В настоящее время данные дистанционного зондирования Земли (ДЗЗ) становятся важнейшей основой информационного обеспечения. С каждым годом происходит увеличение числа потребителей данных ДЗЗ. Космические снимки используются для решения большого количества задач, связанных с дешифрированием природно-территориальных комплексов, динамического состояния территории, оценки качественных и количественных характеристик различных природных и антропогенных объектов, построением тематических карт [1].
В настоящее время происходит постоянное изменение территории, что связано с различными процессами, например увеличение антропогенной нагрузки, появление новых объектов промышленного и хозяйственного назначения, реакции природной среды на воздействия, угнетение видового разнообразия, а также изменения природно-климатического характера.
Данные дистанционного зондирования дают возможность изучения природно-территориальных комплексов, в частности лесных массивов. На спектральную яркостную характеристику влияет видовое разнообразие, состояние кроны, размер и площадь пластины листа, вегетационный период, жизненное состояние растений. В отсутствие современных карт лесного покрова территории, актуальным является получение оперативной информации о состоянии растительного покрова на больших площадях, учет их видового разнообразия, экологического состояния.
Цель исследования заключается в идентификации дендрофлоры Дубненского района на основе дистанционных и полевых методов.
Материалы и методы исследования
На сегодняшний день рынок программных продуктов по обработке данных ДЗЗ весьма широк. В основе программных средств заложен стандартный набор процедур: предварительная обработка снимка в разных спектрально-яркостных характеристиках, возможность наложения слоев (векторных и растровых), классификация снимков (вручную и автоматическая), определение проекции и многое другое. Программные продукты, преимущественно ГИС-системы, имеют схожие черты, но также имеют характерные различия, например стоимость, удобство, интеграция, работоспособность, специализированный функционал [2].
Одной из современных систем является Quantum GIS – это кроссплатформенная геоинформационная система. Преимущество данного продукта в доступности и многофункциональности. QGIS позволяет использовать большое количество распространенных геоинформационных функций, обеспечиваемых встроенными инструментами и модулями [3].
Помимо программного обеспечения, огромную роль играют мультиспектральные приборы и их разрешения. Одним из универсальных и при этом доступных спутников является Sentinel-2. Он обеспечивает глобальное 10-метровое разрешение мультиспектральных изображений каждые 10 дней с получением 13 спектральных полос в широком диапазоне [4]. Спутник разработан в целях изучения растительности, наземного покрова и мониторинга окружающей среды. Sentinel-2B был запущен 7 марта 2017 г. и работает с данными, доступными на EarthExplorer.
Для повышения результативности при работе с космическими снимками предлагается использование общей технологической схемы, которая включает в себя синтезирование дистанционных и полевых методов, компьютерного и визуального дешифрирования, а также использования прямых и косвенных дешифровочных признаков. Верификация полученных данных проводится на основе статистического анализа многоспектральных снимков, а также при сопоставлении данных за различные вегетационные периоды (рис. 1).
Способы и алгоритмы обработки данных ДЗЗ зависят от типа используемых данных и от их пространственного и радиометрического разрешения.
Рис. 1. Общая технологическая схема определения и верификации дендрофлоры
Спектр обработки данных ДЗЗ очень широк: от интерактивного дешифрирования и визуального анализа изображения до создания сложных математических моделей и автоматизированных алгоритмов выделения необходимой информации. Но, так или иначе, все методики направлены на выявление, анализ и оценку состояния площадных, линейных и точечных объектов, расположенных на поверхности [5]. Методы для определения видового разнообразия можно разделить на две группы: отнесение объектов на снимке к определенным классам, соответствующих видов растительности и выявлений числовых или математических значений (параметров растительности) и оценка их величины с определенной точностью. Первая группа задач решается методами теории распознавания образов, а вторая – измерительными методами с применением теории статистического оценивания параметров [6].
К теории распознавания образов относится понятие классификации. Для облегчения задачи и повышения точности разрабатываются алгоритмы автоматизированной классификации. Процесс классификации изображения подразумевает отбор данных по определенным признакам и группирование точек или частей изображения в классы [2]. В общей теории распознавания образов различают два вида классификации: классификация с обучением (контролируемая классификация); классификация без обучения (неконтролируемая классификация).
