1.2 Интеграция алгоритмов обработки космических снимков для автоматизированного дешифрирования лесной растительности

горный лесной картографирование космический

Лесная растительность - один из системообразующих компонентов ландшафта, индикатор состояния окружающей среды и ценный природный ресурс. Оперативная и достоверная оценка свойств лесной растительности способствует её рациональному использованию, охране и восстановлению. Различные методики обработки данных аэрокосмического зондирования, в особенности автоматизированные, - мощный инструмент для исследования лесной растительности. Появление космических снимков со сверхвысоким пространственным разрешением (лучше 1 м) открыло новые возможности в картографировании лесной растительности. Минимальным картографируемым объектом теперь может являться не площадка с растительностью, а отдельные деревья и кустарники.

Эти возможности особенно интересны при изучении экосистем переходных зон (экотонов). Среди них - лесотундра - экотон, занимающий огромные площади в России, Скандинавии и Канаде и являющийся чувствительным индикатором глобальных изменений. В рамках Международного полярного года (2007-2009) современное состояние, пространственные вариации и динамика лесотундровых экосистем детально изучаются в международном проекте PPS Arctic. Работа входит в аэрокосмический блок исследований по проекту, конечной целью которых является циркумполярная характеристика состояния и динамики лесотундры на разных масштабных уровнях. Снимки сверхвысокого пространственного разрешения используются для наиболее детальных исследований в сочетании с полевыми данными [12].

Традиционные методики анализа изображений высокого пространственного разрешения базировались на методах глобального (попиксельного) анализа. В изображениях со сверхвысоким пространственным разрешением большое значение имеют текстурные характеристики и пространственные взаимоотношения между изобразившимися объектами. Эта особенность учитывается при фокальном объектно-ориентированном анализе, исследующем распределение яркости в рамках участков изображения, включающих некоторое количество пикселей. Размер участка определяется в зависимости от размера и характеристик изобразившихся на снимке объектов.

Разработана методика автоматизированной обработки космических изображений, основанная на комбинации глобальных и фокальных алгоритмов обработки снимков [12]. Методика апробирована на примере снимка QuickBird (имеющего разрешение 2.4 м в спектральных зонах и 0.6 м для панхроматического изображения) Съёмка выполнена 28 июня 2006 г. на территорию долины реки Тульок в Хибинском горном массиве, Мурманская область (рисунок 1). Обработка снимка проводилась в программных пакетах ERDAS IMAGINE 9.3 и ESRI ArcGIS 9.3

Методика включает несколько этапов:

- создание многозонального изображения с улучшенным пространственным разрешением путём его объединения с панхроматическим каналом;

- построение классифицированного изображения растительности на основе глобального анализа изображения путём определения пороговых значений для яркостных характеристик (нормализованного вегетационного индекса NDVI, результатов кластеризации снимка в IHS представлении) и текстурных характеристик (дисперсии значений яркости в пределах «скользящего окна») с целью выделения на изображении следующих классов: растительность, тени растительности, прочие объекты;

- фокальный анализ классифицированного изображения с использованием матричных моделей деревьев, изобразившихся на космическом снимке, на основе методики Гринберга и др. [23] для обнаружения деревьев и кустарников с кронами заданных размеров;

- фокальная фильтрация промежуточного изображения, совмещённого с индексным изображением NDVI, в результате которой из двух слишком близко расположенных деревьев или кустарников одинакового размера выбирается дерево или кустарник, имеющий большее значение вегетационного индекса;

- преобразование результатов дешифрирования деревьев в векторную форму для последующей обработки в ГИС- пакете;

- pасчёт высоты деревьев по длинам их теней, измеренным на этапе определения положения стволов;

- заключительный этап фильтрации, в результате которого удаляются меньшие по размеру ложно обнаруженные деревья и кустарники, которые перекрываются кроной больших по размеру деревьев и кустарников;

- оценка достоверности результатов;

- оформление результатов дешифрирования.

Рисунок 1 - Классифицированное изображение, используемое для выделения отдельных деревьев по пространственному сочетанию освещённых и затенённых участков крон

Результатом анализа изображения QuickBird с применением разработанной методики, формализованной в виде двух моделей автоматической обработки снимков (для ERDAS IMAGINE и для ArcGIS), являются электронные карты на ключевой район в долине реки Тульок [12]. Среди них - карты деревьев и кустарников (рисунок 2), границ леса и лесотундры (рисунок 3), проективного покрытия крон, которые рассчитываются для элементарных площадок заданного размера (рисунок 4), Высокая достоверность результатов автоматизированного дешифрирования подтверждена на основе визуального дешифрирования для 16 тестовых участков изображения.

Рисунок 2 - Результат выявления деревьев и кустарников. Фон: космоснимок QuickBird от 28 июня 2006 г

Рисунок 3 - Результат автоматического определения границ леса

Следует отметить, что в изучаемом районе деревья на границе леса часто имеют кустарниковую форму, поэтому деревья и кустарники дешифрируются нами как единый класс объектов.

Рисунок 4 - Карты проективного покрытия крон для элементарных площадок, соответствующих размеру пиксела на снимках Terra ASTER (15 м), Landsat TM (30 м), Landsat MSS (80 м)

Полученная карта деревьев и кустарников позволяет оценивать количество деревьев и крупных кустарников на единицу площади, с разделением их на несколько классов по высоте, а также расстояние между стволами деревьев и проективное покрытие древостоев. Оценка высот объектов позволяет автоматизировано проводить границу между лесной, лесотундровой и стланиковой древесной растительностью (основные экологические классы в лесотундровом экотоне). Разработанная методика детального картографирования позволяет определять важные морфометрические параметры экотона лесотундры. Результаты детального дешифрирования будут использованы при оценке достоверности картографирования экотона лесотундры по снимкам более низкого пространственного разрешения для обширных территорий [12].