Автоматизированный анализ карстовых явлений с помощью платформы Google Earth Engine

Размещено на http://www.allbest.ru/

Автоматизированный анализ карстовых явлений с помощью платформы Google Earth Engine

Тодорова Ася Йорданова, Дракин Михаил Александрович

Аннотация

Своевременное обнаружение вновь образующихся и оперативный мониторинг развивающихся карстовых явлений на поверхности земли имеет важное значение для народного хозяйства. Значительные площади на территории России подвержены опасности карстообразования, делают актуальной проблему эффективного мониторинга карстовых явлений с минимизацией расходов на получение данных и их обработку. В статье дан краткий обзор существующих методов обнаружения карстовых явлений и указаны их недостатки. Авторами предложена технология автоматизированной обработки снимков мультиспектральной космической съемки на примере данных Sentinel-2 с использованием платформы Google Earth Engine. Эта платформа предоставляет доступ к оперативно обновляющейся базе данных космической съемки, представленных в виде ортотрансформированных снимков, и средства для высокопроизводительной обработки этих данных.

Авторами предложен алгоритм автоматизированного выделения областей, в которых в течение периода времени, охваченного спутниковой съемкой, потенциально могут происходить процессы образования или развития карстовых провалов, с использованием нормализованного относительного индекса растительности и инфракрасного канала. Для компенсации облачности, присутствующей на значительной части индивидуальных космических снимков, предлагается использовать композитные снимки, составленные путем расчета медианного значения яркости каждого пиксела ортофотоплана по набору исходных снимков за летний период каждого года. В статье приведены примеры обработки данных с использованием предложенного алгоритма на примере карстовых провалов, образовавшихся в последние годы на территории Нижегородской области и республики Татарстан. На примере этих результатов показано, что алгоритм определяет образовавшиеся провалы, но может также отмечать некоторое количество ложноположительных отметок.

Ключевые слова: карст; дистанционное зондирование; космическая съемка; карстоопасность; Sentinel-2; анализ изменений; Google Earth Engine; карстовый провал.

Abstract

Automatic analysis of karst phenomena with the use of Google Earth Engine platform

Todorova Asya Yordanova, Drakin Mikhail Aleksandrovich

Timely detection of newly formed and prompt monitoring of developing karst phenomena on the earth's surface is important for the national economy. Significant areas in Russia are exposed to the danger of karst formation, rising importance of the task of effective monitoring of karst phenomena while minimizing the costs of obtaining and processing data. The article provides a brief overview of existing methods for detecting karst phenomena and indicates their shortcomings. The authors propose a technology for automated processing of multispectral satellite imagery with the help of the Google Earth Engine platform using Sentinel-2 satellite imagery as the data source. This platform provides access to a promptly updated database of satellite imagery, presented in the form of orthorectified images, and tools for high-performance processing of this data. The authors propose an algorithm for automated identification of areas in which, during the period of time covered by satellite imagery, processes of formation or development of karst sinkholes could potentially occur, using a normalized difference vegetation index and near infrared channel. To compensate for the cloudiness present in a significant part of individual satellite images, it is proposed to use composite images compiled by calculating the median brightness value of each pixel of the orthomosaic based on a set of source images for the summer period of each year. The article provides examples of data processing using the proposed algorithm on the example of karst sinkholes formed in recent years in the Nizhny Novgorod region and the Republic of Tatarstan. These results show that the algorithm detects sinkholes, but can also detect a number of false positives.

Keywords: karst; remote sensing; space imagery; karst hazard; Sentinel-2; change analysis; Google Earth Engine; karst sinkhole

Введение

Карстовые процессы [1] представляют собой важный пример опасного природного явления. Эти процессы происходят в растворимых горных породах, состоящих из карбонатов (преимущественно известняки, доломиты и мел), сульфатов (преимущественно гипс и ангидриты), хлоридов (каменная и калийная соль) и некоторых силикатов, кварцитов и аморфных кремнистых отложений, при условии наличия эффективного подземного дренажа. Районы карста представляют собой хрупкое природное окружение, подверженное природным и антропогенным разрушительным процессам.

Опасные карстовые явления включают в себя быстро происходящие процессы как на поверхности, так и под поверхностью земли (обрушение, просадка грунта, оползни и т. п.) и их последствия (провалы, истощенные водоносные слои, эрозия поверхности земли). Карстовые опасности представляют собой потенциальные угрозы жизни, здоровью и благополучию людей и целостности инфраструктуры, возникающие вследствие особенностей геологического строения и использования карстовых районов. Подземные полости в карстовых массивах маскируют опасность обрушений. С понятием карстовой опасности связаны понятия оценки рисков и митигационных мероприятий [2; 3].

