Дистанционный мониторинг состояния лесов по данным космической съемки

      Комментарии к записи Дистанционный мониторинг состояния лесов по данным космической съемки отключены

Дистанционный мониторинг состояния лесов по данным космической съемки

А.М. Крылов, Н.А. Владимирова 

Каждый год большая часть лесов России подвергается действию ослабляющих факторов: пожаров, сильных ветров, засухи, повреждению болезнями  и вредителями. ФГУ «Российский центр защиты леса» занимается мониторингом состояния лесов. Для этого заложена громадная сеть постоянных пробных площадей, проводится подробная наземная оценка состояния лесов более чем на 1 млн га каждый год. Но этого не хватает чтобы осуществлять контроль состояние всех повреждаемых лесов.

В дополнение к правильным наземным способам, нужен действенный инструмент для оценки и обнаружения площади поврежденных лесных участков на громадной площади.

В Российской Федерации совершены громадные изучения по применению данных дистанционного зондирования Почвы (ДЗЗ) для определения состояния лесов. Первое изучение по черно-белым аэрофотоснимкам масштаба 1:8000 – 1:10 000 сухостойных определения и насаждений их степени усыхания в 1926 г. проводил Г.Г. Самойлович. Особенности лесопатологического дешифрирования космических снимков изучали кроме этого С.В.

Белов, А.А.Кирильцева, А.С. Исаев, Ю.А. Прокудин, В.Я. Ряполов, В.В. Киселев, Ю.П. Кондаков, П.А. Кропов, В.М. Жирин, СЕ.

Ямбург, Л.А. Берснева и другие исследователи [1].

В производственных масштабах использовалось аэровизуальное обследование, аэрофотосъемка с целью определения состояния ограничивалась, по большей части, умелыми работами. При дешифрировании аэрофотосъемки достигалась высокая точность определения отпада, степени дефолиации, соответствующие нормы вошли в инструкции и отраслевые руководства. Но использование аэрофотосъемки ограничивает низкая оперативность и высокая стоимость работ, сложное получение разрешительных документов.

К моменту получения аэрофотосъемки информация на снимках довольно часто уже не соответствует актуальному состоянию лесов. Космическая съемка как правило дает более низкую точность определения состояния, но более своевременна, дешевле (эти некоторых сенсоров бесплатны). На сегодняшний момент мы имеем на солидную часть территории России ежегодное многократное покрытие данными разного разрешения.

В также время громадную проблему воображает получение безоблачных данных. Из-за нехватки данных довольно часто приходится применять для различных частей объекта эти разных сенсоров, имеющие различные изюминки отображения дешифрируемых объектов.

Самый успешней пример применения спутниковых данных в лесном мониторинге — совокупности мониторинга лесных пожаров. В Российской Федерации функционирует пара таких совокупностей, самый развита ИСДМ (Информационная совокупность дистанционного мониторинга), созданная ИКИ РАН по заказу Рослесхоза [2]. Она выстроена на применении снимков AVHRR и MODIS. В развитие правил совокупности был создан Блок Лесопатологического Мониторинга (БЛПМ).

Его метод обработки снимков MODIS  прекрасно продемонстрировал себя на детектировании больших очагов сибирского шелкопряда. Но практика применения модуля продемонстрировала, что разрешения MODIS не хватает, дабы надежно детектировать и идентифицировать большая часть патологических нарушений в лесах.  Для детектирования нарушений, каковые проявляются как мозаика небольших пораженных участков, и нарушений в очень сильно фрагментированных лесах нужны снимки более большого разрешения.

С 2008 г. ФГУ «Рослесозащита» ведется мониторинг территорий с самая напряжённой лесопатологической обстановкой по снимкам Landsat TM/ETM+  с частичным привлечением снимков RapidEye, ALOS/AVNIR-2.

Главными объектами дистанционного мониторинга в 2007–2011 гг. являлись ветровалы года в европейской части России, очаги непарного шелкопряда в Краснодарском очаги и край стволовых вредителей в Столичной области.

СПОСОБЫ Обнаружения ТРАНСФОРМАЦИЙ

Визуальное дешифрирование снабжает более стремительные результаты и требует меньше наземных эталонов, чем любой из методов автоматического обнаружения трансформаций. Но достаточно непроста неприятность пропуска участков, в особенности небольших, нестабильность результатов дешифрирования различными людьми.

