Автор: М.В. Горшков
Экологический мониторинг
Учебное пособие. – Владивосток: Изд-во ТГЭУ, 2010. – 313 с.
| Предыдущая |
Содержание статьи:
Курс лекций
Лекция 12. Автоматизированные системы контроля окружающей среды (АСКОС)
12.1. Аэрокосмический мониторинг и данные дистанционного зондирования
Одним из основных источников данных для экологического мониторинга являются материалы дистанционного зондирования (ДЗ). Они объединяют все типы данных, получаемых с носителей:
• космические (пилотируемые орбитальные станции, корабли многоразового использования, автономные спутниковые съемочные системы и т.п.);
• авиационного базирования (самолеты, вертолеты и микроавиационные радиоуправляемые аппараты) и составляют значительную часть дистанционных данных (remotely sensed data) как антонима контактных (прежде всего наземных) видов съемок, способов получения данных измерительными системами в условиях физического контакта с объектом съемки.
• к неконтактным (дистанционным) методам съемки, помимо аэрокосмических, относятся разнообразные методы морского (наводного) и наземного базирования, включая, например, фототеодолитную съемку, сейсмо, электромагниторазведку и иные методы геофизического зондирования недр, гидроакустические съемки рельефа морского дна с помощью гидролокаторов бокового обзора, иные способы, основанные на регистрации собственного или отраженного сигнала волновой природы.
Дистанционное зондирование осуществляется специальными приборами – датчиками. Датчики могут быть пассивными и активными, причем пассивные датчики улавливают отраженное или испускаемое естественное излучение, а активные способны сами излучать необходимый сигнал и фиксировать его отражение от объекта.
К пассивным датчикам относятся оптические и сканирующие устройства, действующие в диапазоне отраженного солнечного излучения, включая ультрафиолетовый, видимый и ближний инфракрасный диапазоны.
К активным датчикам относятся радарные устройства, сканирующие лазеры, микроволновые радиометры и др. В настоящее время в области разработки оперативных космических электронных систем дистанционного зондирования наметилась тенденция к комбинированному использованию различных многоканальных, многоцелевых датчиков с высоким разрешением, включая всепогодное оборудование. Наряду с этим по-прежнему используются неоперативные космические системы с панхроматическим фотооборудованием и многоспектральными фотокамерами, обеспечивающими высокое разрешение и геометрическую точность.
Результаты дистанционных измерений, осуществляемых с помощью бортовой информационно-измерительной аппаратуры аэрокосмической системы, представляют собой регистрацию в аналоговой или цифровой форме характеристик электромагнитного излучения, отраженного от участков земной (водной) поверхности или собственного излучения этих участков.
В условиях облачности, покрывающей 70-80% поверхности Земли, зондирование в микроволновом диапазоне позволяет регистрировать излучение сквозь облака, при этом в миллиметровом и сантиметровом диапазонах еще необходимо учитывать влияние атмосферы, а в дециметровом диапазоне в этом нет необходимости.
Снимки в видимом и ближнем инфракрасном диапазонах наиболее многочисленны и находят широкое применение [11, 50]. В 70-80-х гг. фотоспутники «Ресурс-Ф», «Облик», «Комета» обеспечивали отечественных потребителей космическими снимками с лучшими в мире характеристиками и в достаточном объеме. «Золотой век» космической фотографии закончился в начале 90-х гг. Постепенно запуски практически прекратились. Соответственно почти иссяк единственный отечественный источник космических снимков высокого разрешения. В настоящее время производятся крайне редкие и нерегулярные запуски фотоспутников. Аналогичная участь постигла и радиолокационные системы. В настоящее время идёт интенсивное восстановление аналогичных систем.
При высоком качестве изображения фотографические съемки выполняются не систематически; лишь в отдельных случаях возможно получение повторных снимков на одну и ту же территорию. Из-за эпизодичности съемок и трудностей, связанных с облачностью, регулярное покрытие территории таким видом съемки пока не обеспечивается. Поэтому приходится обращаться к снимкам других типов — телевизионным и сканерным снимкам со спутников двойного назначения и ресурсных спутников.
