Введение

Почвенные карты являются одним из важнейших источников информации для рационального использования земельных ресурсов. Они могут быть востребованы при осуществлении работ, по кадастровой оценке, земель сельскохозяйственного назначения, при проведении мелиоративных, агротехнических мероприятий. Велико значение почвенных карт для землеустроительных работ, направленных на уменьшение и предотвращение деградации земель.

При создании и обновлении почвенных карт целесообразно использование данных дистанционного зондирования (ДДЗ). Основная работа, которую необходимо выполнить для получения карты на основе снимков - тематическое дешифрирование. Дешифрирование включает в себя распознавание и интерпретацию информации, отобразившейся на снимке. Именно с этим процессом связаны основные сложности дистанционного почвенного картографирования. Визуальное дешифрирование снимков субъективно, качество создаваемой продукции всецело зависит от навыков и опыта специалиста-дешифровщика. Автоматизированное дешифрирование основано на распознавании образов и зачастую подвержено неверной интерпретации машиной информации, закодированной в пикселях космического снимка.

Однако постоянное совершенствование методов компьютерной обработки пространственной информации исключают альтернативу использования автоматизированных технологий. При автоматизированной обработке ДДЗ задача оператора сводится контролю качества создаваемой продукции и выборочному ручному редактированию. Достижение приемлемого результата достигается за счет многочисленных апробаций технология на ключевых участках [2].

Главная цель выполняемой работы - создание автоматизированной технологии дешифрирования многозональных космических снимков. Непосредственные задачи заключаются в поиске и апробации наиболее подходящих способов тематической обработки снимков для выявления локальных особенностей почвенного покрова изучаемых территорий и в изучение и формализация дешифровочных признаков почв изучаемых территорий.

Объектом исследования являются земли вблизи полигона ТКО «Непейно» Дмитровского городского округа Московской области.

Глава 1. Объект исследования. Примеры космического дешифрирования почв

Геологическое строение и характеристика почв Дмитровского городского округа

Геологическое строение

Наиболее древними отложениями на территории Дмитровского района являются известняки и глины верхнего яруса каменноугольной системы (Carbon – C) гжельского яруса (С3), представляющие морские осадки палеозойской эры (табл. 1). В окрестностях Дмитрова мощность отложений известняка всего 2 м, что составляет лишь малую часть московской известняковой толщи. Наименьшая глубина залегания каменноугольных известняков и глин в Дмитровском районе известна для Дядьковского торфяника – 71,2 м.

После отложения каменноугольных известняков был чрезвычайно длительный перерыв в отложении морских осадков в Дмитровском районе: в течение Пермского, Триасового и большей части Юрского периодов весь Московский край представлял собой сушу. Под верхне-юрскими осадками местами сохранились следы некоторых континентальных отложений или только кора выветривания поверхности каменноугольного известняка, иногда пронизанного ходами древних беспозвоночных. В основании юрских осадков наблюдаются местами галечники.

Следующий выше лежащий горизонт коренных отложений представлен морскими осадками середины мезозойской эры верхнего отдела юрской системы (J2) - черными и серыми глинами келловейского (местами), оксфордского, киммериджского, нижне- и верхне-волжских ярусов. Эти глины обнаружены к северу от Дмитрова, где на их размытую поверхность прямо налегают ледниковые отложения. У южных пределов Дмитровского района обнаружены верхние горизонты подмосковной юры – нижне- и верхне-волжские ярусы под нижнемеловыми породами. Эти горизонты чаще отсутствуют, будучи уничтоженными доледниковой и ледниковой эрозией.

Следующий горизонт отложений нижнего отдела меловой системы играет важную роль в формировании массивов, поднимающихся над уровнем рек и овражных систем. Верхненеокомские отложения встречаются в восточной части района в бассейне р. Клязьмы. К среднему и верхнему неокому относятся железистые пески.

Широко распространенная толща слюдистых, обычно белых песков, песчаников и черных глин относится к аптскому ярусу (Apt). Не представляя собой типичных морских осадков, породы этого горизонта быстро изменяют свой состав на коротких расстояниях, но все же можно отметить, что сплошные пески преобладают в их большей нижней части, в значительной мере, скрытой под урезом рек. В глинах встречаются мелкие сростки серного колчедана; ниже их, в верхней части песков – конкреции сидерита непостоянным прослоем.

Вышележащий горизонт нижнего мела – гольт (Glt) – выражен песками с глауконитом и песчанистыми фосфоритами, а в верхней части еще и серыми слюдистыми глинами, также с большей или меньшей примесью глауконитовых зерен («парамоновские» глины). Мощность «парамоновских» глин достигает 10 м и более (в Ольявидове – 25 м), их подстилает небольшая толща (до 2,5-4 м) глауконитовых, частью глинистых песков.

Сеноман (Cm) представлен кварцевыми слабо глауконитовыми песками, содержащими вверху прослои фосфоритов. Мощность сеномана по Яхроме достигает 20 м и убывает к западу [7].

Следующий выше небольшой слой слюдистой суглино-супеси и опоковой породы относится к туронскому ярусу. С резким контактом на этот горизонт налегает следующий – песчаник, содержащий пустотки с гальками глауконитового песка, вывшего вероятно сцементированным известью (песчаный мел). Местами наблюдается резкий контакт зеленовато-серого ноздреватого песчаника с подстилающей его белой опокой. Кремнистый песчаник переходит вверх в более слабый нормальный кварцево-глауконитовый, сменяющийся песчанистой глиной и выше – беловатыми опоками.

Петрографически безизвестковые опоки варьируют от опоковидных довольно легких песчаников до более тонких трепеловидных пород, то переходят в мягкую глинисто-песчаную разность. Мощность их установить по естественным обнажениям невозможно, т.к. они срезываются ледниковыми образованиями.

Следующие горизонты представлены ледниковыми отложениями – четвертичный образования. Нижний горизонт первой морены представлен ледниковой валунной глиной, оставленной при первом наступлении ледника под его льдом, а также при отступлении от таяния. Для этой морены характерны темные тона – серо-бурый, темно-коричневый и т.п., сланцеватость, плотность, преобладание валунов известняка, кремней и мелких кварцитов над крупными кристаллическими. Нижняя морена сильно размыта талыми водами ледника, ее мощность от 3 до 15 м, в некоторых местах достигает 27 м.