Автоматическое дешифрирование требует громадных затрат на подбор нужного его параметров и алгоритма, большой обучающей трудоёмкой верификации и  выборки результатов, но в возможности владеет более стабильностью результатов и высокой производительностью. Целесообразность применения визуального либо автоматического дешифрирования  зависит от обстановки.

При автоматизированном обнаружении поврежденных участков используются разные способы компьютерной классификации изображений.   Для одиночных снимков по большей части употребляются методы классификации с применением эталонов, к примеру, по способу большого правдоподобия [3]. Обнаружение трансформаций посредством анализа серий снимков в большинстве случаев показывает более высокую точность.

Разными исследователями употреблялись критерии на базе отличия  вегетационных индексов NDVI, SWVI и результатов преобразования Tasselled Cap [4, 5]. Кроме этого вероятно использование способа опорных векторов (SVM), нейронных сетей.

При лесопатологическом дешифрировании нужно распознать повреждение, оценить его площадь, степень, предположительную причину и динамику.

Для дешифрирования смогут употребляться спектральные текстурные показатели, форма повреждений. Для обнаружения трансформаций употребляются по большей части спектральные показатели, методы классификации по которым самый развиты. Для определения обстоятельства повреждения, повреждения лесов и отделения гибели от вторых нарушений (рубок, пожаров)  довольно часто нужно применять текстуру и форму объекта.

Автоматизировать это пара сложнее.

направляться раздельно разглядывать случаи, в то время, когда в основном происходит резкая смерть насаждений (ветровал, очаги стволовых вредителей) и ситуации, в то время, когда участки повреждаются в различной степени. В первом случае оправдано использование пороговых дискриминантного анализа и критериев, что разрешает поделить здоровые и погибшие насаждения, во втором целесообразно проводить регрессионный анализ для уточнения степени повреждения. На протяжении работ по дистанционному мониторингу апробировались эти методы в разных вариациях (пороги трансформации NDVI, SWVI, применение, дискриминантной и регрессионной функции по различным каналам).

Кое-какие ОСОБЕННОСТИ ДЕШИФРИРОВАНИЯ ПОВРЕЖДЕНИЙ ЛЕСОВ

Характерной изюминкой растительности есть относительно малое отражение  в красной области спектра и большее в ближней инфракрасной. При снижении фотосинтеза и повреждении растений отражение в красной области спектра возрастает, а в ближней ИК падает. Помимо этого существенно возрастает отражательная свойство в среднем ИК канале, что связано с падением содержания жидкости в поврежденных деревьях.

Чем больше эти трансформации спектральной отражательной свойстве, тем легче выявляются поврежденные насаждения (рис. 1).

Рис. 1.Спектральная отражательная свойство поврежденных и здоровых насаждений согласно данным Landsat TM на примере очагов короеда типографа в Столичной области.

По оси ординат отложена спектральная отражательная свойство участков-эталонов. Столбцы соответствуют спектральному каналу Landsat TM (c 1 по 7) и группе эталонов: с индексом а (красные) относятся к поврежденным короедом участкам, с индексом b (зеленые) к неповрежденным.  Параллелепипед соответствует границам квантилей (x25, x75), горизонтальные штрихи крайним значениям, жирная черта — медиана, звездочками обозначены выбросы.

Но, не считая спектральных особенностей поврежденных растений, на то, что мы видим на снимке, воздействует еще последовательность факторов. Крона одного дерева меньше размера пикселя, исходя из этого довольно часто происходит смешение спектральных черт здоровых и поврежденных деревьев, что может значительно снижать контрастность трансформаций. Так, чем выше мозаичность, неоднородность повреждений, тем выше требования к разрешению снимков.

Помимо этого, направляться иметь ввиду, что сезонные трансформации спектральной отражательной свойстве сельхозугодий, лугов, пойм значительно более контрастны, чем трансформации леса при повреждении. Исходя из этого при автоматизированном поиске участков поврежденного леса принципиально важно уже на начальной стадии отделить покрытые лесом площади от непокрытых — создать маску лесов.

Следующий момент лесопатологического дешифрирования — высокие требования к временному разрешению. При повреждения насаждений хвоелистогрызущими насекомыми довольно часто сразу же по окончании повреждения начинается процесс восстановления листвы (хвои). В данной ситуации оценить степень повреждения возможно лишь по снимкам на пике объедания.

