Главная Коллекция "Otherreferats" Сельское, лесное хозяйство и землепользование Послепожарный анализ данных дистанционного зондирования на территории Эвенкийского автономного округа

Послепожарный анализ данных дистанционного зондирования на территории Эвенкийского автономного округа

Дистанционное зондирование лесов после пожаров на территории Эвенкийского Автономного Округа. Отражательные свойства природных объектов. Электромагнитное излучение, его взаимодействие с атмосферой. Классификация гарей методом максимального правдоподобия.

Рубрика Сельское, лесное хозяйство и землепользование
Вид дипломная работа
Язык русский
Дата добавления 10.05.2011
Размер файла 4,7 M

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Страница:

Размещено на http://www.allbest.ru/

34

Дипломная работа

Послепожарный анализ данных дистанционного зондирования на территории Эвенкийского автономного округа

Оглавление

  • Введение
  • 1. Отражательные свойства природных объектов
  • 1.1 Электромагнитное излучение
  • 1.2 Теория излучения абсолютно черного тела
  • 1.3 Взаимодействие электромагнитного излучения с атмосферой
  • 1.4 Спектральная отражательная способность
  • 1.4.1 Нормализованный дифференциальный вегетационный индекс
  • 2. Постановка задачи исследования
  • 3. Методика исследования
  • 3.1 Первичная обработка изображений
  • 3.2 Оконтуривание или идентификация гарей
  • 3.3 Классификация гарей методом максимального правдоподобия
  • 4. Экспериментальные результаты и обсуждение
  • Список используемой литературы
  • Приложение

Введение

Во многих литературных источниках даются различные определения дистанционного зондирования Земли (ДЗЗ), но если обобщить, то получим, что дистанционное зондирование Земли из космоса - это сбор информации об изучаемом объекте на удаленном расстоянии. В основе методов ДЗ лежит получение и обработка результатов измерения электромагнитного излучения. В рамках диссертационной работы, мы будем говорить о методах ДЗ при использовании съемочной аппаратуры, установленной на космических аппаратах, которая имеет более широкий спектр приема электромагнитного излучения - сканер.

На сегодняшний день средства и методы ДЗЗ принимают широкий спектр задач в жизнедеятельности человека. Их использование, в зависимости от поставленной задачи, сокращает денежные расходы не только региональной или краевой экономики, но и всей страны, при этом увеличивая оперативность и быстроту принимаемых действий.

Еще в XVIII веке с изобретением фотографии методы дистанционного зондирования нашли свое применение в военной разведке, при установке соответствующих камер на борту самолета, военными фотографировались территории противника, для изучения расположения военных объектов и других целей. Широкое развитие аэрофотоснимков нашло свое применение в годы Великой Отечественной Войны. Постепенно, методы изучения Земли из космоса начали использовать и в мирных целях, для начала при составлении топографических карт и на сегодня, для изучения окружающей среды, природных ресурсов, опасных природных явлений и т.д.

В дипломной работе рассмотрена и предложена методика изучения лесов, нарушенных пожарами на территории Эвенкийского Автономного Округа (ЭАО). Исследуемая территория выбрана не случайно, поскольку представляет огромный интерес для правительства края из-за наличия огромного количества полезных ископаемых, а для исследователей и ученых для изучения, и их дальнейшего приумножения.

Лесной фонд, по данным официального сайта "Эвенкия", составляет 70% от всей территории, из них преобладающее лидерство имеет лиственничные леса, далее сосна, ель, кедр, и мягколиственные. Сохранность лесного массива играют огромную роль в экологической обстановке страны, поскольку, леса являются составной частью баланса природного цикла. Целесообразное его использование в целях края, говоря о несанкционированных вырубках леса, также затрагивает части экологического мониторинга, но больше социально-экономического развития края.

Как уже говорилось выше, в основе ДЗ лежит интерпретация данных электромагнитного излучения, поэтому в рамках этой главы, мы будем говорить о его физических свойствах и основных характеристиках.

Актуальность темы. 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.

В современных условиях, используя спутниковую информацию, можно оценить последствия послепожарной 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. А также можно проследить динамику восстановления поврежденного лесного покрова.

Цель и задачи исследования. В связи с уникальной природой Эвенкийского автономного округа и богатством лесными ресурсами, полезными ископаемыми, необходимо оперативно контролировать воздействие лесных пожаров и несанкционированных вырубок. Для чего необходимо своевременно детектировать пожары, идентифицировать их на космических снимках и проводить обработку для качественного и количественного анализа. В данной работе необходимо исследовать и провести анализ послепожарного состояния лесного покрова Эвенкийского автономного округа.

Методика исследования заключалась в выполнении этапов исследования, таких как визуальный отбор безоблачных снимков, обработка изображений и формирование векторного слоя пройденных огнем участков земной поверхности (пожарищ), количественный расчет поврежденной территории. Далее производится расчет значений нормализованного вегетационного индекса растительности (NDVI) и классификация поврежденных участков методом максимального правдоподобия на основе экспериментально полученных значений. На следующем этапе происходит построение спектральных сигнатур, характерных для различных степеней нарушенности пожарищ.

На заключительном этапе работы необходимо построить спектральные сигнатуры, которые характеризуют различные классы нарушенности пожарами растительности. Проанализировать полученные результаты и сделать вывод.