Нижнюю морену покрывают межморенные (межледниковые) отложения талых вод ледника, они представлены преимущественно песчаными и песчано-валунными отложениями. Мощность их сильно варьирует от 0,4 м на Волгуше до 18 м по левобережью Икши. Типичными отложениями этого горизонта являются перекрестно- слоистые пески с линзами гравия и валунов. Пески этой толщи заключают иногда прослои глин, обычно красных.

При отступании из Дмитровского района ледника, под действием его талых вод образовались флювиогляциальные отложения, состоящие главным образом из песков с гравием и валунами, частью суглинков. В эту группу относят, во-первых, кроющие водоразделы пески, во-вторых, высоко лежащие валунные пески, слагающие уступы бугры, протягивающиеся вдоль речных долин. К этой же группе принадлежат валообразные песчано-валунные холмы, образовавшиеся подо льдом.

К послеледниковым отложениям относится группа делювиально-аллювиальных отложений, представленная обычно розовато- или желтовато-бурым суглинком. Их покрывают эоловые образования – перевеянные покровные пески, мощностью 1 – 1,5 м.

Характеристика почв

В геологическом строении выделяются два горизонта московских и днепровских моренных суглинков, местами разделенных флювиогляциальными песками. На поверхности находится слой покровных суглинков. Практически повсеместно развиты юрские глины, на северо‒востоке сохранились песчаные и песчано‒глинистые породы мелового возраста. Каменноугольные водоносные горизонты здесь надежно защищены. Территория района относится к слабому (на севере) и среднему (на юге) проявлению карстовых и оползневых процессов.

Согласно почвенной оценке, Дмитровский район входит в округ дерново‒подзолистых суглинистых почв Смоленско‒Московской возвышенности, иногда различной степени смытости. По степени оподзоленности почв в Смоленском округе преобладают среднеоподзоленные (на поверхности водоразделов и верхних частях склонов) и сильнооподзоленные (в микропонижениях водоразделов и нижних частях склонов).

Для района характерны земли со средним показателем увлажнения почв и их заболоченности (от 25 до 50 % от общей площади), отмечается достаточно высокая подверженность почв эрозии (от 10 до 25 %). Процессы эрозии получили широкое распространение на сельскохозяйственных землях, что приводит к потере плодородия почвы. Содержание гумуса в почвах невысокое (2,5 %).

В гидрогеологическом отношении район относится к Московскому артезианскому бассейну. На данной территории достаточно широкое развитие получили верховодка и воды, спорадически распространенные на разной глубине в песчаных линзах и прослоях морен. Эти воды местами обладают напором, в связи с чем возможна гидравлическая связь их с водами каменноугольных отложений. Грунты, слагающие разрез, здесь отличаются достаточно высокой надежностью в основании сооружений, за исключением пойменных и болотных отложений [4].

Так как в данной работе исследование проводится непосредственно для почв, прилегающий к полигону ТКО «Непейно», следует подробнее рассмотреть данный объект.

Согласно текстовым материалам по обоснованию проекта генерального плана городского поселения Дмитров на его территории присутствуют объекты всех классов опасности с санитарно-защитными зонами от 50 до 1000 м.

Наиболее опасным с санитарно-гигиенических позиций является полигон твёрдых бытовых отходов «Непейно», относящийся к первому (наивысшему) классу опасности с санитарно-защитной зоной 1000 м.

Полигон расположен в границах городского поселения Дмитров южнее д. Непейно, в 2,5 км к востоку от с. Орудьево на холмистой моренной равнине Клинско-Дмитровской гряды, в отработанном песчаном карьере.

Площадь полигона 12,25 га.

Захоронение отходов на полигоне осуществляется картовым методом с послойной изоляцией грунтом. Проектная мощность полигона 800 тыс. куб. м. Остаточная ёмкость на 01.01.2013 – 724,1 тыс. куб. м.

На полигоне действуют 2 мусоросортировочные линии по 100 тыс. тонн в год.

Состояние природной среды в районе полигона классифицируется как среднеустойчивое: водоносные комплексы надёжно защищены юрским водоупором, поверхностные (ручей, протекающий через д. Непейно) и грунтовые воды загрязнены.

Рис. 1. Космический снимок д.Непейно и прилегающего полигона ТКО «Непейно»

Рис 2. Опорный план района д. Непейно Рис. 3. Схема функционально зонирования.

На фрагменте схемы зонирования присутствуют следующие зоны:

К – коммунальная зона (территории парковок, разноуровневых гаражей);

СХ-1 – зона сельскохозяйственных угодий;

СХ-2 – зона, предназначенная для ведения садового и дачного хозяйства, в т.ч. ЛПХ;

СХ-4 – сельскохозяйственная зона иного использования;

СХ-5 – залесенные участки земель сельскохозяйственного назначения;

СП-3 – зона объектов обработки, утилизации, обезвреживания, размещения твердых коммунальных отходов;

Ж-1.3 – Зона малоэтажной жилой застройки;

О-1 – многофункциональная общественно-деловая застройка;

П – зоны промышленных объектов;

Р-3 – зона лесов.

Примеры дешифрирования почв

Дешифрирование и картографирование почв сельскохозяйственных земель на примере Браславского района Витебской области

Дешифрирование почв различных ландшафтов имеет свою специфику в зависимости от физико-географических условий и степени антропогенной освоенности территории. Так, для лесов, речных долин, незатронутых хозяйственной деятельностью торфяно-болотных комплексов ведущую роль при дешифрирование почвенного покрова играет ландшафтная индикация. Для открытых почв сельскохозяйственных земель дешифрирование осуществляется в основном по прямым дешифровочным признакам (тон, цвет, текстура, форма и размер контуров). В целом это должно обеспечивать более достоверные результаты дешифрирования, в отличие от индикации, которая всегда вероятностна. Однако почва - сложное природное образование с постепенным изменением свойств, как в пространстве, так и во времени. Это обуславливает сложность определения границ почвенных разновидностей и тематической интерпретации выделенных контуров.

Объектом исследований является почвенный покров калибровочно-тестовых полигонов (КТП), заложенных на землях СПК «Межаны» Браславского района Витебской области (КТП Роживо) и землях СПК "Новое Полесье" Солигорского района Минской области (КТП Величковичи). Создание маски сельскохозяйственных земель, куда относятся пахотные земли, залежи, луга и пастбища осуществлялось с использованием земельно-информационной системы (ЗИС). Тематическая обработка снимков выполнялась в пределах данных масок [10].