Для дешифрирования растительности и, в частности, дендрофлоры наиболее подходит классификация с обучением, где идет разделение растительности на определенные группы. Такой подход позволяет повысить эффективность изучения ареалов распространения различных видов растительности и увеличить точность при ландшафтно-индикационном дешифрировании. В каждом пикселе неоднородной поверхности яркостные спектральные характеристики соответствующих объектов интегрируются в разных соотношениях, из-за чего и возникает большой разброс спектральных характеристик внутри одного класса [7].
Одним из значительных моментов дешифрирования является учет «жизненного состояния» и создание эталонных участков по разным категориям. Для оценки состояния дендрофлоры и других растений в популяционной биологии определяют жизненное состояние, или жизненность [8]. Данные методы основаны на реакции деревьев на изменения окружающей среды (изменение кроны, усыхание и др.). Оценка проводится визуально по ряду признаков.
Разработаны шкалы балльных оценок жизненного состояния: здоровые деревья оцениваются баллом 1, ослабленные – 2, сильно ослабленные – 3, отмирающие – 4, свежий сухостой – 5, старый сухостой – 6. На основании полученных данных производится расчет жизненного состояния древостоев с использованием формул [9]:
,
где Ln – относительное жизненное состояние древостоя, рассчитанное по числу деревьев, n1 – число здоровых, n2 – ослабленных, n3 – сильно ослабленных, n4 – отмирающих деревьев лесообразователя или лесообразователей на пробной площади (или на 1 га), N – общее число деревьев (включая сухостой) на пробной площади или на 1 га.
При ландшафтно-индикационном дешифрировании в качестве индикатора (косвенного признака) природных комплексов на снимках можно использовать особенности ландшафта в целом, при этом ландшафтная индикация позволяет выявлять геологические, гидрогеологические, гидрологические, почвенные и климатические условия, последствия деятельности человека по внешнему облику ландшафта, по отдельным его компонентам (растениям, формам рельефа и т.д.).
Результаты исследования и их обсуждение
Для выполнения проекта по классификации природно-территориальных комплексов одной из проблемных зон является верное распознавание растительного покрова, в связи с чем требуется выстраивание реперных точек по локальному распределению растительности.
Дендрофлора севера Московской области достаточно обширна и разнообразна: список включает 184 вида деревьев, кустарников, полукустарников, полукустарничков и деревянистых лиан [10]. Общее видовое разнообразие представлено на рис. 2. Автоматическая разбивка растительного покрова была сделана для Дубненского района на платформе Вега-Science [11]. ВЕГА-Science – это сервис, основанный на спутниковых технологиях. Данный web-интерфейс был создан для анализа состояния растительности и ее оперативного мониторинга в течение всего сезона вегетации.
Рис. 2. Интерпретация растительного покрова на платформе Вега-Science
Полученные картографические материалы достаточно полно отражают природно-территориальные комплексы. Имеются явные недостатки дешифрирования водных объектов (отсутствуют озера), болот (зафиксированы подтопляемые территории, но не отражены сами болота, которых достаточно много), антропогенной деятельности, луга и открытые грунты не передают актуальной информации (на 2022 г. застраиваемые территории значительно увеличились, в связи с чем происходит уменьшение лугов и открытых грунтов), виды лесов отражены верно, но их ареал не полностью соответствует действительности. Дубненский район расположен на севере Московской области, разделен на левобережную и правобережную части рекой Волгой. Изучаемые районы относятся к зоне умеренно континентального климата и расположены среди лесных массивов, имеющих переходный характер: в северном направлении от долины р. Волги распространены сильно заболоченные бореальные леса, а южнее от г. Дубны начинаются смешанные широколиственно-хвойные леса.
Анализ растительного покрова по космическим снимкам дает возможность получать однородную и сравнимую по качеству информацию единовременно для обширных территорий, что практически недостижимо при любых наземных видах съемок. Но при этом наблюдаются погрешности в выявлении дендрофлоры при автоматическом классифицировании по усредненным данным. Для усовершенствования методики распознания растительного покрова на территории севера Московской области необходимо проведение наземных видов съемки с интегрированием по видам и состоянию растений.
Одним из немаловажных факторов в дешифрировании растительного покрова является «жизненное состояние» растений, период съемки, погодные условия и разрешение космических снимков. Каждый из параметров влияет на спектрально-яркостные характеристики, что может создать высокий уровень погрешности. Согласно общепринятым представлениям «жизненное состояние» растений – это интегрированный показатель комплексного влияния внутренних (почвенно-минеральный состав) и внешних факторов (антропогенные и климатические воздействия) [12].
Для улучшения результатов были проведены полевые работы на территории г. Дубны с отображением «жизненного состояния» растений. Видовой состав преобладающей дендрофлоры района был представлен следующим образом [10, 13]:
Темнохвойный лес: с преобладанием ели (Picea abies (L.)).
Светлохвойный лес: лиственница сибирская (Larix sibirica Ledeb), сосна (Рinus mugo Turra), туя (Thuja occidentalis L.).
Лиственный лес: клён (Acer ginnala Maxim, A. negundo L.), ольха (Alnus glutinosa (L.)), берёза (Betula pubescens Ehrh,), осина (Populus tremula (L.)), липа (Tiliaceae (L.)), дуб (Quercus robur L.), ясень (Fraxinus americana L.), сирень (Syringa x henryi Schneid), лиственница (Larix sibirica Ledeb.), яблоня (Malus baccata (L.)), черёмуха (Padus avium Mill.), тополь (Populus alba L.), ива (Salix acutifolia Willd.) и т.д.
Смешанный лес с преобладанием хвойных, в частности сосны (Рinus mugo Turra, P. pumila (Pall.) Regel, P. sibirica Du Tour, P. sylvestris L.).
Смешанный лес с преобладанием лиственных, в частности тополя (Populus alba L., P. x berolinensis Dippel), липы (Tília cordata (L.)).
Для наглядного отображения состояния зеленых насаждений севера Московской области была составлена карта зонирования территории г. Дубны по усредненным показателям «жизненного состояния» деревьев (рис. 3).
Дендрофлора территории городского округа находится в зоне с «хорошим» состоянием растительного покрова (процентная доля такой площади составляет 80%). Зона с «удовлетворительным» состоянием зеленых насаждений представлена несколькими участками, отраженными на рис. 3 (процентная доля такой площади составляет 12%). Зона с «плохим» состоянием зеленых насаждений отражает территории промышленного назначения и котельные (процентная доля такой площади составляет 8%).
На основе полевых данных были созданы эталонные участки с видовым разнообразием и учетом жизненности дендрофлоры для проведения автоматизированного дешифрирования по методу «выборка с обучением» снимка Sentinel-2 за 2021 г. (18 августа) в программе Quantum GIS. Пространственное разрешение снимка 10 м, погодные условия стабильные: температура + 24 °С; влажность 39%, давление 768 мм рт. ст.; облачность 25%.
Таким образом, была получена более детальная карта-схема территории г. Дубны, на которой выделены различные участки растительности: хвойные леса, лиственные леса, смешанные леса с преобладанием хвойных деревьев, смешанные леса с преобладанием лиственных деревьев, водные объекты, поля, луга, пашни, антропогенная нагрузка (рис. 4).
Рис. 3. Карта-схема жизненного состояния зеленых насаждений
Рис. 4. Карта-схема типов местности на территории г. Дубны
Второй цикл технологической схемы предусматривает верификацию полученных данных на основе статистической обработки данных, подсчета и сопоставления площадей при сравнении с картографическими данными за предыдущие годы, определение отражательной способности в разные вегетационные периоды с помощью дополнительных возможностей программы Вега-Science.
Полученный результат дешифрирования был сопоставлен с картой растительности Московской области 1996 г. [14], где была выявлена существенная динамика сокращения полей, увеличение ареалов распространения хвойных лесов.
Площадное распределение территории были получено на основе эталонных участков, где наблюдается доминирование хвойных и смешанных лесов (рис. 4).
Заключение
Была проведена идентификация дендрофлоры и построена карта-схема жизненного состояния и типов местности на территории г. Дубны. Предложенная технологическая схема позволяет достаточно точно дешифрировать и верифицировать растительный покров. При сопоставлении с данными, полученными с помощью программного комплекса Вега-Science, погрешность результатов составила более 15%, что обусловлено различными исходными данными для первичной обработки и отсутствие учета разной отражательной способности жизненного состояния дендрофлоры. Точность результатов была достигнута при выявлении эталонных участков полевыми методами с выявлением жизненного состояния дендрофлоры.
Библиографическая ссылка
Спиридонова А.Б., Анисимова О.В. ИДЕНТИФИКАЦИЯ РАСТИТЕЛЬНОГО ПОКРОВА ДУБНЕНСКОГО РАЙОНА НА ОСНОВЕ ДИСТАНЦИОННЫХ И ПОЛЕВЫХ МЕТОДОВ // Успехи современного естествознания. – 2022. – № 6. – С. 53-59;URL: https://natural-sciences.ru/ru/article/view?id=37841 (дата обращения: 23.04.2024).