1. Отражательные свойства природных объектов

Дистанционное зондирование (ДЗ) - сбор информации, об изучаемом объекте находясь на удаленном расстоянии с ним. В основе ДЗ лежит получение и обработка результатов измерения электромагнитного излучения (электромагнитной энергии). Главным источником электромагнитного излучения является Солнце. Спектр солнечного излучения включает в себя все длины волн (рис.1). Системы дистанционного зондирования по характеристическим особенностям можно разделить на два вида, первые, регистрирующие отраженный поверхностью поток солнечной энергии называют пассивными, и вторые - активные системы ДЗ, самостоятельно генерируют собственное излучение, а потом регистрируют его отраженный участок.

В этой главе приведен теоретический обзор физических свойств дистанционного зондирования и рассмотрены взаимодействие электромагнитного излучения с объектами Земли и атмосферой. Объясняется что такое отражательная способность, рассмотрена теория излучения абсолютно черного тела и приведены примеры отражательной способности для различных природных объектов.

1.1 Электромагнитное излучение

Электромагнитное излучение характеризуется двумя основными параметрами, которые в любой точке пространства имеют определенную величину и направление: вектором напряженности электрического (Е) и магнитного (Н) полей. На рис.1 представлена волновая модель электромагнитного излучения с взаимно перпендикулярными вектором напряженности электрического поля (ось y) и вектором магнитной индукции (ось z), распространяющейся в направлении оси x, а скорость их распространения равна скорости света - с, (с ? 3х108 м/с). Электрическое и магнитное поле связаны друг с другом, поэтому двойственность физических свойств этих параметров и определяет излучение как электромагнитное.

Рис.1. Волновая модель электромагнитного излучения (Чандра А.М., Гош С.К. Дистанционное зондирование и географические информационные системы)

Одной из главных характеристик электромагнитного излучения является длина волны, единицы, измерения которой в системе СИ - метр (м), чаще измеряют в долях метра: микрометры (10-6), нанометры (10-9). Длина волны (л) - расстояние между двумя соседними волновыми гребнями. Еще одним из немаловажных параметров электромагнитного излучения является круговая частота (н), которая является характеристикой периодичности процесса и определяется числом волновых колебаний за единицу времени. В системе СИ единица измерения частоты - герц (Гц). Длина волны обратно пропорциональна круговой частоте и наоборот:

, (1)

где с - скорость света, м/с.

Теоретически распространение электромагнитного излучения в виде волн показал Максвелл, выведя систему уравнений, которые описывают взаимное превращение электрического и магнитного полей. Дифференциальная форма системы уравнений Максвелла с материальными уравнениями имеет следующий вид:

. (2)

Применим систему уравнений Максвелла (2) для свободного пространства, тогда:

, (2)

, (3)

где е0 и м0 - электрическая и магнитная постоянные в свободном пространстве.

Направление оси х перпендикулярно векторам напряженности (Е) электрического и магнитного поля (Н), тогда при решении системы уравнений (2), применяя операцию rot для каждого уравнения данной системы, где - оператор Гамильтониана, получим систему дифференциальных уравнений с частыми производными 2-го порядка:

дистанционное зондирование лес пожар

(4)

Волновое уравнение в общем случае имеет следующий вид:

, (5)

где х - фазовая скорость, а - оператор Лапласа.

Поэтому систему уравнений (4) можно записать в следующем виде:

. (6)

Система уравнений (4) удовлетворяет волновому типу уравнений (5) и показывает возможность существования электромагнитного поля в виде электромагнитных волн.

Из дифференциальных уравнений для магнитной и электрической составляющих (4) можно найти фазовую скорость электромагнитной волны:

, (7)

где е и м - диэлектрическая и магнитная проницаемости среды. Уравнение (7) является важным выводом уравнений Максвелла, которое говорит о конечной скорости распространения электромагнитных волн в веществе, откуда следует:

, (8)

где с - скорость распространения электромагнитной волны (скорость света в вакууме), тогда:

(9)

Скорость распространения волны в вакууме равна скорости света, т.к. е=1 и м=1, следовательно, при ем>1 скорость распространения волны веществе меньше скорости распространения волны в вакууме.

Из уравнения (9) можно получить выражение для абсолютного показателя среды, зная что , тогда:

. (10)

Волновая модель хорошо описывает свойства электромагнитного излучения, но, например, для определения энергии фотона, при заданной длине волны используют корпускулярную теорию. Выразив из формулы (1) частоту можно найти энергию:

(11)

где h = - постоянная Планка.

Также из теории Максвелла следует, что электромагнитные волны поперечны, т.е. и лежат в плоскости перпендикулярной направлению распространения волны.

1.2 Теория излучения абсолютно черного тела

В технологии дистанционного зондирования в основном используется видимый (В), инфракрасный (ИК) и микроволновый участок электромагнитного спектра. В диссертационной работе при обработке данных дистанционного зондирования использовался видимый и инфракрасный диапазон электромагнитных волн. Полная схема электромагнитного спектра представлена на рис.2.

Рис.2. Диапазоны электромагнитного спектра (Чандра А.М., Гош С.К. Дистанционное зондирование и географические информационные системы)

Одним из признаков классификации систем дистанционного зондирования является разделение их на пассивные датчики (источником излучения служит - Солнце) и активные (регистрирующие собственное излучение, например радиолокатор).