В массивах, повреждаемых стволовыми вредителями, требуется максимально стремительное выделение поврежденных участков, пока  санитарно-оздоровительных мероприятия в них смогут быть действенны.

На сегодняшний момент не существует «совершенного» спутника, изображения с которого имели бы пространственное, временное и спектрально производительность и разрешение, разрешающие  решать все задачи мониторинга состояния насаждений. На практике нужно применять комплект различных данных:

  • MODIS — для своевременного обнаружения больших повреждений в однородных лесных массивах труднодоступных районов в автоматическом режиме.
  • Landsat, SPOT-4 — для производительного и в высокой степени оценки площади и автоматизированного выявления довольно больших повреждений один либо пара раз в год на громадных площадях (впредь до всей территории РФ).
  • RapidEye — для обнаружения нарушений в смешанных, неоднородных насаждениях, повреждений, воображающих из себя мозаику небольших поврежденных и здоровых участков, обнаружения дефолиации пород, скоро восстанавливающих листву.
  • GeoEye, WorldView-2 и т.п. — для мониторинга ограниченной площади очень полезных лесов (к примеру, Столичной области).

ПРАКТИЧЕСКИЙ ОПЫТ ДЕШИФРИРОВАНИЯ ПОВРЕЖДЕНИЙ ЛЕСОВ

За заключительные годы экспертами ФГУ «Рослесозащита» выполнено пара больших работ по дешифрированию поврежденных участков леса: составлены схемы размещения поврежденных ветром участков на территории европейской России, дефолиации насаждений в Краснодарском крае, ведется мониторинг очагов короеда-типографа в Столичной области.

Главными используемыми снимками являлись Landsat TM/ETM+. В дополнение к ним использовались RapidEye, ALOS/AVNIR-2, SPOT-5. В любых ситуациях нарушения с приемлемой точностью выделялись по паре снимков с применением порога трансформации индекса SWVI.

Использование дискриминантного уравнения либо способа опорных векторов (SVM) разрешает пара улучшить точность.

Главные неточности связаны  не с пропуском данных, а с фальшивым детектированием. Большинство фальшивых детектирований связана  с нелесными участками. Для борьбы с этими неточностям производилось маскирование нелесных участков.

Маска лесов создавалась по снимку, сделанному до начала повреждения, посредством ISODATA с последующей переклассификацией либо посредством SVM. Следующей серьёзной задачей являлась отделение повреждений леса вредителями, ветром и болезнями от рубок, строительства и пожаров. Отделение производилось вручную по большей части по форме и времени появления.

При дешифрировании разных повреждений ответственными появились различные моменты. Прошедшие в 2009 и 2010 гг. по лесам европейской части России ветровалы являются сочетанием нескольких больших и множества небольших полос. Самые большие заметны кроме того на MODIS, на Landsat с уверенностью дешифрируется 50–70% площади ветровала [6]. Для дешифрирования остальных более небольших участков требуются снимки большего разрешения.

Самый действенно использование спектрозональных снимков: на панхроматических ветровалы не хорошо отделяются от полян, прогалин, выборочных рубок.

Как продемонстрировало предстоящее развитие событий, небольшими участками ветровала не следует пренебрегать. В условиях засухи около небольших участков ветровала в ельниках Столичной области сформировалось множество очагов короеда-типографа. Очаги короеда-типографа являются мозаикой куртин усыхания различного размера.

Для обнаружения очагов  типографа, так же как и для ветровалов, нужны спектрозональные снимки. Процент распознанных участков линейно зависит от разрешения. На снимках Landsat выявляются около 60% куртин [7].

Повреждения лесов непарным шелкопрядом более однородны. Во многих случаях они достаточно охотно детектируются MODIS, но, согласно данным MODIS затруднительно отделить их от рубок, пожаров, фенологических трансформаций. На снимках Landsat они видны лучше, но периодичность съемки Landsat не всегда дает возможность приобрести безоблачные снимки между максимальным объеданием и восстановлением листвы.

Нами употреблялся аппарат RapidEye, что смог выполнить съемку насаждений во время большого повреждения в условиях малого количества ясных дней. Помимо этого снимки RapidEye разрешают лучше осознать обстановку в смешанных насаждениях, где повреждается лишь дефолиация и часть пород мозаична. Применение регрессионного анализа разрешает поделить насаждения на неповрежденные, поврежденные в средней степени (20-50% дефолиации) и очень сильно поврежденные (60–100% дефолиации) [6].