Оба полигона характеризуются набором специфических условий. КТП Рожево характеризуется преобладанием дерново-подзолистых в различной степени смытых суглинистых почв, подстилаемых моренными отложениями. Следствием высокой степени расчленения рельефа является чрезвычайная мелкоконтурность и пестрота почвенных комбинаций. Земли подвержены процессам водной эрозии, во многих местах почти полностью смыт гумусовый горизонт. КТП Величковичи характеризуется преобладанием торфяных мелиорированных и постторфяных органо-минеральных антропогенных почв подстираемых флювиогляциальными супесями и песками, которые сформировались на территории осушейного торфяно-болотного массива. Необратимые изменения в водно-физическом режиме почв приводят к минерализации торфяных горизонтов и коренной трансформации почвенного покрова.

Выполняемое исследование ориентировано на создание почвенных карт масштаба 1:10 000. Для создания карт такого масштаба необходимы ДДЗ, обладающие сверхвысоким разрешением. При выполнении исследования были использованы космические снимки сверхвысокого разрешения QuickBird (03.07.2006 г.) и Ikonos (17.09.2006 г.). Пространственное разрешение QuickBird составляет 0,6 м (панхроматическая съемка) и 2.4 м (многозональная съемка), Ikonos 1 м (панхроматическая съемка) и 4 м (многозональная съемка). Многозональная съемка у обоих космических аппаратов осуществляется в четырех спектральных диапазонах - синем, зеленом, красном и ближнем инфракрасном.

Приобретенные данные дистанционного зондирования нуждаются в предварительной обработке. Исходные снимки были геопривязаны и ортотрансформированы. В целях улучшения цветопередачи и визуального восприятия снимков был выполнен ряд улучшающих гистограммных преобразований яркости и контраста (эквализация, нормализация, ручная коррекция). Непосредственные цифровые значения пикселей были изменены для всего изображения посредством суммарной высокочастотной фильтрации и медианной фильтрации [11].

Установлена возможность автоматизированного распознавания на снимках минеральных почв, торфяных почв без признаков. деградации (более 50% органического вещества), деградированных торфяно-минеральных почв (от 20% до 50% органического вещества) и минеральных остаточно-торфяных почвы (менее 20% органического вещества). Для этих целей наиболее пригодными оказались красный (0,64 - 0,72 мкм) и зеленый (0,52 - 0,61 мкм) каналы съемощной системы Ikonos, псевдоизображение 2-й главной компоненты и индекса яркости преобразования "tasseled-cap". Помимо содержания органического вещества, при помощи красного и зеленого каналов возможно дешифрирование торфянисто-глеевых и торфяно-глеевых почв, которые характеризуются небольшой мощностью торфяного слоя - до 20 см и до 50 см соответственно. В то же время распознавание и разделение торфяных почв с мощностью залежи более 50 см не представляется возможным, что подтверждается многочисленными исследованиями. Анализ главных компонент позволяет осуществить разделение минеральных почв по степени увлажнения.

Процесс обработки и дешифрирования ДДЗ для целей почвенного картографирования достаточно трудоемок. Автоматизация данного процесса подразумевает последовательное выполнение ряда операций и иерархическую группировку выполняемых команд. Поэтому возникает необходимость алгоритмизации и построения моделей выполнения процесса. При помощи специальных сред разработки, встроенных в программные приложения, таких как Model Builder для ArcGIS и Spatial Modeler для ERDAS IMAGINE были созданы отдельные модели для предварительной тематической обработки снимков, классификации, генерализации и векторизации изображений.

Модели создаются таким образом, что выходные данные одного процесса являются входными данными для другого процесса. Таким образом, обеспечивается непрерывное выполнение команд и минимизация участия оператора. Входными данными для моделей являются земельное покрытие ЗИС (для определения земель сельскохозяйственного назначения), 4 спектрозональных изображения QuickBird или Ikonos, и векторный слой эталонных участков изучаемых почвенных разновидностей для формирования каталога дешифровочных признаков. В качестве выходных данных выступает векторный слой изучаемых почвенных разновидностей. Фактически, участие специалиста требуется лишь на этапе анализа дешифрируемости почв с использованием каталога дешифровочных признаков.

В результате выполнения работы была установлена возможность использования космических снимков сверхвысокого разрешения Quickbird и Ikonos для изучения и автоматизированного картографирования отдельных свойств почв Беларуси. Так для условий сильнорасчлененного рельефа Белорусского Поозерья установлена возможность дешифрирования проявлений эрозии по летнему снимку, но автоматизированное картографирование не представляется возможным ввиду значительного сходства спектральных образов в различной степени смытых почв. Для открытых распаханных площадей осушенных торфяно-болотных комплексов многозональные космические снимки сверхвысокого разрешения позволяют оценивать развитие процессов деградации торфяной залежи и осуществлять картографирование некоторых типов почв.

Использование автоматизированных технологий обработки и дешифрирования многозональных ДДЗ позволяют значительно повысить эффективность цифрового почвенного картографирования за счет сокращения времени (в среднем в 3 раза сокращаются временные затраты на полевые и картосоставительские работы) и повышения точности локализации контуров.

Условные обозначения

Почвы

дерново-подзолистые и дерново-подзолистые заболоченные

дерново-глееватые

дерново-глеевые

торфянисто-глеевые и торфяно-глеевые

торфяные

деградированные торфяно-минеральные

деградированные минеральные остаточно-торфяные

a) фрагмент космического снимка Ikonos, 17.09.2006,

б) фрагмент цифровой почвенной карты СПК «Новое Полесье», 2004 г.;

в) фрагмент цифровой почвенной карты, полученной в результате автоматизированной дешифрирования космического снимка Ikonos.

Рис. 4. Результат автоматизированного дешифрирования космического снимка Ikonos на территорию КТП Величковичи

Дешифрирование сельскохозяйственных земель на примере северной части озера Чалкар, Западно-Казахстанская область

На сайте Геологической службы США был сделан заказ на космоснимок КА Landsat, который был создан специально для природно-ресурсного мониторинга различных территорий.

Особенностью выбора снимка Landsat 5TM, является его оптико-электронная камера ТМ и модернизированный сканер МSS (мультиспектральное сканирующее устройство). Камера ТМ позволяет формировать изображение в семи участках электромагнитного спектра с пространственным разрешением 30 м в видимом и инфракрасном диапазоне с шириной полосы обзора 185 км [5].