Эти снимки бывают нескольких видов:
• малого разрешения 1 км (NOAA, США) и более;
• среднего разрешения 150-200 м (Ресурс-0, Метеор-Природа);
• высокого разрешения от 5 (SPOT) до 30-40 м (Landsat ТМ, Ресурс-0 и др.);
• сверхвысокого разрешения от 0,6 до 5 м (QuickBird-2, США; TES, Индия; Ikonos, США и др.).
В 2001 г. произошло событие, которое знаменует собой новый этап развития космических средств ДЗ, коммерческие системы приблизились к «полуметровому рубежу» пространственного разрешения. Этому способствовал запуск 18 октября 2001 г. космического аппарата QuickBird-2. Максимальная протяженность одного маршрута – 10 кадров, что при размере одного кадра 16,5 × 16,5 км составляет 165 км. Максимальная площадь земной поверхности, которую можно отснять за один цикл площадной съемки, 2× 2 кадра.
С запуском 22 октября 2001 г. экспериментального спутника TES (Test Evaluation Satellite) Индия также стала космической державой, создавшей спутник со съемочной аппаратурой метрового разрешения. КА TES создан по заданию Министерства обороны Индии.
Основной полезный груз спутника – панхроматическая оптико-электронная система, позволяющая получать изображения с пространственным разрешением 1 м. Спутник может производить высокодетальную съемку одного и того же участка местности каждые три дня, получать несколько снимков одного и того же сюжета на одном витке.
На сканерных снимках хорошего качества, особенно на цветных синтезированных, в целом выделяются те же объекты, что и на фотографических снимках, но при этом обеспечивается регулярная повторяемость съемки и удобство автоматизированного ввода в базы данных, поскольку они поступают в цифровом виде.
После долгого перерыва в России в 2002 г. был запущен КА «Метеор-3М» №1. На нем наряду с традиционным для метеоспутников набором съемочной аппаратуры низкого разрешения установлена камера МСУ-Э с пространственным разрешением 32-38 м.
В последние годы все большее значение придается гиперспектральной съемке. Так, на борту ИСЗ ЕО-1 установлен гиперспектральный датчик Hyperion, который работает в 220 зонах видимой и ИК-области (0,4-2,5 мкм) спектра. Прибор обеспечивает проведение съемок с пространственным разрешением 30 м и высокой радиометрической точностью.
Существенным шагом в развитии технологий космического радиолокационного ДЗЗ стала реализованная в 2000 г. с борта космического корабля Endeavour международная «Программа радиолокационной топографической съемки рельефа в масштабе 1:25000».
Отметим, что для спутников двойного назначения разрешение снимков всегда больше по сравнению с коммерческими спутниками.
Приведём таблицу распределения спектральных каналов и области применения этих каналов (табл. 12.1).
1 канал (голубой):
• наиболее чувствителен к атмосферным газам, и, следовательно, изображение может быть малоконтрастным;
• имеет наибольшую водопроницаемость (длинные волны больше поглощаются), т.е. оптимален для выявления подводной растительности, факелов выбросов, мутности воды и водных осадков;
• полезен для выявления дымовых факелов (т.к. короткие волны легче рассеиваются маленькими частицами);
• хорошо отличает облака от снега и горных пород, а также голые почвы от участков с растительностью.
Таблица 12.1.
Основные характеристики спектральных каналов (для Landsat-7)
|
Номер канала |
Диапазон спектра (мкм) |
Разрешение (м/пиксель) |
Название |
|
1 |
0,45-0,515 |
30 |
Голубой |
|
2 |
0,525-0,605 |
30 |
Зеленый |
|
3 |
0,63-0,69 |
30 |
Красный |
|
4 |
0,775-0,90 |
30 |
Ближний инфракрасный |
|
5 |
1,55-1,75 |
30 |
Средний (коротковолновый) инфракрасный |
|
6 |
10,40-12,5 |
60 |
Длинноволновый инфракрасный (тепловой) |
|
7 |
2,09-2,35 |
30 |
Средний (коротковолновый) инфракрасный |
|
8 |
0,525-0,90 |
15 |
Панхроматический (4,3,2) |
2 канал (зеленый):
• чувствителен к различиям в мутности воды, осадочным шлейфам и факелам выбросов;
• охватывает пик отражательной способности поверхностей листьев, может быть полезен для различения обширных классов растительности;
• также полезен для выявления подводной растительности.