ЗАКЛЮЧЕНИЕ

Благодаря непрерывно ведущейся съемке Landsat TM/ETM+, материалы которой вольно дешёвы, ситуация , в то время, когда  вероятно довольно своевременное и недорогое дешифрирование большой части  патологических процессов, происходящих в лесах РФ. На ограниченной территории это дешифрирование может проводиться с применением довольно несложных техник (применение параметров на базе отличия NDVI, SWVI, способа опорных векторов) в полуавтоматическом режиме. Для охвата всей площади лесного фонда нужно пытается к созданию всецело автоматизированной совокупности дешифрирования.

Предпосылкой для таковой совокупности есть развитие методы обработки снимков: атмосферной коррекции, учета фенологических трансформаций, BRDF, создания и фильтрации облачности безоблачных композитов.

Вторым нужным причиной есть накопление в базах данных стандартизированной наземной пространственной информации о состоянии лесов, которая играет роль эталонов при оценке информативности различных видов данных для анализа различных видов повреждений лесов, изучении дешифровочных показателей этих верификации и повреждений результатов работы методов автоматического дешифрирования. И, наконец, успешное создание таких методов нереально без участия развитого сообщество специалистов по визуальному дешифрированию повреждений лесов и накопление опыта работы полуавтоматическими способами.

Помимо этого, опыт работ говорит о том, что для обнаружения многих типов повреждений (особенно в районах, где экономически целесообразно проводить санитарно-оздоровительные мероприятия и борьбу с вредителями) нужно использование своевременных спектрозональных данных разрешением больше 10 м. К сожалению, такие эти не столь дешёвы, как Landsat либо MODIS, и но их закупка, на территорию регионов с самая сложной лесопатологической обстановкой экономически оправдана. Так как применение при лесохозяйственном планировании правильных и актуальных информации о повреждении лесов взятых посредством космической съемки  один из самых действенных способов  понижения экономического, социального и экологического ущерба от вредителей и болезней лесов.

ПЕРЕЧЕНЬ ЛИТЕРАТУРЫ

  1. Способы болезней и мониторинга вредителей леса / Под общ. ред. В.К. Тузова. — М.: ВНИИЛМ, 2004. — с. 56.
  2. Abushenko, N.A., Bartalev, S.A., Belyaev, A.I., Ershov, D.V., Zakharov, M.Y., Loupian, E.A., Korovin, G.N., Koshelev, V.V., Krasheninnikova, J.S., Mazurov, A.A., Min’ko, N.P., Nazipov, R.R., Semenov, S.M., Tashchilin, S.A., Flitman, E.V., Shchetinsky, V.Y. (1999). Near real-time satellite monitoring of Russia for forest fire protection. Mapping Science and Remote Sensing, 36, 1, 54–61.
  3. Franklin, S.E., Waring, R.H., McCreight, R.W., Cohen, W.B., Fiorella, M. (1995). Aerial and satellite sensor detection and classification of western spruce budworm defoliation in a subalpine forest. Canadian Journal of Remote Sensing, 21, 299–308.
  4. Skakun, R.S., Wulder, M.A., Franklin, S.E. (2003). Sensitivity of the thematic mapper enhanced wetness difference index to detect mountain pine beetle red-attack damage. Remote Sensing of Environment, 86, 433–
  5. Wulder, M.A., White, J.C., Bentz, B.J. Ebata, T. Augmenting the existing survey hierarchy for mountain pine beetle red attack damage with satellite remotely sensed data// The Forestry Chronicle 2006 №82(2): 187–202.
  6. Vladimirova N.A., Koroleva N.A., Krylov A.M. Ershov D.V., Malysheva N. V. Remote forest health monitoring in Russia // Boreal Forests in Changing World: Challenges and Needs for Actions: Proceeding of international conference. August 15–21 2011, Krasnoyarsk, Russia — Krasnoyarsk: Sukachev Institute of Forest SB RAS 2011: 404–410.
  7. Крылов А.М., Соболев А. А., Владимирова Н. А. Обнаружение очагов короеда-типографа в Столичной области с применением снимков Landsat // Вестник Столичного национального университета леса Лесной вестник №4 2011 — с. 54–60.

SPOT: Дистанционный мониторинг лесов


Подобранные по важим запросам, статьи по теме: