Использование методики автоматизированного дешифрирования при анализе состояния экосистем в таежной зоне Западной Сибири

Тип работы:
Реферат
Предмет:
География


Узнать стоимость новой

Детальная информация о работе

Выдержка из работы

ИСПОЛЬЗОВАНИЕ МЕТОДИКИ АВТОМАТИЗИРОВАННОГО ДЕШИФРИРОВАНИЯ ПРИ АНАЛИЗЕ СОСТОЯНИЯ ЭКОСИСТЕМ В ТАЕЖНОЙ ЗОНЕ ЗАПАДНОЙ СИБИРИ
Андрей Геннадьевич Шарикалов
Сибирская государственная геодезическая академия, 630 108, Россия, г. Новосибирск, ул. Плахотного, 10, аспирант кафедры экологии и природопользования, тел. (383)361−08−86, e-mail: sharikalov. andrey@gmail. com
Михаил Владимирович Якутин
Институт почвоведения и агрохимии СО РАН, 630 090, Россия, г. Новосибирск, пр. Академика Лаврентьева, д. 8/2, д.б.н., старший научный сотрудник лаб. Биогеоценологии, тел. (383)3639025, e-mail: yakutin@issa. nsc. ru-
Сибирская государственная геодезическая академия, 630 108, Россия, г. Новосибирск, ул. Плахотного, 10, проф. кафедры экологии и природопользования
Предложена методика автоматизированного дешифрирования территорий в северной и средней тайге, занятыми природными и антропогенно-трансформированными экосистемами. Показана высокая эффективность предложенной методики при дешифрировании земель водного и лесного фонда, а также возможность ее применения при мониторинге других видов земель.
Ключевые слова: Западная Сибирь, северная и средняя тайга, нефтегазодобыча, антропогенный пресс, дистанционное зондирование земли, мониторинг.
USE OF AN AUTOMATED DECODING TECHNIQUE AT THE ANALYSIS OF A CONDITION OF ECOSYSTEMS IN A TAIGA ZONE OF WESTERN SIBERIA
Andrei G. Sharikalov
Siberian State Academy of Geodesy, 630 108, Russia, Novosibirsk, 10 Plakhotnogo, post graduate student, department of ecology and wildlife management, tel. (383)361−08−86, e-mail: sharikalov. andrey@gmail. com
Mikhail V. Yakutin
Institute of Soil Science and Agrochemistry SB RAS, 630 090, Russia, Novosibirsk, 8/2 Akademician Lavrentjev, ScD, senior researcher, laboratory of biogeocenology, tel. (383)3639025, e-mail: yakutin@issa. nsc. ru-
Siberian State Academy of Geodesy, 630 108, Russia, Novosibirsk, 10 Plakhotnogo St., professor of department of ecology and wildlife management
The automated decoding technique of territories in the northern and the middle taiga is offered. That territory are occupied by natural and anthropogenic-transformed ecosystems. High efficiency of the offered technique is shown at decoding the earths in water and wood fund, and also possibility of its application at monitoring of other kinds of the earths.
Key words: Western Siberia, northern and meddle taiga, oil and gas recovery, anthropogenous press, remote sounding of the earth, monitoring.
Основная проблема мониторинга по космическим данным — это необходимость обработки чрезвычайно большого объема данных, полученных по много-
зональным снимкам. Кроме того, особенность космических снимков заключается в том, что полученные спектральные характеристики разновременных изображений существенно зависят от условий и времени съемки, типа подстилающей поверхности и других факторов. Для устранения искажений и нормализации изображений выполняется специальная обработка снимков, позволяющая нормировать яркости. Существует большое количество алгоритмов обработки, но большинство из них можно использовать только в определенных условиях и для определенных объектов [1].
Целью данной работы было исследование месторождений нефти и газа, находящихся в пределах северной и средней тайги Западной Сибири в пределах Пуровского района ЯНАО и Сургутского района ХМАО. Общая площадь исследованных месторождений 2863,5 тыс. га. Область исследования возле каждого месторождений была ограничена пространственным контуром месторождения (зоной нефтенакопления) [2, 3, 4].
На момент исследования 58 месторождений находились на стадии разработки, из них 31 месторождение в Пуровском районе и 27 — в Сургутском районе. Кроме того 42 месторождения на момент исследования еще не были введены в эксплуатацию по тем или иным причинам (на них проводилась доразведка запасов, отсутствовала техническая возможность либо экономическая целесообразность промышленной разработки и т. п.) из них 19 месторождений в Пуровском районе и 23 — в Сургутском районе.