Своевременное обнаружение и отслеживание динамики карстово-суффозионных явлений, в особенности карстовых провалов, имеет большое значение как в народном хозяйстве, как и для жизни и благополучия людей, обитающих в карстоопасных районах. Негативное действие карста на объекты строительства на территории России обусловлено расположением в районах покрытого карста, где карстующиеся растворимые породы перекрыты осадочными несцементированными породами [4]. С карстовыми негативными явлениями тесно связаны суффозионные негативные явления, обусловленные механическим выносом пород подземными водами [5].

В некоторых случаях карстовые и суффозионные процессы соединяются в единый опасный процесс [6] С учетом площади карстоопасных районов России, мониторинг карстовых явлений практически любым способом (аэрофотосъемка, в том числе с использованием беспилотных летательных аппаратов (БПЛА), или же использование космических данных дистанционного зондирования Земли) имеет высокую трудоемкость и, как следствие, стоимость (обзор различных используемых способов приведен далее). В данной работе рассматривается использование для автоматизированного предварительного выявления потенциально опасных явлений облачной платформы Google Earth Engine [7] и бесплатных данных космической съемки Sentinel-2. Copernicus: Sentinel-2 -- The Optical Imaging Mission for Land Services.

Google Earth Engine представляет собой облачную платформу для геопространственного анализа данных в планетарных масштабах (необходимо отметить, что Google Earth Engine, не смотря на схожесть названия, -- продукт, не имеющий отношения к другой известной программе Google Earth / Google Планета Земля). Эта платформа предоставляет доступ к более чем 600 наборам глобальных и локальных данных различной природы (в основном растрового типа), таким как данные оптической и радиолокационной спутниковой съемки, рельеф, карты растительного покрова, плотности населения и т. д.

Для обработки данных поддерживается создание сценариев на языках JavaScript и Python; имеется веб-приложение для выполнения сценариев и просмотра результатов на карте непосредственно в браузере. Google Earth Engine.

Сценарии на платформе выполняются по принципу конвейера с ленивым исполнением, т. е. составляется цепочка операций над растровыми данными, которые выполняются только в момент запроса результата (например, для отображения в окне браузера) с учетом запрошенного масштаба. Особенностью такого подхода является, в частности, зависимость результата расчетов от масштаба отображаемой на экране карты.

Для некоммерческого использования платформа предоставляется бесплатно.

Существующие методические подходы

В настоящее время известно множество методов обнаружения и мониторинга карстовых и близких к ним явлений (оползни, связанные с землетрясениями, суффозионные явления и т. п.), использующих различные источники данных, включая геофизические данные и данные дистанционного зондирования. Эти методы включают в себя:

• инженерно-геологические изыскания [8];

• совместную обработку данных оптической и радиолокационной космической съемки и данных мониторинга на местности с помощью глобальных систем спутниковой навигации [9];

• совместную сравнительную обработку открытых баз данных по рельефу (включающих в себя данные ASTER ASTER Global Digital Elevation Model. Japan Space Systems. SRTM (Shuttle Radar Topography Mission) на сайте EKA. , SRTM4 и ALOS ALOS Global Digital Surface Model ALOS World 3D -- 30 m (AW3D30) ) и топографических карт местности [10];

• обработку данных лазерного сканирования поверхности земли [11];

• обработку сейсмических изображений геологической среды [12];

• обработку результатов электроразведочных работ [13];

• комплексную обработку различных видов телеметрических данных, получаемых в процессе бурения карстоопасных пород [14];

• и т. п.

В зависимости от исследуемой территории и области прикладного применения могут использоваться и такие нестандартные методы, как совместный анализ моделей рельефа, полученных с помощью лазерного сканирования, и данных телеметрии с GPS-ошейников (оснащенных приемниками системы глобального позиционирования) диких кошачьих (рысь и лесной кот), которые предпочитают охотиться в окрестности карстовых провалов [15].

Независимо от методов получения исходных данных, общей чертой всех используемых в настоящее время методов (а также метода, предлагаемого в данной статье), является применения для анализа данных геоинформационных систем (ГИС) [16].

Недостатком подавляющего большинства используемых методов является необходимость проведения дорогостоящих и времязатратных исследований (воздушного лазерного сканирования, инженерно-геологических изысканий) и ручной камеральной обработки (анализ топографических карт).

Методика исследования

В настоящей работе предлагается метод, основанный на автоматической обработке данных дистанционного зондирования -- оптической космической съемки Sentinel-2 -- с целью обнаружения признаков карстообразования (подготовки к образованию провалов и вновь появившихся провалов). Преимуществом данных космической съемки Sentinel-2 является открытый бесплатный доступ к данным, а также постоянно пополняющаяся база данных -- для каждого участка поверхности земли новая съемка выполняется каждые 5 дней.

