проведение взаимной яркостной нормализации изображений с целью их последующей совместной классификации. В основу метода яркостной нормализации изображений, полученных одним и тем же прибором дистанционного зондирования, положено предположение о том, что, при отсутствии качественных изменений лесов в период между двумя датами наблюдений, различия регистрируемой яркости, прежде всего, связаны с изменениями характеристик пропускания и рассеяния излучения атмосферой, а также фенологической динамикой растительности. При этом была принята линейная модель аппроксимации связи между значениями яркости на уровне прибора дистанционного зондирования Ra и на нижней границе атмосферы R, согласно следующему выражению:

Ra = tg(Ratm + kR) (1),

где:

Ra – яркость подстилающей поверхности на верхней границе атмосферы;

Ratm – яркость отраженного атмосферой излучения;

R – яркость подстилающей поверхности на нижней границе атмосферы;

tg – коэффициент пропускания атмосферы;

k – коэффициент, зависящий от функции пропускания атмосферы и геометрических условий наблюдения.

Использование линейной модели (1) позволяет выразить следующим образом связь значений яркости для одного и того же участка на двух различающихся временем получения изображениях:

CN1 = aCN2 + b (2),

где: CN1 и CN2 – уровни яркости участка поверхности в различные моменты наблюдений; a и b - коэффициенты уравнения.

Использование выражения (2) позволяет предложить простой метод взаимной яркостной нормализации спутниковых изображений, предполагающий реализацию описанных ниже последовательных этапов.

На первом этапе производится выбор базового изображения, максимально возможно отвечающего следующей группе условий:

· наличие областей взаимного перекрытия базового изображения с максимально большим числом спутниковых изображений для региона наблюдения;

· наличие в зонах перекрытия изображений участков, соответствующих различным, характерным для региона наблюдения, типам лесов;

· соответствие даты наблюдения базового изображения наиболее благоприятной для картографирования лесов фазе фенологического развития растительности.

Следующий этап метода взаимной яркостной нормализации направлен на формирование сети опорных участков в зонах перекрытия спутниковых изображений для оценки значений коэффициентов уравнения (2). Опорные участки в зонах перекрытия соответствующих пар изображений выбираются визуально на покрытых лесом территориях исходя из следующих условий:

· количество опорных участков должно удовлетворять критериям статистической репрезентативности для линейного регрессионного анализа получаемых данных;

· выбранные опорные участки должны обеспечивать максимально широкий охват типов лесных насаждений, различающихся уровнем спектральной яркости;

· опорные участки должны быть свободны от влияния облачности;

· изображения опорных участков не должны содержать признаков качественных изменений лесов в период между датами получения спутниковых изображений.

При этом площадь каждого опорного участка на изображении должна превышать площадь пикселя в несколько раз, что позволяет при последующей оценке средних значений яркости внутри участков скомпенсировать влияние случайных факторов.

Измеренные пары значений средней спектральной яркости для опорных участков в зонах перекрытия изображений используются для оценки методом линейного регрессионного анализа значений коэффициентов уравнения (2) независимо для каждого канала. Получаемые при этом значения линейной корреляции R2 могут служить критерием достоверности оценок коэффициентов уравнения и, следовательно, потенциальной эффективности взаимной яркостной нормализации пары изображений.

Завершающим этапом процедуры нормализации является по канальное преобразование спутникового изображения с использованием коэффициентов линейного уравнения с целью компенсации яркостных различий на покрытых лесом территориях.

В соответствии с указанными выше критериями в зонах перекрытия изображений было выбрано по 30 опорных участков размером 3х3 пикселя. Полученные значения коэффициентов уравнения регрессии и корреляции для пары спутниковых изображений представленные в качестве примера в таблице 1. Как видно из приведенных данных, наиболее высокие значения R2 характерны для спектральных каналов TM4 и TM5, в то время как значение коэффициента корреляции для TM3 может свидетельствовать об относительно невысокой эффективности нормализации изображений в данном канале.

Таблица 1

Пример значений коэффициентов уравнения регрессии и корреляции при яркостной нормализации изображений (на примере сцен №2 и №5)

Оценка эффективности нормализации выполнялась с учетом ее влияния на возможности распознавания типов лесов, а ее основой служило сравнение значений критериев внутриклассовой изменчивости (стандартное отклонение уровней яркости внутри класса) и межклассовой разделимости (трансформированная дивергенция) до и после нормализации (таблицы 2 и 3). Влияние яркостной нормализации на гистограммы яркости лесного покрова демонстрируется приведенными на рисунке 3 графиками.

Таблица 2

Оценка влияния взаимной нормализации изображений на величину стандартного отклонения спектральной яркости классов лесного покрова

Табликца 3

Влияние взаимной нормализации изображений на значения трансформированной дивергенции между классами лесного покрова (до нормализации / после нормализации)

Рис.3 Влияние яркостной нормализации изображений Landsat-ETM на гистограмму яркости леса в спектральных каналах TM3 (слева) и TM4 (справа). Гистограммы яркостей до и после нормализации показаны соответственно сплошной и пунктирной линиями.

Для классификации совокупности радиометрически нормализованных изображений Landsat-ETM+ были использованы спектральные каналы TM3, TM4, TM5 и ТМ7, как наиболее информативные для изучения растительности. Предварительная оценка возможностей классификации лесов по данным Landsat-ETM+ продемонстрировала достаточно высокую точность распознавания классов темнохвойных, светлохвойных, лиственных и смешанных насаждений. Использование алгоритма неконтролируемой классификации ERDAS ISODATA позволило выделить на первом этапе 200 спектральных кластеров, последующая визуальная интерпретация которых была проведена с привлечением карты растительности Московской области и анализа сигнатур кластеров в пространстве яркостей в каналах TM3 и TM4.

Необходимость повышения точности распознавания темнохвойных лесов, частично перепутываемых с тенями от облаков и участками водной поверхности в прибрежных зонах, потребовала дополнительной тематической обработки спутниковых изображений. Повторная классификация изображений была выполнена только для пикселей отнесенных на предыдущем этапе к указанной совокупности классов с использованием текстурного признака, характеризуемого значениями дисперсии яростей в скользящем окне размером 5х5 пикселей. При этом для участков водной поверхности, как пространственно более однородных, характерны относительно низкие значения признака, что позволило улучшить точность классификации темнохвойных лесов. Дальнейшее улучшение точности выделения темнохвойных лесов было направлено на исключение ошибочно классифицированных участков теней от облаков. Это обеспечивалось процедурой пространственного анализа изображений в окрестности предварительно выявленных участков облачного покрова, детектированных по высоким значениям спектральной яркости во всех используемых спектральных каналах.

Результатом классификации спутниковых изображений Landsat-ETM+ стала карта лесов для части территории Московской области. Сравнительные данные о лесистости ряда лесохозяйственных предприятий области, полученные с использованием полученной карты и материалов Государственного учета лесов (ГУЛ) РФ по состоянию на 1998 год, представлены на рисунке 4.

Рис.4 Связь данных о лесистости для лесхозов Московской области по результатам классификации Landsat ETM+ и материалам ГУЛ (1998 г)