Любое тело, температура которого выше нуля (0 К) является источником электромагнитного излучения (например, таким источником является Солнце и Земля), которое, как правило, используют пассивные системы. Тело, которое способно поглощать все падающее на него электромагнитное излучение, а затем его испускать называют абсолютно черным телом. У такого тела излучательная и отражательная способности равны единице. Количество излучаемой объектом энергии зависит от его абсолютной температуры и излучательной способности.

Рис.3. Интенсивность излучения абсолютно черного тела

Для описания модели абсолютно черного тела Планк использовал сферу с очень маленьким отверстием.

В это отверстие попадает часть излучения, и оно же оттуда не выходит, т.к. площадь отверстия мала по сравнению с размерами сферы.

Электромагнитное излучение, попавшее в сферу, двигается в ней, отражаясь от внутренних стенок, до тех пор, пока полностью не поглотится. Поэтому само отверстие и есть абсолютно черное тело - идеальный поглотитель. Планк применил свой закон к полю теплового излучения.

Математически закон Планка выражается следующим уравнением:

, (12)

где М (л, Т) - спектральный радиационный выход энергии, , , - вторая константа излучения, л - длина волны, мкм, Т - абсолютная температура, К.

Иначе этот закон можно записать в частотной форме:

(13)

где н - частота излучения, Гц; с - скорость света, м/с.

Проинтегрировав уравнение (12) по длине волны получим:

(14)

где у = 5,669310-8 Вт/м2К4 - постоянная излучения Стефана - Больцмана. Йозеф Стефан на экспериментальных данных пришел к заключению, что интегральная светимость абсолютно черного тела пропорциональна четвертой степени абсолютной температуры Т, позднее Л. Больцман теоретически получил эту зависимость из термодинамических соображений и этот закон получил название закон Стефана - Больцмана.

На рис.3. показана интенсивность излучения абсолютно черного тела при различных температурах. На графике заметно, что при увеличении абсолютной температуры пик кривой смещается в сторону коротких волн, а площадь под чертой заметно увеличивается, причем произведение температуры Т на длину волны лm соответствующей max, остается постоянным:

лmТ=b или . (15)

Уравнение (15) является законом смещения Вина, который был открыт до появления закона Планка, а, b = 2,89810-3 мК - постоянная Вина.

1.3 Взаимодействие электромагнитного излучения с атмосферой

Вышеописанные законы применимы лишь в том случае, если идеальным излучаем, является абсолютно черное тело. Спектр солнечного излучения, при температуре Т=5785 К имеет максимум излучения, который приходится на лm=0,5 мкм, а за пределами атмосферы имеет гладкую форму, поэтому он напоминает спектр, излучаемый абсолютно черным телом при Т=6000 К (см. Рис.4).

Рис.4. Спектр солнечного излучения (Чандра)

График зависимости плотности потока энергии от длины волны (см. Рис.4) показывает влияние атмосферы (поглощение, рассеяние) при прохождении солнечного излучении через ее слои к поверхности Земли. Кроме того, часть солнечного излучения поглощается и отражается самой Землей и называется собственным излучением Земли. Солнечное излучение земной поверхности относится к инфракрасному - и радиодиапазону. Также отражение излучения земной поверхностью лежит в ультрафиолетовой (УФ) и ближней инфракрасной (БИК) области электромагнитного спектра.

Влияние атмосферы сильно искажает данные дистанционного зондирования, что нужно также учитывать. Содержащиеся в атмосфере газы (напр., СО2, N2) и водяной пар (H2O) сильно поглощают электромагнитное излучение, поэтому существуют так называемые окна прозрачности, в которых и проводится съемка поверхности Земли. На рисунке 5 пики графика показывают окна прозрачности или области спектра, где излучение с наименьшими относительными потерями проходит через атмосферу, падая или отражаясь от земной поверхности.

Рис.5. График пропускания электромагнитного излучения атмосферой

На рисунке 5 хорошо видно, что в видимой и ближней ИК области спектра атмосфера прозрачна, в сравнение с ИК областью спектра, где поглощение составляет большую часть, а для радиодиапазона атмосфера совсем прозрачна.

При отражении или преломлении электромагнитного излучения находящимися в атмосфере частицами молекул газов, происходит изменение его направления, т.е. рассеяние, которое зависит от длины волны. Выделяют три основных типа рассеивания: рассеяние Рэлея, рассеяние Ми, неселективное рассеяние.

В соответствии с законом Рэлея, коэффициент объемного рассеяния обратно пропорционален четвертой степени длины волны:

, (16)

где N - число частиц в 1 см3, V - объем рассеивающих частиц, л - длина волны излучения, n - показатель преломления частиц, n0 - показатель преломления среды.

Согласно формуле (16) можно сделать вывод, что излучение в коротких волнах рассеивается интенсивнее, поэтому небо кажется голубым.

Рассеяние Ми происходит лишь в тех случаях, когда длина волны излучения сравнима с размерами частиц. Поэтому чаще всего такое рассеяние встречается на крупных частицах молекул аэрозолей и пыли.

Согласно закону Ми коэффициент рассеяния в общем случае определяется как:

, (17)

где N (a) - число частиц в интервале a - (a+da), K (a,n) - коэффициент рассеяния (поперечное сечение), a - радиус сферических частиц, n - показатель преломления частиц.

Неселективное рассеяние не зависит от длины волны и обусловлено наличием частиц, размеры которых намного больше длины волны излучения. Такой тип рассеяния встречается в сильно запыленной атмосфере или при наличии облачности.