Для исследований используются снимки крупного масштаба, сделанные на различные моменты времени. Они должны охватывать всю исследуемую область, быть одного типа, например, видимого диапазона. Из всех возможных вариантов выбираются наиболее качественные снимки без облачного покрова, предназначенный для картографирования прибрежных водных поверхностей. Таковым был получен снимок сделанный в конце летнего периода (01.09.2012 г) с ПР 30 м.

Рис.5. Необработанный космоснимок района исследования

Как известно, в большинстве случаев, геометрия получаемых снимков сопровождается искажениями. Вследствие этого, проведение точных измерений по снимку затруднительно. Для восстановления геометрии изображений проводится фотограмметрическая обработка снимка, в ходе которой устанавливается взаимно однозначное соответствие между точками на снимке и аналогичными точками, расположенными на земной поверхности. При этом устраняются геометрические искажения снимка.

В программном комплексе ArcGIS/ArcMap координатная (географическая) привязка в ArcMap осуществляется в несколько этапов, последовательность которых зависит от типа привязываемого материала. Привязка растров в ArcGIS осуществлялась при помощи инструментов с панели Пространственная привязка (Georeferencing).

При обработке космоснимков многие методы используют признаки спектральной яркости, поэтому в ходе автоматизированного дешифрирования решается задача определения количественных связей между спектральной яркости и характеристиками объектов. Распределение пикселей по классам происходит в спектральном пространстве.

Обработка космоснимка исследуемой территории выполняется методом классификации в программе ENVI 4.7, в процессе которой автоматически выделяются 255 похожих цветов. Задачей классификации явилось разбиение группы объектов на количество классов Number of Classes (в данном случае 14 классов), число итераций Maximum Iterations и порог сходимости Convergence Threshold. Затем каждому классу присваивается определенный цвет.

На следующем этапе обработки с каждым выделенным классом связывается то или иное значение атрибутивного признака. Используя команду Edit/Add Area Column, можно вычислить площадь, соответствующую каждому выделенному классу.

После разделения на 6 классов (типов земель), каждый класс в формате ROI переводится в векторный слой с целью их использования для проведения пространственного анализа в ГИС. Векторный файл в ENVI в формате evf*, пересохраняем его в шейп-файл (shp) для дальнейшей работы с ним.

После перевода векторного файла снимка в шеп-файл работа продолжается в программе ArcGIS/ArcMap, где по атрибутивной таблице снимка происходит распознование объектов и группировка цветов, производится их объединение или разъединение по соответсвующим признакам на классы. Затем по топооснове, сопоставляя объекты и используя интерпретацию комбинаций каналов данных Landsat 5,7TM по трем каналам: 7,4,2, которое дает изображение близкое к естественным цветам: сухостойная растительность выглядит оранжевым цветом, здоровая – ярко зеленой, травяные сообщества – зелеными, розовые участки детектируют открытую почву, коричневые и оранжевые тона характерны для разреженной растительности. По данным характеристикам находятся соответствующие объекты на космоснимке исследуемой территории и производится их классификация.

Таким образом, на исследуемой территории были выделены 6 классов соответствующие определенному типу сельскохозяйственных земель или комплексу ландшафтов и получена карта района исследования со следующими типами земель:

1 класс – влажный растительный покров;

2 класс – участки с разнотравной растительностью;

3 класс - открытые такыровидные участки;

4 класс - пашни;

5 класс –неиспользуемые земли;

6 класс – антропогенные участки (оголенные участки); [7].

Рис.6. Составленная карта сельскохозяйственных земель северной части озера Чалкар

Макроскопическая кинетика временной и пространственной изменчивости вегетационного индекса NDVI на территории заповедника «Ямская степь» в условиях загрязнения почвы тяжёлыми металлами

Обоснован подход к выявлению закономерностей временной и пространственной изменчивости фотосинтетически активной биомассы на основе анализа данных (NDVI, Landsat-8) дистанционного зондирования Земли с использованием теоретического уравнения, выведенного ранее в рамках законов сохранения механики и макроскопической химической кинетики живых реагирующих систем. Показано, что при условии введения постоянной для каждой мониторинговой площадки (пикселя) результирующей (в форме среднего геометрического) начальной концентрации содержащихся в почве тяжёлых металлов (Li, V, Cr, Co, Ni, Cu, Zn, As, Sr, Mo, Cd, Sn, Sb, Cs, Ba, Pb) в константы уравнения одномодальная сезонная динамика вегетационного индекса подчиняется теоретическому уравнению, константы и особые точки которого являются индивидуализирующими характеристиками каждой площадки (пикселя).

При условии введения в константы уравнения фиксированного времени закономерности пространственного изменения вегетационного индекса по мониторинговым площадкам (пикселям) с одинаковыми, помимо концентрации тяжёлых металлов, почвенными свойствами сведены к уравнению дозовой зависимости, константы и особые точки которого являются индивидуализирующими характеристиками отклика фотосинтетически активной биомассы (NDVI) на результирующую начальную концентрацию в почве тяжёлых металлов данного набора.

В качестве меры концентрации фотосинтетически активной биомассы на мониторинговых площадках, каждой из которых был поставлен в соответствие один пиксель, использован вегетационный индекс NDVI, значения которого находили по материалам Landsat-8, полученным из открытого источника. Временную динамику и закономерности пространственного изменения концентрации фотосинтетически активной биомассы q моделировали с использованием решения, полученного ранее в работе (Гендугов, Глазунов, 2014) в рамках представлений сплошной среды:

(1)

Выявление индивидуализирующей роли конкретного сочетания начальных концентраций указанных тяжёлых металлов (стрессора) в форме их среднего геометрического z возможно лишь на фоне равенства прочих, помимо содержания тяжёлых металлов, факторов, определяющих тип растительности, присущую ей фотосинтетически активную биомассу и её динамику. Согласно данным из работы (Бакунович и др., 2016), содержание углерода органического вещества в верхнем пятисантиметровом слое почв мониторинговых площадок, варьирующее в диапазоне от 2,06 до 3,69 %, а также низкие значения удельной скорости базального дыхания свидетельствуют об одинаковости качества органического вещества этих почв, относящихся к одному биоклиматическому ряду. Показатель кислотности в почвах площадок варьирует в пределах от 5,0 до 6,4 ед. рН, т. е. эти почвы характеризуются слабокислой, близкой к нейтральной, и нейтральной реакциями среды. Почвы мониторинговых площадок характеризуются близким гранулометрическим составом, попадая в диапазон от средне- до тяжелосуглинистых с содержанием физической глины от 42 до 54 %. Все эти почвы, за двумя исключениями, практически не различаются по величине метаболического коэффициента qCO2, который изменяется от 0,052 до 0,143, что свидетельствует о наличии весьма слабых признаков угнетения и нарушения микробных сообществ.