Явления, связанные с признаками подготовки провалообразования, включают в себя [17]:

• оседание поверхности земли;

• присутствие полостей в растворимых породах;

• присутствие полостей в дисперсных грунтах, перекрывающих растворимые породы;

• погребенные карстовые оседания;

• суффозионное разуплотнение грунтов, перекрывающих растворимые породы;

• и т. п.

С использованием методов обработки данных оптической космической съемки возможно обнаружение признаков, связанных с рельефом земной поверхности (т. е. оседание поверхности), а также разуплотнение грунтов, сопровождающееся изменением влажности поверхности, которое может быть обнаружено с использованием дистанционного зондирования.

В работе [18] рассмотрен алгоритм обнаружения карстовых провалов по снимкам Sentinel-2 с использованием индекса нормализованного относительного индекса растительности NDVI Sykas D. Spectral Indices with multispectral satellite data. и инфракрасного канала. Далее рассмотрим адаптацию данного алгоритма для платформы Google Earth Engine.

Набор данных Sentinel-2, доступный на платформе, включает в себя снимки начиная с 2016 года. Данные новой съемки добавляются практически в реальном времени.

Каждый снимок в метаданных имеет оценку процента облачного покрытия (поле «CLOUDY_PIXEL_PERCENTAGE»), а также оценку состояния облачности для каждого пиксела в виде битовой маски в канале «QA60». С учетом этого, на первом шаге алгоритма запрашиваются все снимки на исследуемую область за летние месяцы (диапазон дат с 1 июня по 1 сентября) каждого года, начиная с 2016, затем на них маскируются все пикселы, для которых установлены биты облачности в канале «QA60», и наконец вычисляется медианное изображение (т. е. для каждого канала каждого пиксела выходного изображения значение вычисляется как медиана значений того же канала соответствующего пиксела всех входных изображений). Таким образом за каждый год формируется одно многоканальное покрытие (фактически, ортофотоплан) на исследуемую область.

На следующем шаге для каждого покрытия рассчитывается индекс NDVI. Нормализованный относительный индекс растительности (Normalized Difference Vegetation Index) представляет собой простой индикатор, позволяющий определить наличие растительности на участке местности и вычисляется по формуле:

Затем в покрытие для каждого года добавляется канал с маской потенциальных явлений, связанных с повышенной влажностью и нарушением растительности: пикселы, для которых значение NDVI менее заданного порога (эмпирически выбранное значение 0,45) и при этом значение интенсивности менее заданного порога (эмпирически выбранное значение 2 000), отмечаются значением 1, остальные -- значением 0.

Поскольку искомые объекты (карстовые провалы) имеют характерные размеры порядка 10-30 м (что на уровне разрешения исходных снимков Sentinel-2 составляет несколько пикселов), к каналу маски применяется фильтр, удаляющий области слишком маленькие и слишком большие по площади области.

На следующем шаге для каждого пиксела определяется тренд -- изменение вероятности его отнесения к потенциально требующим внимания областям в зависимости от года, с помощью вычисления линейной регрессии для каждого пиксела.

На последнем шаге маскируются все пикселы, для которых значение коэффициента линейной регрессии менее 0,1, и результат выводится на экран, при этом более ярким цветом подсвечиваются пикселы со значением коэффициента более 0,2, как требующие первоочередного внимания (рис. 1).

Рисунок 1. Пример результата работы алгоритма, наложенный на карту и съемку Sentinel-2 (составлено авторами на основе данных Seninel-2, доступных в Google Earth Engine)

Результаты исследования

Для проверки алгоритма были выбраны два объекта в Нижегородской области, рассмотренные в статье [18]. Их местоположение показано на рисунке 2. Значительную часть Нижегородской области составляют карстоопасные районы, для которых характерны карстово-суффозионные процессы, в том числе антропогенного характера [19].

В качестве первого тестового объекта был выбран карстовый провал, возникший в Арзамасском районе Нижегородской области между селами Саблуково и Майское в конце апреля 2019 года. Новое озеро образовалось в Арзамасском районе. Через некоторое время провал заполнился водой и превратился в озеро (рис. 3).

На рисунке 4 показан результат работы алгоритма на данном объекте на фоне снимка Sentinel-2 (слева) и та же область на снимке высокого разрешения из карт Google (справа).

Рисунок 2. Карта развития карстовых процессов территории Нижегородской области с нанесенными отметками тестовых объектов (составлено авторами на основании данных Рекомендаций по проведению инженерных изысканий, проектированию, строительству и эксплуатации зданий и сооружений на закарстованных территориях Нижегородской области Круглов Е. Провал с 9-этажный дом образовался под Арзамасом. )