1.4 Спектральная отражательная способность

Установленная на спутнике аппаратура в видимом и ближнем инфракрасном (БИК) диапазоне регистрирует отраженную поверхностью Земли солнечную энергию. По данным отражательной способности на космических изображениях можно идентифицировать природные объекты, которые по-разному отражают излучение в различных областях электромагнитного спектра и отличаются по цвету. Величина отражательной способности зависит от свойств отражающей поверхности, рельефа, угла падения и т.д. Характеристикой отражательной способности являются коэффициенты интегральной и спектральной яркости, которые выражают в %. Коэффициент интегральной яркости k0 это отношение количества (плотности потока) отраженной и рассеянной вверх радиации I к плотности потока падающей прямой радиации Солнца I0:

.

При решении исследовательских задач и распознавании природных объектов на многозональном снимке, с помощью коэффициента интегральной яркости можно определить только небольшое их число: черных и белых, к тому же большинство из них имеют различия в спектральной отражательной способности. Поэтому чаще всего используют коэффициент спектральной яркости kл, который определяется как:

. (18)

Как известно, многозональный снимок включает несколько цифровых цветных (растровых) изображений, которые получены в различных диапазонах электромагнитного спектра. Составляющие цифровое изображение элементы или пиксели имеют свое значение спектральной яркости. Спектральная яркость пикселов и определяет отражательную способность природных объектов на многозональном снимке в том или ином диапазоне электромагнитного излучения. Поэтому при обработке цифровых растровых изображений, определения отражательной способности и спектральной яркости равнозначны.

Так, например, отражательная способность сухого песка, которая зависит от его влагосодержания в красной области спектра до 37 %, а величина kл для зеленой здоровой растительности составляет около 5 % в видимой части спектра и от 40 до 50% в БИК области. Отражательная способность для белого снега имеет в видимом диапазоне высокое kл до 98 %, а в ИК-диапазоне меньше, так для воды kл имеет низкое значение в видимой области от 4 до 6 % и соответственно еще меньше в ИК области, но при большом угле падения и зеркальном отражении возрастает.

Отражательная способность облаков, зависит от толщины слоя, чем он больше, тем выше значение kл. Так, например, слой слоистых облаков толщиной в 300 м имеет kл = 59 63 %.

В сравнение с другими природными объектами, отражательные свойства растительного покрова представляют наибольший интерес. Спектральные свойства зеленой листвы определяются наличием пигментацией, т.е. содержанием в ней хлорофилла. Также необходимо принимать во внимание, что листья растений отражают, пропускают и поглощают падающее на него излучение. Ниже на рисунке 6 приведена кривая спектральной отражательной способности растительности, т.е. график зависимости спектральной отражательной способности от длины волны.

Рис.6. Основные характеристики отражательных свойств растительности

В видимом диапазоне электромагнитного спектра, в частности в синей и красной областях, присутствуют полосы поглощения это обусловлено тем, что хлорофилл, содержащийся в зеленой листве, сильно поглощает энергию, приходящуюся на длины волн: 1 = 0,45 и 2 = 0,65 мкм. В зеленой области спектра лежит максимум отражательной способности растительности при длине волны 0,54 мкм. Поэтому здоровая листва воспринимается глазом как зеленая. В ближней ИК области зеленый лист поглощает мало энергии (~5 % при > 0,75 мкм), поэтому здесь наблюдается максимум отражательной способности (45-50 %), остальные 45-50 % энергии проходит сквозь лист. Отражательная способность нескольких слоев листьев буде выше до 85 %. В средней ИК области наблюдаются полосы поглощения энергии водой, т.к. зеленая листва содержит большое количество влаги. Если растение находится в состоянии стресса, уменьшается образование хлорофилла, тогда в полосах 1 и 2 происходит уменьшение поглощения энергии, а отражательная способность повышается, особенно в красной области электромагнитного спектра. Поэтому растение кажется желтоватым.

1.4.1 Нормализованный дифференциальный вегетационный индекс

Сравнивая между собой спектральные яркости f1 и f2 изображения растительности в красном и ближнем ИК участках спектра, можно судить о ее состоянии на территории исследования. Для этого используют так называемый нормализованный дифференциальный вегетационный индекс.

Normalized Difference Vegetation Index (NDVI) - нормализованный дифференциальный индекс растительности - количественный показатель растительного покрова вычисляется по следующей формуле:

, (19)

где f1 и f2 - спектральные яркости в видимом и ближнем ИК диапазоне спектра.

2. Постановка задачи исследования

На сегодняшний день спутниковая съемка или данные дистанционного зондирования (ДДЗ) являются самыми информативными источниками для решения рядя, как научных, так и прикладных задач. При обработке таких данных необходимо учитывать различные внешние параметры, такие как выбор места исследования, характеристики той или иной съемочной системы, а также набор снимков, покрывающих всю территорию исследования. Последнее условие не всегда выполнимо, например, для данных высокого и сверхвысокого разрешения из-за большой стоимости.

Одной из главных задач ДДЗ является мониторинг состояния растительного покрова лесного фонда РФ. А одной из причин их угнетения являются многочисленные лесные пожары, которые наносят огромный ущерб. Поэтому необходимо создавать методики исследования, с помощью которых можно оперативно оценивать и анализировать сложившуюся на территории ситуацию.

Леса Сибири занимают большие площади, особенно это относится к Эвенкийскому автономному округу (ЭАО), который простирается в зоне вечной мерзлоты. Видовой состав лесного массива Эвенкии уникален и разнообразен и требует тщательного и оперативного контроля.