По данным радарной съёмки из источника http://srtm.csi.cgiar.org/ построили карты высот, крутизны и экспозиции склонов, из которых следует, что все мониторинговые площадки, за исключением № 5, где крутизна склона составила 7°,

располагаются на слабопокатых, очень пологих и пологих склонах разной экспозиции крутизной менее 5°, что позволяет в первом приближении пренебречь этими различиями и объединить их в одну категорию по инсоляции. Все мониторинговые площадки располагаются на склонах в транзитном положении относительно линий поверхностного стока и не подвергаются избыточному увлажнению. Лишь на одной площадке (№ 11) в профиле сверхмощного чернозёма на овражно-балочных наносах присутствуют следы оголения, свидетельствующие о периодическом переизбытке влаги. Максимальный перепад абсолютных высот между площадками достигает 65 м, обеспечивая пренебрежимо малую (порядка 0,4°) максимальную разницу в температурах за счёт перепада высот [9].

Опираясь на приведённые сведения о генетической принадлежности, химических, физических и биологических свойствах почв мониторинговых площадок и закономерностях их расположения в рельефе, в качестве первого приближения приняли, что почвенные и температурно- влажностные условия мониторинговых площадок, за исключением содержания в них тяжёлых металлов, можно считать одинаковыми по их способности поддерживать растительные сообщества, а различия между ними в закономерностях сезонной динамики NDVI могут быть объяснены разницей в степени загрязнения почвы мониторинговых площадок тяжёлыми металлами.

Рис.7. Расположение мониторинговых площадок в рельефе

Обработку материалов дистанционного зондирования и подготовку картографического материала проводили с использованием свободно распространяемой ГИС SAGA. Коэффициенты уравнений получили приближением этих уравнений к экспериментальным данным по способу наименьших квадратов с использованием доступных пакетов прикладных программ для ПЭВМ. Для иллюстрации точности приближения модели на графиках, приведенных в настоящей работе, наряду с теоретической кривой и экспериментальными точками синим пунктиром показаны 95%-е доверительные интервалы. Наличие коэффициентов модели дало возможность вычислить особые точки путём анализа производных первого, второго и третьего порядков от вегетационного индекса по времени и по результирующей концентрации тяжёлых металлов в почве с использованием свободно распространяемого пакета программ компьютерной алгебры Maxima.

Автоматизированное дешифрирование структуры почвенного покрова по материалам многозональной съёмки

Классификация объектов предполагает разделение пространства признаков на замкнутые области (классы) с определенными значениями признаков. Область в пространстве спектральных признаков может быть компактной, когда характеристики пикселей данного класса мало различаются. Однако на практике чаше встречаются случаи, когда области признаков, относящиеся к разным классам, соприкасаются или частично перекрываются. Причина этого заключается в неоднородности объектов земной поверхности и их освещенности и усугубляется пиксельной структурой цифрового снимка. В каждом пикселе неоднородной поверхности яркости соседствующих объектов интегрируются в разных соотношениях, из-за чего и возникает большой разброс спектральных характеристик внутри одного класса.

Отнесение пикселей к классам зависит от принятого правила классификации. Возможны два подхода.

В первом из них классификация основана на признаках объектов, принадлежность которых к определенному классу на местности известна (например, признаки объектов на эталонных участках). В этом случае выполняется контролируемая классификация, иногда называемая классификацией с обучением.

Другой подход заключается в группировке пикселей со сходными уровнями яркости в зонах без предварительного знания числа и характеристик классов объектов на местности. Это неконтролируемая классификация, или классификация без обучения.

Для индикации почвенного покрова по материалам многозональной съёмки был выбран ключевой участок с однородными песчаными почвообразующими породами, расположенный в Ельском районе Гомельской области. В исследованиях использованы материалы многозональной аэросъёмки в 5 спектральных зонах: 1 – синей (0,48 мкм), 2 – зеленой (0,54 мкм), 3 – оранжевой (0,60 мкм), 4 – красной (0,66 мкм) и 5 – ближней инфракрасной (0,72 мкм).

Анализ результатов цифровой обработки зональных снимков показал, что почвы, сформированные на песчаных почвообразующих породах, в зависимости от зоны электромагнитного спектра хорошо дифференцируются по степени увлажнения. Дерново-подзолистые оглеенные внизу и временно избыточно увлажнённые почвы чётко отображаются в диапазонах 0,48 мкм (синяя зона) и 0,66 мкм (красная зона), где они распознаются по близкому к белому и светлому тону фотоизображения. Снимок в красной зоне спектра и отображение кластера, соответствующего дерново-подзолистым оглеенным внизу и временно избыточно увлажненным почвам, представлены на рисунке 8. Дерново-глеевые и торфяно-болотные почвы низинного типа наиболее контрастно выражены на снимке инфракрасной зоны (0,72 мкм), где они распознаются по тёмному тону фотоизображения. Снимок в инфракрасной зоне спектра и отображение кластеров, соответствующих данным почвам, представлены на рисунке 9.

Для получения приемлемых результатов дешифрирования были исследованы различные алгоритмы предварительной обработки изображений в каждой зоне, подобраны соответствующие фильтры и параметры. В итоге получены результаты достаточной степени достоверности.

Однако, наиболее эффективной формой одновременной передачи информации, содержащейся на отдельных зональных чёрно-белых снимках одной и той же территории, является синтез материалов многозональной съёмки, т.е. наложение изображения одной зоны, предварительно окрашенной в определённый цвет, на изображение другой, в результате чего получается синтезированное цветное изображение территории. Таким образом, небольшие спектральные различия в яркости объектов могут быть переведены в более отчётливо видимые цветовые различия.

Для получения синтезированного изображения была использована программа «MultiSpec» [4].