Исследование территории муниципальных районов выполнялось по данным дистанционного зондирования Modis (продукт MOD13 — индекс NDVI). Данные получены в рамках проекта LAADS web национального управления по воздухоплаванию и исследованию космического пространства правительства США (NASA). Исследование территорий месторождений углеводородов выполнялось по материалам дистанционного зондирования Земли. Использованные данные, а именно спутниковые снимки Landsat 7 ETM+ и Landsat 5 TM были представлены геологической службой правительства США (U.S. Geological Survey) в рамках проекта Glovis [5,6].
В целях осуществления геоэкологического мониторинга сравнивались летние безоблачные космические снимки, полученные со спутника Landsat 5 TM двадцатилетней давности и последние несколько лет назад. В исключительных случаях, при отсутствии иных данных необходимой давности использовались снимки, полученные со спутника Landsat 7 ETM+ до поломки корректора линий сканирования (в период 1999—2003 годы, режим SLC-on).
В данной работе в целях выделения наиболее значимых спектральных признаков на множестве регистрируемых диапазонов, а также уменьшения влияния таких явлений как разности в освещенности снимков, облачности, дымки, поглощении радиации атмосферой и др. использовался нормализованный относительный индекс растительности NDVI, а также преобразование Tasseled Cap.
Нормализованный относительный индекс растительности, обычно называемый вегетационным индексом или плотностью растительности, является простым количественным показателем количества фотосинтетической активности биомассы. Плотность растительности в определенной точке изображения
равна разнице интенсивностей отраженного света в красном и инфракрасном диапазоне, деленной на сумму их интенсивностей [7].
Расчет вегетационного индекса 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. 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. [8].
Благодаря особенности отражения в используемых вегетационным индексом областях спектра, природные объекты, не связанные с растительностью, имеют фиксированное значение КОУ1, что позволяет использовать этот параметр для их идентификации (таблица 1).
Таблица 1
Связь значений нормализованной разности вегетационного индекса и дешифрируемых типов объектов [7]
Тип объекта Отражение в красной области спектра Отражение в инфракрасной области спектра Значение КОУІ
Г устая растительность 0,1 0,5 0,7
Разряженная растительность 0,1 0,3 0,5
Открытая почва 0,25 0,3 0,025
Облака 0,25 0,25 0
Снег и лед 0,375 0,35 -0,05
Вода 0,02 0,01 -0,25
Искусственные материалы (бетон, асфальт) 0,3 0,1 -0,5
Изучая отображенные на снимках объекты в различных диапазонах электромагнитного спектра можно отметить, что их спектральные яркости хотя и отличаются, но сильно коррелированны. Таким образом, система измерений не образует ортогональный базис. Преобразование Tasseled Сар осуществляет пе-
реход из пространства измерений спектральных яркостей объектов, в пространство признаков, связанных со свойствами заданного класса объектов [9].
Результат преобразования космического снимка ЬапёБа! 5 ТМ на территорию Новогоднего месторождения (Пуровский район ЯНАО) приведен на рисунке 1.
а) б) в)
Рис. 1. Результат преобразования космического снимка на территорию Новогоднего месторождения (а — снимок со спутника Landsat 5 TM- б — индекс NDVI- в — результат преобразования Tasseled Cap)
Для получения базовых векторов были выбраны три типа объектов: яркость — Brightness, «зелёность» — Greenness, и влажность — Wetness. Для определения расположения векторов, характеризующих этих признаки, использовались усредненные измерения спектральных яркостей трех типов объектов чистой почвы, растительности и водной поверхности соответственно. Для определения коэффициентов преобразования Tasseled Cap можно использовать метод Грамма-Шмидта либо также метод главных компонент, который дает аналогичный результат. В данной работе использовались стандартные коэффициенты преобразования Tasseled Cap для спутниковых снимков Landsat 5 TM и Landsat 7 ETM+ заложенные в программный продукт ENVI 4.8 [10].