Целью дипломной работы является послепожарный анализ данных дистанционного зондирования на территории ЭАО в районе реки Подкаменная Тунгуска, где по данным съемочной системы NOAA/AVHRR в 1996 и 2006 гг. зафиксировано массовое возникновение пожаров.

Выбор данной территории не случаен, поскольку анализ состояния растительного покрова после пожаров позволит пронаблюдать динамику восстановительного процесса на мерзлотных почвах и провести количественную оценку. Поэтому, для достижения поставленной цели необходимо решить следующие задачи:

· Определить суммарную нарушенность лесов Эвенкии за десятилетний период с учетом послепожарного восстановления лесов.

3. Методика исследования

В данной главе представлена методика обработки данных дистанционного зондирования на территории ЭАО.

Эвенкийский автономный округ, образованный 10 декабря 1930 года, занимает площадь 767,6 тыс. км2., составляющую 4,5% территории РФ и 32,8% территории Красноярского края [24].

Более 80% территории занимает лиственничная тайга. На водоразделе Ангары и Подкаменной Тунгуски преобладают сосновые и кедровые леса; между Нижней и Подкаменньми Тунгусками распространены светлохвойные леса из лиственницы и сосны. Севернее Нижней Тунгуски лиственничная тайга переходит в редколесье и лесотундру. Лесистость территории Эвенкии - более 70%. Лесной фонд занимает территорию 73168,6 тыс. га, расчетная лесосека, составляет около 8 млн. м3. Общий запас древесины - 3657 млн. м3, доля гарей от общей площади лесов - 0,077%, доля вырубок от общей площади лесов - 003%.

Краткая характеристика лесного фонда Эвенкийского муниципального района по запасам леса. По данным официального сайта Эвенкийского АО общий запас древесины составляет 3833,6 (млн. кбм), из них:

· лиственница - 2423,2

· Ель, пихта, кедр, сосна - 710,0

· мягколиственные - 113,4

Экспериментально подтверждено данное соотношение, результат распределения растительности представлен на рисунке 7.

Рис.7. Распределение растительности на исследуемой территории

На территории округа широкое развитие имеют вечномерзлые породы, что обусловлено суровыми климатическими условиями. Мощность криогенной толщи составляет 100 - 200м.

Основной формой отрицательного антропогенного воздействия на лесные ресурсы Эвенкийского автономного округа являются лесные пожары. Ежегодно сгорает от 1,5 тыс. га до 700 тыс. га.

Для автоматизации процесса обработки космической съемки с пораженными участками растительного покрова разработана методика исследования, которая разбита на несколько этапов. Блок-схема обработки представлена в приложение 1.

3.1 Первичная обработка изображений

Для исследования послепожарного состояния растительности были выбраны изображения со спутника Landsat TM в период с 1996 года по 2006 год. Спутник Landsat TM является одним из наиболее совершенных и перспективных приборов для дистанционного зондирования. Он имеет гелиосинхронную орбиту высотой 705км, с солнечно-синхронным наклонением 98,2, и периодом обращения 98 мин. Над одной и той же точкой поверхности пролетает один раз в 16 дней, приблизительно в 9 ч 45 мин местного времени, при ширине полосы обзора для всех каналов 185км, полный орбитальный цикл 57 784 сцены.

Установленный на борту мультиспектральный сканирующий радиометр с цилиндрической разверткой Enhanced Thematic Mapper Plus имеет разрешение 30м во всех спектральных каналах, кроме шестого, где оно равно 60м. Панхроматический канал, перекрывающий часть видимого и инфракрасного диапазона, обеспечивает разрешение 15м. Формирование изображения осуществляется с помощью вращающегося зеркала, диаметром 53см с частотой 7Гц. Выходной сигнал каждого канала квантуется на 256 уровней. Характеристики каналов спутника Landsat TM представлены в таблице 1.

Таблица 1

Спектральные характеристики каналов Landsat TM

Канал

Длина волны, мкм

Пространственное разрешение, м

1

0.45 - 0.515

30

2

0.525 - 0.605

30

3

0.63 - 0.690

30

4

0.75 - 0.90

30

5

1.55 - 1.75

30

6

10.40 - 12.5

60

7

2.09 - 2.35

30

8

0.52 - 0.90 (панхром.)

15

Пространственное разрешение аппаратуры спутника и удачный подбор спектральных каналов позволяют осуществлять: выделение и идентификацию различных пород деревьев; картографирование засушливых и поврежденных участков леса; обнаружение опасных природных явлений; определение степени риска возникновения лесных пожаров и раннее обнаружение лесных пожаров; определение зон для проведения профилактических мероприятий по предотвращению лесных пожаров; анализ ущерба нанесенного сельскохозяйственным районам, в результате пожаров, и окружающей среде, в результате вырубки леса, и другие задачи.

В работе для исследования была выбрана территория Эвенкии. Космические снимки, полученные со спутника, были импортированы в программный пакет ERDAS IMAGINE 8.7 Проведена процедура геометрической коррекции снимков. Далее шейп-файлы снимков были импортированы в ГИС-проект. В результате была составлена карта Эвенкийского АО в программном пакете Arc Map (рис.8).