3 канал (красный):
• чувствителен в зоне сильного поглощения хлорофилла, т.е. хорошо распознает почвы и растительность;
• чувствителен в зоне высокой отражательной способности для большинства почв;
• полезен для оконтуривания снежного покрова.
4 канал (ближний инфракрасный):
• различает растительное многообразие;
• может быть использован для оконтуривания водных объектов и разделения сухих и влажных почв, т.к. вода сильно поглощает ближние инфракрасные волны.
5 канал (средний или коротковолновый инфракрасный):
• чувствителен к изменению содержания воды в тканях листьев (набухаемости);
• чувствителен к варьированию влаги в растительности и почвах (отражательная способность уменьшается при возрастании содержания воды);
• полезен для определения энергии растений и отделения суккулентов от древесной растительности;
• особенно чувствителен к наличию/отсутствию трехвалентного железа в горных породах (отражательная способность возрастает при увеличении количества трехвалентного железа);
• отличает лед и снег (светлый тон) от облаков (темный тон).
6 канал (длинноволновый инфракрасный или тепловой):
• датчики предназначены для измерения температуры излучающей поверхности от -100 до+150С;
• подходит для дневного и ночного использования;
• применение тепловой съемки: анализ влажности почв, типов горных пород, выявление теплового загрязнения воды, бытового скопления тепла, источников городского производства тепла, инвентаризация живой природы, выявление геотермальных зон.
7 канал (средний, или коротковолновый инфракрасный):
• совпадает с полосой поглощения излучения гидроминералами (глинистые сланцы, некоторые оксиды и сульфаты), благодаря чему они выглядят темными;
• полезен для литологической съемки;
• как и 5-й канал, чувствителен к варьированию влаги в растительности и почвах.
8 канал (панхроматический — 4,3,2):
• наиболее типичная комбинация каналов, используемая в дистанционном зондировании для анализа растительности, зерновых культур, землепользования и водно-болотных угодий.
Многозональная съемка ведется многие годы, и исследователи накопили большой объем эмпирических данных. Уже хорошо известно, какие соотношения яркости в различных зонах спектра соответствуют растительности, обнаженной почве, водным поверхностям, урбанизированным территориям и другим распространенным типам ландшафта, существуют библиотеки спектров различных природных образований. Выразив эти соотношения в виде линейных комбинаций различных зон, можно получать так называемые индексы. Так как многие современные системы дистанционного зондирования Земли осуществляют съемку в видимой красной и ближней инфракрасной частях спектра, то распространенным методом является вычисление нормализованного вегетационного индекса (NDVI). Нормализованный вегетационный индекс показывает наличие и состояние растительности по соотношению отраженных энергий в 2 спектральных каналах. Эта зависимость основана на различных спектральных свойствах хлорофилла в видимом и ближнем ИК диапазонах.
Вегетационные индексы можно рассматривать как промежуточный этап при переходе от эмпирических показателей к реальным физическим свойствам растительного покрова. При классификации растительного покрова по цифровым изображениям часто используют индекс площади листьев – LAI (Leaf Area Index). Есть формулы перехода от NDVI к LAI.
Индекс LAI можно измерить в натурных условиях. В настоящее время в Интернет ежемесячно публикуются растровые изображения LAI (пространственное разрешение 250 м) на весь мир. Эти данные в сочетании с методами классификации мультиспектральных изображений могут значительно повысить достоверность при обработке изображений в экспертных системах, учитывающих множество различной информации
Анализ изображений, основанный, только на спектральных свойствах объектов ограничивает возможности получения информации о структуре насаждений. В основе текстурного анализа изображений лежит поиск закономерностей пространственной вариабельности пикселя и его окружения. Проведение текстурного анализа цифровых космоснимков позволяет автоматически разделять насаждения на выдела, по различиям в их структуре, так как изменение текстурных показателей связано с изменениями в распределении растительного покрова. Текстурные показатели являются дополнительным информационным ресурсом при обработке цифровых снимков из космоса в лесохозяйственных целях.