Изображение в цветном синтезе RGB (Red-Green-Blue) получается в результате смешения цветов при сочетании зон снимка в порядке 1,2,3, т.е. первый по счету зональный снимок отображается красным цветом, второй – зелёным, третий – синим. Таким образом были получены синтезированные изображения. Следует заметить, что изображение на синтезированных снимках получается в «ложных» цветах, однако это изображение более выразительно и контрастно.

Анализ различных вариантов синтеза показал, что наиболее оптимальным для целей дешифрирования почв оказалось сочетание первого (0,48 мкм), третьего (0,60 мкм) и пятого (0,72 мкм) каналов МКФ-6. При данном сочетании каналов синтезированное изображение позволяет различить и выделить границы не только наиболее контрастных почв, но и почв, скрытых луговой растительностью, таких как дерново-подзолистые глееватые и дерново-глеевые.

Полученный оптимальный вариант синтеза (1-3-5) был использован для дальнейшей обработки и проведения классификации.

При проведении классификации без обучения использовались алгоритм быстрого выделения кластеров и итеративный алгоритм ISODATA.

Для проведения классификации с обучениемдля многозонального изображения, соответствующего оптимальному варианту синтеза (1-3-5), были определены эталонные участки (классы 1-5): дерново-подзолистые оглеенные внизу связнопесчаные почвы пахотных угодий; дерново-подзолистые временно избыточно увлажнённые почвы пахотных угодий; дерново-подзолистые глееватые связнопесчаные почвы пахотных угодий; дерново-глеевые почвы пахотных угодий; торфянисто-глеевые и торфяно-глеевые почвы луговых угодий.

Анализ соотношения площадей почв и рисунка почвенного покрова позволил сделать заключение, что на снимке изображена плоская низинная водораздельная поверхность с пятнистым сочетанием почв, в котором преобладают дерново-подзолистые глееватые и дерново-глеевые почвы, присутствуют дерново-подзолистые оглеенные внизу и временно избыточно увлажненные на изолированных плоских повышениях и торфянисто - и торфяно-глеевые в замкнутых западинах. Выполненные экспериментальные работы по компьютерной обработке многозональных снимков показали, что для индикации песчаных почв различной степени увлажнения наиболее эффективно использовать снимки отдельных зон спектра, а для выявления особенностей структуры почвенного покрова – синтезированные изображения, отражающие особенности пространственной организации почвенных комбинаций.

Рис. 8. Снимок в красной зоне спектра (слева) и отображение кластера дерново-подзолистых оглеенных внизу и временно избыточно увлажняемых почв (справа)

Рис. 9. Снимок в инфракрасной зоне спектра (слева) и отображение кластеров дерново-глеевых и торфяно-болотных почв (справа)

Автоматическое распознавание используемых пахотных земель на основе сезонных временных серий восстановленных изображений Landsat

Для снятия ограничений на частоту повторных дистанционных измерений был использован метод воссоздания частых временных серий высокого пространственного разрешения, основанный на локализованном поиске объектов земного покрова со схожей многолетней динамикой изменения спектрально-отражательных характеристик.

Установление пространственно-динамических связей внутри группы близкорасположенных похожих объектов земного покрова позволяет достаточно точно спрогнозировать значение КСЯ любого представителя этой группы за счёт достигаемой в процессе поиска статистической избыточности. Эти закономерности позволили воссоздать отсутствующие ввиду влияния различных факторов (облачность, тени от неё, сбойные фрагменты изображения) измерения за текущую дату, как если бы они были выполнены в безоблачных условиях.

Метод восстановления данных на основе пространственно-динамических связей требует минимизации влияния мешающих факторов, искажающих наблюдаемые характеристики участков земной поверхности на спутниковых изображениях. Повышенные требования к качеству исключения мешающих факторов подразумевали ужесточение критериев фильтрации участков облачности и теней, что приводит к почти гарантированному, хотя и избыточному, маскированию указанных объектов. Формирование маски облачности на изображениях

Landsat, полученных приборами OLI и ETM+, осуществляется модифицированным алгоритмом FMASK на основе калиброванных значений спектральной яркости на уровне верхней границы атмосферы, рассчитываемых с использованием продукта L1T.

Модификация алгоритма, в частности, предусматривает более точную идентификацию краёв облаков и теней, а также дополнительное исключение пикселей, соответствующих участкам полупрозрачной облачности. Получаемые таким образом маски пикселов, находящихся под влиянием мешающих факторов, применяются к прошедшим атмосферную коррекцию изображениям Landsat уровня обработки L2 в красном, ближнем и среднем ИК-каналах, оставляя для дальнейшего анализа неискажённые измерения КСЯ на уровне земной поверхности.

В результате предварительной обработки был сформирован трёхлетний временной ряд безоблачных атмосферно-скорректированных изображений Landsat на всю территорию рассматриваемых регионов [3].

Рис. 10. Примеры восстановления изображений Landsat для части территории Московской области (сверху) и Приморского края (снизу): исходные изображения после фильтрации облачности и теней (слева), результат восстановления (в центре), результат заполнения оставшихся после восстановления пропусков с помощью интерполяции (справа)

Рис. 11. RGB-синтез разновременных восстановленных изображений Landsatдля территории Московской области (слева) и Приморского края (справа)

В используемой в настоящее время технологии для распознавания пахотных земель по данным MODIS задействованы три спектрально-динамических признака, извлекаемые из многолетних временных серий значений перпендикулярного вегетационного индекса PVI (Richardson, Weigand, 1977): SGPI, CEMI и AMMI (Bartalev et al., 2016). Эти индексы призваны максимизировать имеющиеся различия многолетних рядов дистанционных наблюдений для классов естественной растительности и пахотных земель ввиду наличия на участках последних севооборота. Так, SGPI выявляет минимальную для ряда лет ширину сезонной кривой PVI на полувысоте амплитуды, CEMI выбирает минимальное из ряда лет среднее значение PVI в период посевных работ, обнаруживая участки обрабатываемой почвы, а AMMI позволяет детектировать участки существенного межгодового изменения объёмов зелёной биомассы. Математические формулы для вычисления, детальное описание характеристик и информативности этих спектрально-динамических индексов для решения задачи распознавания используемой пашни описаны в работах.