Рис.8. Территория ЭАО, представлена в программном пакете Arc Map

3.2 Оконтуривание или идентификация гарей

Для создания векторного слоя (контуров гарей) 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. 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. Возможны реализации алгоритма, предусматривающие формирование областей как сращиванием отдельных пикселов, так и сращиванием небольших областей. [25]

Общая схема проверки области на однородность состоит в следующем.

Пусть F (R) заданная мера однородности области R. Если R12 = R1?R2, то критерий однородности можно задать, потребовав, чтобы выполнялось условие F (R12) ? е, е заданный порог.

Различные алгоритмы сегментации прежде всего классифицируются по виду меры F (R). При обработке многоспектральных данных дистанционного зондирования в качестве F (R) выбирают расстояние между пикселами в пространстве яркостей в спектральных каналах по метрике Евклида:

F (R) = [A1 (f1ij f1km) 2 + A2 (f2ij f2km) 2 + A3 (f3ij f3km) 2 + …] 1/2, (4)

здесь f1ij яркость (i,j) - го пиксела в первом канале, f2ij яркость во втором канале и т.д.; Аk весовые коэффициенты, учитывающие зависимость яркостей объектов в каналах; ниже в примере Аk = 1 для всех k.

В более сложных вариантах метода сегментации путем наращивания областей могут быть использованы скалярные характеристики текстурной матрицы. В некоторых случаях одним из показателей однородности может служить, к примеру, след текстурной матрицы.

Таким образом, при сегментации путем наращивания областей учитывается структура области, её связность. Это бывает важно при обработке данных дистанционного зондирования, нередко этот метод дает лучшие результаты, чем другие методы, не учитывающие связность и рассчитанные на индивидуальное отнесение каждого пиксела к тому или иному классу. По сравнению с другими методами наращивание областей обеспечивает самое высокое качество распознавания. [26]

3.3 Классификация гарей методом максимального правдоподобия

Контроль состояния растительности и построение динамики ее восстановления является качественной характеристикой. Распознавание по методу максимального правдоподобия (МП) учитывает достаточно большой объем статистических данных и успешно справляется со сложными задачами. [27]

Пусть имеется спутниковое сканерное изображение земной поверхности, полученное в n спектральных каналах, которое представляет собой совокупность пикселов, яркость (i, j) - го пиксела описывается вектором fij с n компонентами - значениями яркости в каждом канале. Требуется отнести этот пиксел к одному из K 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 fij,, для каждого пиксела в каждом классе k формируются 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. [28]

Метод максимального правдоподобия достаточно полно выделяет пикселы, относящиеся к разновозрастным пожарищам, но вместе с ними относит к этим классам края облаков, берега рек и т.п. В использованном варианте метода не учитывалась связность объектов и производилось индивидуальное отнесение каждого пиксела к тому или иному классу. [29]

Применение метода классификации по максимумам трехмерных гистограмм позволило выделить все крупные пожарища, причем разновозрастные пожарища были объединены в один класс. Этот метод не относится к числу быстрых, так как на построение многомерной гистограммы требуется значительное время, сравнимое с временем обработки по методу максимального правдоподобия. Метод минимальных расстояний легко выделяет свежие, но пропускает некоторые старые пожарища, не относя к этим классам другие объекты. По скорости обработки это самый быстрый алгоритм.

4. Экспериментальные результаты и обсуждение

В данной работе произведен анализ послепожарного состояния лесного массива на территории ЭАО. Причиной выбора данной территории стали многочисленные лесные пожары, приносящие огромный экономический ущерб, как для округа, так и для всей РФ в целом. В ряде районов Эвенкии имеются условия для естественного самовозгорания растительности. Ежегодно наблюдается возникновение крупных лесных пожаров, имеющих неуправляемый характер. [29]

Проведена обработка снимка за период с 1996 года по 2006 год. Площадь пожаров за 1996г. по данным снимка спутника Landsat TM составила 48724,4га, по данным снимка со спутника NOAA 59472,7га. Площадь пожаров за 2006 год по данным снимка спутника Landsat TM составила 72786,2га, по данным снимка со спутника NOAA 84729,8га.

Экспериментальная часть работы проводилась по снимкам спутника Landsat TM, так как изображения, полученные со спутника LANDSAT TM, имеют высокое пространственное разрешение (15 м) по сравнению с данными полученными со спутника NOAA/AVHRR. В связи с этим дается детальное определение нарушенной пожарами территории. И определяет не поврежденные участки лесного покрытия в пределах пораженной пожарами области. В то время как данные со спутника NOAA/AVHRR дают возможность исследования термически активных точек, используя тепловой диапазон электромагнитных волн, но дает погрешности. Во многих работах показано, что NOAA/AVHRR завышает результаты площади поврежденной пожарами в сравнении с данными, полученными со спутников LANDSAT/ETM+. Данные исследования проводились Слинкиной О. А.

Экспериментальная работа состояла из нескольких этапов:

1. Этап. На первоначальном этапе работы была произведена геометрическая коррекция спутниковых изображений. Для дальнейшей работы со снимками определены каналы спутника Landsat TM на основе спектральных характеристик природных объектов. На снимке за 2006 год были выделены классы, относящиеся к разным видам поврежденной пожарами растительности и построен график зависимости спектральной отражательной способности от канала спутника Landsat TM с соответствующей им длиной волны.