Мультиспектральная классификация изображений основывается на поиске пикселей аналогичных эталону по его спектральным характеристикам. Это позволяет создавать лесные тематические электронные карты. Процедура классификации изображений заключается в поиске аналогичных пикселей изображения и группировке их в классы или категории, основанные на значениях яркостей. Классификация изображений разделяется на автономную и классификацию с обучением.
Точность мультиспектральной классификации лимитируется геометрическим разрешением данных дистанционного зондирования. При этом основной проблемой является проблема смешанных пикселей. Эта проблема имеет большое значение и часто возникает на границе между 2 различными классами. Например, такая ситуация возможна на границе леса и сельскохозяйственных земель. Если использовать космоснимки с разрешением 15 м, то точно провести эту границу не возможно. Подобные проблемы разделения смешанных пикселей можно решить при использовании технологии субпиксельной классификации мультиспектральных изображений.
Технология субпиксельной классификации была опробована при классификации изображений, получаемых с радиометра ASTER модулем ERDAS Imagine Subpixel Classifier. Разрешение снимков ASTER 15 м, поэтому возможно получение тематических планово-картографических материалов масштаба 1:25000, что соответствует требованиям при проведении лесоустройства по III разряду.
Субпиксельная классификация основана на моделировании спектральных характеристик объектов, которые в очень небольшом количестве можно обнаружить на снимке. Небольшое количество этого материала может быть смешано в различных пропорциях с другими материалами на мультиспектральных изображениях. Процедура субпиксельной классификации требует предварительного задания максимально возможных растительных и нерастительных классов, которые могут быть обнаружены на снимке. При этом исходными данными могут послужить как материалы полевых наблюдений, так и спектры материалов, полученные при спектрометрировании. Эти значения используются для реконструкции значений пикселей по линейным и нелинейным моделям. При этом обязательным требованием является, чтобы анализируемое изображение состояло как минимум из 3 изображений сделанных в разных зонах электромагнитного спектра. В результате классификации, возможно, разделить пиксели, содержащие как минимум 20% материалов интереса. Классификатор так же моделирует варианты различной доли содержания вещества в пикселе. Применяя различные технологии мультиспектральной и субпиксельной классификации изображений возможно получение данных с более высоким пространственным разрешением, чем исходные изображения. Большие потенциальные возможности имеет сочетание аэроснимков на небольшую территорию с космоснимками на большую территорию. При этом площадь, покрываемая, аэросъемкой может использоваться как база для автоматической генерации эталонов.
Результатом анализа данных дистанционного зондирования являются растровые тематические карты. Информация о насаждениях, содержащаяся в геоинформационных системах в виде повыдельных электронных карт, совмещаемых с таксационными базами данных, может быть использована для создания новой информации и обновления, электронных повыдельных карт на основе сравнения результатов обработки изображений с данными лесоустройства. Технология ведения непрерывного лесоустройства может быть основана на использовании экспертных систем анализа изображений, формирующих в автоматическом режиме предложения для внесения изменений в электронные лесоустроительные материалы, последующем осуществлении проверки обнаруженных изменений и их внесение в повыдельные электронные карты. При этом в результате обновления планово-картографических материалов, возможно автоматическое изменение таксационной базы данных.
Точность результатов анализа изображений может быть повышена путем интеграции различных типов данных о территории (рельеф, уклон, аспект, тип почв, информация прошлого лесоустройства, климатические показатели) и использование различных технологий классификации изображений.
Обработка изображений человеком в лесохозяйственных целях это мощный инструмент, особенно в сочетании с автоматизированными технологиями их анализа. Автоматическая интерпретация изображений более оперативна и более объективна, чем интерпретация изображений человеком, это позволяет при дешифрировании находить утерянные детали различной информации. Обнаружение изменений на основе автоматического сравнения электронных материалов лесоустройства и результатов анализа, данных дистанционного зондирования — это новый подход в управлении лесным хозяйством.
Таким образом, комплексное использование данных дистанционного зондирования и новых технологий их обработки с привлечением натурных исследований позволит более рационально использовать природные ресурсы и значительно сократить затраты на обновление информации о лесном фонде, потребности в которой возрастают.
| Предыдущая |