Поскольку указанная технология подразумевает картографирование пашни по данным MODIS с разрешением 250 м, в качестве входных данных в ней используются измерения только в красном и ближнем ИК-диапазонах длин волн, которые обладают указанной пространственной детальностью. На основе этих каналов вычисляется вегетационный индекс PVI и производные от него спектрально-динамические признаки.

Спутниковая система Landsat позволяет дополнительно использовать, в частности, данные коротковолнового ИК-диапазона (SWIR), который, наряду с красным и ближним ИК, также характеризуется пространственным разрешением 30 м и является информативным для выявления пахотных земель. В указанной работе были предложены исследованные на примере участков глобальной сети JECAM признаки распознавания используемой пашни, основанные на использовании измерений в SWIR-диапазоне.

В частности, признаки SWIR_NDVImax и SWIR_NDVImin представляют собой значения КСЯ в этом канале, которые соответствуют сезонным максимуму и минимуму NDVI соответственно. Аналогично могут быть построены признаки для других диапазонов длин волн, например RED_NDVImax и RED_NDVImin, основанные на измерениях в красном канале приборов OLI и ETM+. Помимо высокого пространственного разрешения, особенностью используемых далее в работе признаков является более короткий временной интервал дистанционных наблюдений, на основе которых они были рассчитаны. Описанные выше признаки SGPI, AMMI, CEMI использовали многолетние временные серии данных, однако распознавание пахотных земель текущего сезона вегетации в рамках этой работы требовало использования одного года для их построения [3].

Таким образом, в целях выявления используемых пахотных земель Московской области и Приморского края был построен набор признаков распознавания, основанных на сезонных временных сериях восстановленных измерений высокого пространственного разрешения, включающий в себя SGPI и CEMMI, а также признаки, основанные на сезонных временных сериях измерений КСЯ в красном и ближнем ИК-каналах SWIR\RED_NDVImax и SWIR\ RED_NDVImin. Признак AMMI не может быть рассчитан с использованием одного года наблюдений Landsat, поскольку нацелен на выявление межгодовых вариаций зелёной биомассы.

Рис. 12. Изображения признака CEMI, рассчитанного на основе восстановленной сезонной временной

серии изображений Landsat для участков Московской области (слева) и Приморского края (справа)

а б в

Рис. 13. Фрагмент карты TerraNorte RLC (а), соответствующий ему фрагмент обучающей выборки высокого пространственного разрешения (б) и результат сегментации временной серии изображений

Landsat (в) на часть территории Московской области. Чёрный цвет означает отсутствие пикселей обучающей выборки

Глава 2. Виды и методика дешифрирования снимков

Важный методологический подход при экологическом дешифрировании - анализ дешифрируемых объектов в развитии и в неразрывной связи с окружающей их средой. Дешифрирование выполняется по принципу от общего к частному. Аэрокосмический снимок для эколога - прежде всего информационная модель изучаемой местности, воспринимаемая как единое целое. Однако при целевом дешифрировании исполнитель обычно сталкивается как с избыточной (лишней) информацией, присутствующей на снимке, так и с недостатком необходимой информации. Следует подчеркнуть, что дешифрирование аэрокосмических снимков требует определенных знаний и навыков. Чем глубже профессиональные знания исполнителя о предмете исследования, тем точнее, полнее и достовернее информация, извлекаемая из снимка.

Технологические схемы дешифрирования. Дешифрирование снимков, как исследовательское, так и производственное, всегда выполняется целенаправленно. Экологи изучают по снимкам геосистемы разных рангов, их компоненты, а также отдельные объекты, явления и процессы, выполняя ландшафтное, геоморфологическое, гидрологическое, гляциологическое и другие виды дешифрирования.

Технология и организация работ по дешифрированию существенно зависят от его задач, территории, масштаба и вида снимков (фотографических или сканерных, тепловых, радиолокационных и др.), от использования одиночных снимков или их серий (многозональных, разновременных). Существуют различные организационно-технологические схемы дешифрирования, но все они включают следующие этапы:

1) знакомство с методическими рекомендациями по данному виду дешифрирования, литературой и картографическими материалами по объекту и району исследований;

2) выявление набора объектов дешифрирования (составление предварительной легенды будущей схемы дешифрирования или карты);

3) подбор снимков для дешифрирования, преобразование снимков для повышения их выразительности, подготовка приборов и вспомогательных средств дешифрирования. Следует иметь в виду, что снимки, оптимальные для решения одной задачи, могут оказаться неэффективными для другой;

4) собственно дешифрирование аэрокосмических снимков и оценка его достоверности;

5) оформление результатов дешифрирования.

Центральным моментом любых работ является собственно дешифрирование аэрокосмических снимков. Тематическое дешифрирование можно выполнять по двум принципиальным логическим схемам. Первая схема предусматривает вначале распознавание объектов, а затем их графическое выделение; вторая схема - вначале графическое выделение на снимке участков с однотипным изображением, а затем их распознавание. Обе схемы завершаются этапом интерпретации, научного толкования результатов дешифрирования. Работая со снимками, особенно с космическими, дешифровщик широко привлекает дополнительный материал, обычно картографический, который служит для уточнения дешифровочных признаков и оценки результатов дешифрирования [7].

Первая схема оказывается универсальной для решения большинства задач; она получила широкое признание в практике визуального дешифрирования. Вторая схема весьма эффективна при дешифрировании относительно простых объектов по яркостным признакам, но имеет ограниченное применение. Обе эти схемы при компьютерном дешифрировании реализуются в технологиях классификации с обучением и без обучения.

Дешифровочные признаки. На аэрокосмическом снимке объекты отличаются один от другого по ряду дешифровочных (демаскирующих) признаков. Выделяют основные признаки, которые принято делить на прямые (простые и сложные) и косвенные. Прямые простые дешифровочные признаки - форма, размер, тон (цвет) изображения и тень, а сложный (комплексный) признак, объединяющий выше названные признаки, - рисунок изображения. Косвенные признаки основаны на связях между объектами, на возможности выявления не видимых на снимке объектов по другим объектам, хорошо изобразившимся. Косвенными признаками служат также местоположение объекта, географическое соседство, следы воздействия объекта на окружение.

При прямом (непосредственном) дешифрировании используются прямые признаки. Приведем их характеристики для снимков видимого диапазона.

Форма - результативный прямой признак при визуальном дешифрировании. Именно в форме контура заключается основная часть информации об объекте.