Как видно из рисунка кривая класса №1, соответствует теоретической кривой для здоровой растительности, то же самое можно сказать и о кривой №2, которая отличается только площадью между этими кривыми, но имеет тот же вид. Остальные представленные на рисунке классы имеют существенное отличие, их максимумы сдвинулись в пятый канал. Таким образом для исследования растительности и поврежденного пожарами растительного покрова (гари) были выбраны 3, 4 и 5 каналы спектрорадиометра спутника Landsat TM.

2. Этап. На данном этапе работы была произведена векторизация гарей с использованием метода сегментации путем наращивания областей. 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). При этом объект и фон разделены, легко определить число объектов, характеристики их местоположения (координаты, поворот выделенной оси объекта относительно координатных осей и т.п.), геометрические характеристики (например, площадь каждого объекта, периметр, средний, минимальный, максимальный размеры) и, наконец, идентифицировать объект указать, что это такое.

Схема алгоритма метода сегментации путем наращивания областей предусматривает выбор стартового пикселя и рассмотрение смежных с ним пикселей для проверки близости их значений, например, по евклидову расстоянию. Если значения яркости текущего и какого-либо смежного пикселей оказываются близкими, то эти пиксели зачисляются в одну область. Таким образом, область формируется в результате сращивания отдельных пикселей. 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. Возможны реализации алгоритма, предусматривающие формирование областей, как сращиванием отдельных пикселей, так и сращиванием небольших областей.

В результате получены векторные слои исследуемой территории за все года исследования (рис.9).

Рис.9. Схема векторизации, снимок Landsat TM, 06г.

а) Снимок Landsat TM, 06г.;

b) Векторное покрытие гарей;

с) Вырезанные по векторному слою гари.

В результате выполнения векторизации были определены площади гарей за 1996 и 2000 годы. Площадь пожаров за 1996г. по данным снимка спутника Landsat TM составила 48724,4га, по данным снимка со спутника NOAA 59472,7га. Площадь пожаров за 2006 год по данным снимка спутника Landsat TM составила 72786,2га, по данным снимка со спутника NOAA 84729,8га.

Видно, что площадь гарей по снимкам NOAA имеет различия с данными рассчитанными по снимкам Landsat TM. Это говорит о тех ошибках спектроразиометра NOAA, которые представлены в работах Трофимовой Н., Лобода.

3. Этап. На следующем этапе был рассчитан нормализованный дифференциальный вегетационный индекс (NDVI). Для анализа состояния расчета растительного покрова на тестовых участках гари была использована модель NDVI, реализованная в программном пакете ERDAS IMAGINE.

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) находится область максимального отражения клеточных структур листа. [32] 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 объекты от прочих природных объектов. Использование же не простого отношения, а нормализованной разности между минимумом и максимумом отражений увеличивает точность измерения, позволяет уменьшить влияние таких явлений как различия в освещенности снимка, облачности, дымки, поглощение радиации атмосферой и пр. [33]

Рис.10. Динамика сезонного изменения NDVI

4. Этап. При анализе была использована контролируемая классификация, которая включает в себя создание эталонных областей.

Сформирована обучающая выборка для основных четырех классов поражения растительности (рис.11). В результате, созданы эталонные области, которые принадлежат к определенному информационному классу состояния растительности.

Рис.11. Пример создания обучающей выборки

В результате классификации выделено 5 классов: 5-ый класс - область, начавшая зарастать семейством кустарниковых; 4, 3-ий класс - участки восстанавливающейся растительности; 2-ой - менее интенсивно поврежденные участки растительности; 1-ый класс - это интенсивно поврежденные участки растительности (рис.12).

Рис.12. Классификация на примере одной гари

Полученные результаты значений вегетационного индекса, классификации методом максимального правдоподобия и анализа спектральной яркости в различных каналах спектрорадиометра ЕТМ+ спутника Landsat позволяют сделать вывод о наличии и возможности выделения внутри контура гари областей, имеющих разные степени поражения.

Получены спектральные кривые, характерные для преобладающих типов подстилающей поверхности, встречающихся в пределах района исследования, для различных степеней поражения на пожарищах. Кривые, характерные для разных степеней поражения контура пожарища показаны на рисунке 13.

Рис.13. Спектральные кривые выделенных классов состояния гарей

Анализ спектральных сигнатур (рис.13) показывает, что в 5 канале все классы нарушенной пожаром растительности имеют максимум спектральной яркости, в то время как в 4 канале спектрорадиометра ETM+ максимум спектральной яркости имеет восстанавливающаяся растительность. Первый и второй класс имеет максимальное значение спектральной яркости в четвертом канале, что соответствует начавшемуся лесовосстановлению.

5. Аналогично были обработаны исследуемые гари за период 1996-1999гг. были получены оценочные значения площадей различных классов поражения внутри пожарищ. Общие значения областей, занимаемых разными классами поражения для всех полученных пожарищ, представлены в таблице 2.

Таблица 2

ОЦЕНКА ПЛОЩАДЕЙ КЛАССОВ ПОРАЖЕНИЯ.

№ класса

поражения

Площадь гарей

за 1996 год

Площадь гарей

за 1997 год

Площадь гарей

за 1998 год

Площадь гарей

за 1999 год

NDVI

1-ый класс

11300, 2

8350,1

4866,8

5419,6

0,6-0,7

2-ой класс

17011,0

5677,4

6720,9

10318,6

0,5-0,6

3-ий класс

5036,2

3286,1

4380,7

6413,6

0,3-0,5

4-ый класс

1574,1

1318,6

756,3

3255,9

0,1-0,3

5-ый класс

968,5

1026,6

1235,3

2435,9

-0,03-0,1

Общая площадь, км2

35890,0

19358,8

17960,0

27843,6

Из таблицы видно, что 1-ый и 2-ой и класс от общей площади повреждения составляет 20-30% и 30-40%, это участки гари на которых начались восстановительные процессы, 3-ий класс поврежденной пожаром растительности составляет 10-20%, открытые почвы занимают всего 5-10%.