За основу в процессе классификации видов земельных угодий была взята универсальная система классификации данных на основе аэро — и космических снимков разработанная в США. Использован первый и частично второй уровень детализации категорий угодий, а именно: водные поверхности, хвойные леса, лиственные и смешанные леса, застроенные земли, территории лишенные растительного покрова, незаселенные заболоченные земли [10].
Пороговые значения критериев разделения типов угодий подбирались для каждого снимка индивидуально с учетом периода вегетации, условий освещенности, ландшафтных особенностей и др. Результат классификации сравнивался визуально с имеющимися топографическими картами на исследуемую территорию масштабов 1: 500 000 — 1: 100 000, в случае необходимости проводилось редактирование критериев разделения типов угодий и повторный анализ.
По результатам работы были составлены по две ландшафтно -экологические карты для каждого месторождения (состояние экосистем 25 лет назад и в настоящее время), с помощью которых стало возможно определить площади основных классов экосистем на изученных территориях и оценить их динамику. Для каждого класса экосистем определялся процент от общей площади территории месторождения. Затем полученные выборки анализировались с использованием методов вариационного и дисперсионного анализов. Несмотря на то, что изученные участки имеют неодинаковую общую площадь, стало возможным оценить на большом массиве данных некоторые тенденции в изменении доли различных экосистем, происходящих в процессе освоения территории и нефтедобычи.
Данная методика автоматизированного дешифрирования природнотерриториальных комплексов показала высокую эффективность дешифрирования земель водного и лесного фонда по типу растительного покрова, а также возможность своего применения при мониторинге других видов земель.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Алтынцев, М. А. Разработка методик автоматизированного дешифрирования многозональных космических снимков высокого разрешения для мониторинга природно -территориальных комплексов: автореф. дисс. … канд. техн. наук: 25. 00. 34 / Алтынцев Максим Александрович- СГГА. — Новосибирск, 2011. — 25 с.
2. Схема территориального планирования муниципального образования Пуровский район, утвержденная решением и. о. Главы муниципального образования Пуровский район от 22. 04. 2010 № 433.
3. Схема территориального планирования муниципального образования Сургутский район, утвержденная решением Думы Сургутского района от 27. 12. 2011 № 122.
4. Клещев, К. А. Нефтяные и газовые месторождения России: справочник: В 2 кн. -Кн. 2. Азиатская часть России / К. А. Клещев, В. С. Шеин. — М.: ВНИГНИ, 2010. — 711 с.
5. Wolfe, R.E. Achieving sup-pixel geolocation accuracy in support of MODIS land science / R.E. Wolfe, M. Nishihama, A.J. Fleig et al. // Remote Sens. Environ. — 2002. — Vol. 83. — P. 3149.
6. Кулик Е. Н. Оперативный космический мониторинг: вчера, сегодня, завтра / Интерэкспо Гео-Сибирь-2012 // Междунар. научн. конф. «Дистанционные метода зондирования Земли и фотограмметрия, мониторинг окружающей среды, геоэкология»: сб. материалов. Т. 2. — Новосибирск: СГГА, 2012. — С. 136−141.
7. Asner, G.P. Per-pixel analysis of forest structure. Vegetation indices, spectral mixture analysis and canopy reflectance modeling / G.P. Asner, J.A. Hicke, D.B. Lobell // Remote Sensing of Forest Environments. Concepts and Case Studies. [Wulder, M.A., Franklin, S.E. (Eds.)]. -Kluwer Academic Publishers, 2003. — Р. 209−254.
8. Gis-Lab: NDVI. Теория и практика [Электронный ресурс]. — Режим доступа: http: //gis-lab. info/qa/ ndvi. html.
9. Гонсалес, Р. Цифровая обработка изображений. / Р. Гонсалес, Р. Вудс. — М.: Техносфера, 2006. — 1072 с.
10. Трифонова, Т. А. Геоинформационные системы и дистанционное зондирование в экологических исследованиях: Учебное пособие для вузов / Т. А. Трифонова, Н. В. Мищенко, А. Н. Краснощеков. — М.: Академический Проект, 2005. — 352 с.
© А. Г. Шарикалов, М. В. Якутия, 2013

ПоказатьСвернуть
Заполнить форму текущей работой