По полученным измерениям можно сделать вывод, во-первых, оценка точности классификации, которая составила 0,05%, что говорит о хорошей согласованности данных. Во-вторых, быстрое восстановление на данной территории обусловлено наличием прерывающихся зон вечной мерзлоты и перепадом температур. Термическое состояние вечной мерзлоты очень неустойчиво, поскольку температура часто оказывается близкой к - 1°С или даже выше. Пространственное распределение вечной мерзлоты в сильной степени зависит от таких факторов как типы ландшафта, почв и растительного покрова. Наиболее важным фактором, контролирующим деградацию или развитие вечной мерзлоты, является наличие и толщина поверхностного органического слоя почвы. Если этот слой оказывается удаленным, то происходит возрастание теплопроводности поверхностного слоя почвы. Пожары наиболее сильно влияют на толщину органического слоя почвы. Воздействия пожаров на лесные экосистемы проявляются как влияние на тепловой и водный балансы и вечную мерзлоту через посредство как кратковременных, так и долговременных процессов. Возникновение пожара сразу сопровождается увеличением влажности почвы. Послепожарная ситуация характеризуется значительным перераспределением компонентов теплового баланса подстилающей поверхности. Все это приводит к спаду радиационного баланса, но к усилению поступления тепла в почву. А за счет этого в свою очередь восстановление растительного покрова происходит гораздо быстрее. [34]

Список используемой литературы

1. Чандра, А.М. Дистанционное зондирование и географические информационные системы / А.М. Чандра, С.К. Гош. М.: Техносфера, 2008

2. В.И. Ромасько, В.Б. Кашкин, А.И. Сухинин Послепожарная инвентаризация леса по спутниковым данным // Исследование Земли из космоса. 1998.

3. http://www.evenkya.ru/rus/? id=nedra&sid=sir

4. Лабутина, И.А. Дешифрирование аэрокосмических снимков / И.А. Лабутина. М.: Аспект Пресс, 2004

5. В.Б. Кашкин, А.И. Сухинин Дистанционное зондирование земли из космоса. Цифровая обработка изображений // 2000.

6. Кравцова В.И., Салахетдинова Е.Р. Изучение и картографирование лесов по материалам сканерной съемки из космоса. // Исследование Земли из космоса 2002. №1. с 55-65.

7. Бэр К.М. Материалы к познанию нетающего почвенного льда в Сибири. Якутск: Изд-во Института мерзлотоведения СО РАН, 2000.

8. Автоматизированная обработка изображений природных комплексов Сибири. Под ред.А.Л. Яншина и В.А. Соловьева. Новосибирск: Наука, 1988.

9. Фомин Я.А., Тарловский Г.Р. Статистическая теория распознавания образов. М.: Радио и связь, 1986.

10. Прэтт У. Цифровая обработка изображений: В 2 кн. М.: Мир, 1982.

11. Киенко Ю.П. Введение в космическое природоведение и картографирование. М.: Картгецентр - Геодезиздат, 1994.214 с.

12. Дистанционное зондирование: количественный подход: Пер. с англ. / Под ред.А.С. Алексеева. М.: Недра, 1983.415 с.

13. Шлихт Г.Ю. Цифровая обработка цветных изображений. М.: ЭКОМ, 1997.336 с.

14. Шевырногов А.П., Сидько А.Ф. Спектральная яркость растений как основа диагностики посевов сельскохозяйственных культур // ДАН. 1997. Т.354, №1. с.11-118.

15. http://gis-lab. info/qa/ndvi.html

16. Гарбук С.В., Гершензон В.Е. Космические системы дистанционного зондирования Земли. М.: Сканэкс, 1997.296 с

17. http://www.sovzond.ru/products/landsat.html

18. И. В Савельев. Курс общей физики, том 3, М.: Наука, 1968.

19. www.gsfc. nasa.gov

20. Дмитриев И.Д., Мурахтанов В.И. Лесная аэрофотосъемка и авиация. - М.: Лесная промышленность, 1981 - 344 с.

21. Верещака Т.В., Зверев А.Т. Визуальные методы дешифрирования. - М.: Недра, 1990. - 341 с.

22. Данюлис Е.П., Жирин В.М., Сухих В.И., Эльман Р.И. Дистанционное зондирование в лесном хозяйстве - М.: Агропромиздат, 1989.

23. www.ggd. nsu.ru

24. Robert E. Burgan, Roberta A. Hartford, Jeffery C. Eidenshink. Using NDVI to assess departure from average greenness and its relation to fire business // General Technical Report INT-GTR-333. V 4, 2000.

25. Тихомирова В.А., Черноуцан А.И. Физика и биология. - М.: Бюро Квантум, 2001. - 128 с.

26. Leblon B., Alexander M., Chen J. Monitoring fire danger of northern boreal forests with NOAA-AVHH NDVI images // International Journal of Remote sensing, 2001, V 22, P.2847-2852.

Страница:


Подобные документы

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.

© 2000 — 2023, ООО «Олбест» Все права защищены