Размер - признак, используемый главным образом при работе с крупномасштабными снимками. По размеру различают здания разного функционального назначения, разделяют поля зерновых и кормовых севооборотов.

Тон (степень почернения) изображения, определяемый яркостью объекта и спектральной зоной съемки, помогает разделитьосновные типы поверхности: снег, открытый грунт, растительность. Однако тон - не стабильный признак. Даже при одинаковом освещении один и тот же объект может изобразиться в разных частях снимка разным тоном, и наоборот.

Цвет - более информативный и надежный признак, чем тон черно-белого снимка. По цвету хорошо выделяются водные объекты, леса, луга, распаханные поля.

Тень можно отнести как к прямым, так и к косвенным дешифровочным признакам. На фотографических и сканерных снимках она подразделяется на собственную и падающую.

Морфометрическое дешифрирование. Дешифровочный признак объектов - форма - при дешифрировании обычно определяется визуально, но более точное разделение объектов по форме возможно на основе ее измерений. Кроме формы отдельных объектов определяют количественные статистические характеристики формы объектов массового распространения и их распределения - они также могут служить признаками определенного типа объектов.

Распознавание и изучение объектов, основанное на определении количественных показателей, характеризующих их форму, размеры, особенности пространственного распределения, рисунок изображения - его текстуру и структуру, называют морфометрическим дешифрированием. Способы определения морфометрических показателей, число которых в разных областях исследований измеряется десятками, варьируют от простейших визуально-инструментальных измерений до компьютерной обработки снимков.

Индикационное дешифрирование. В отличие от прямого при косвенном дешифрировании, которое основано на объективно существующей в природе взаимосвязи и взаимообусловленности между объектами и явлениями, дешифровщик определяет не сам объект, который может и не изобразиться на снимке, а его указатель, индикатор. В качестве индикатора наиболее часто выступают растительный покров, а также рельеф и гидрография. Косвенные признаки лежат в основе ландшафтного метода дешифрирования, базирующегося на многосторонних связях между отдельными компонентами ландшафта, между дешифрируемым объектом и всем природным комплексом. Обычно с уменьшением масштаба снимков роль косвенных дешифровочных признаков возрастает.

Косвенное дешифрирование с использованием индикаторов называют индикационным дешифрированием, при котором по наблюдаемым «физиономичным» компонентам ландшафта выявляются компоненты или процессы, менее доступные для наблюдения. Географическую основу такого дешифрирования составляет индикационное учение (индикационное ландшафтоведение). Особенно большую роль индикационное дешифрирование играет при работе с космическими снимками, когда прямые признаки теряют свое значение из-за сильной генерализованности изображения. При индикационном дешифрировании составляют так называемые индикационные таблицы, где для каждого типа или состояния индикатора указан соответствующий ему вид индицируемого объекта.

При индикационном дешифрировании возможен переход от пространственных характеристик к временным. На основе выявления пространственно-временных рядовпо индикационным признакам можно установить относительную давность протекания процесса или стадию его развития.

Дешифрирование многозональных снимков. Многозональный аэрокосмический снимок состоит обычно из 4-6 снимков, полученных в относительно узких спектральных зонах. К этому виду снимков можно также отнести радиолокационные снимки, получаемые как при регистрации отраженных радиоволн разной длины, так и при разной их поляризации. Работа с серией зональных снимков сложнее, чем с одиночным снимком, и дешифрирование многозональных снимков требует использования особых методических подходов. Наиболее универсальный прием – синтезирование цветного изображения, включая выбор варианта цветового синтеза, оптимального для решения конкретной задачи дешифрирования. Дополнительные результаты может дать также работа с серией ахроматических (черно-белых) зональных снимков. При этом используются два основных методических приема –сопоставительное и последовательное дешифрирование.

Сопоставительное дешифрирование серии зональных снимков основано на использовании спектральных образов изобразившихся на снимке объектов. Спектральный образ объекта на фотографическом снимке определяется визуально по тону его изображения на серии зональных черно-белых снимков; тон оценивается по стандартизованной шкале в единицах оптической плотности. По полученным данным строится кривая спектрального образа, отражающая изменение оптической плотности изображения на снимках в разных спектральных зонах [8].

Последовательное дешифрирование основано на том, что на снимках в разных спектральных зонах оптимально отображаются разные объекты. Например, на снимках мелководий в связи с различным проникновением лучей разных спектральных зон (К, О, 3) в водную среду находят отображение объекты, расположенные на разной глубине, и дешифрирование серии многозональных снимков позволяет выполнять разноглубинный анализ.

При последовательном дешифрировании многозональных снимков используется также тот факт, что темные на более светлом фоне контуры растительности в красной зоне благодаря повышению яркости ее изображения в ближней инфракрасной зоне как бы «исчезают» со снимка, не мешая восприятию крупных черт тектонического строения и рельефа. Это открывает возможность, например, при геоморфологических исследованиях дешифрировать по разным зональным снимкам формы рельефа разного генезиса - эндогенного по снимкам в ближней инфракрасной зоне и экзогенного - в красной. Последовательное дешифрирование предусматривает технологически сравнительно простые операции поэтапного суммирования результатов.

Дешифрирование разновременных снимков. Разновременные снимки обеспечивают качественное изучение изменений исследуемых объектов и косвенное дешифрирование объектов по их динамическим признакам.

Исследования динамики. Процесс извлечения динамической информации со снимков включает выявление изменений, их графическое отображение и содержательную интерпретацию. Для выявления изменений по разновременным снимкам их нужно сопоставить между собой, что осуществляется путем поочередного (раздельного) или одновременного (совместного) наблюдения. Технически визуальное сопоставление разновременных снимков осуществляется наиболее просто их поочередным наблюдением. Очень старый способ «миганий» (фликер-способ) позволяет, например, достаточно просто обнаружить вновь появившийся отдельный объект быстрым поочередным рассматриванием двух разновременных снимков. Из серии снимков изменяющегося объекта может быть смонтирована иллюстративная кинограмма.

Для выявления небольших изменений оказывается более эффективным не поочередное, а совместное наблюдение разновременных снимков, для чего используются специальные приемы: совмещение изображений (монокулярное и бинокулярное); синтезирование разностного или суммарного (обычно цветного) изображения; стереоскопические наблюдения.

По разновременным черно-белым снимкам возможно получить и синтезированное цветное изображение. Правда, как показывает опыт, интерпретация такого цветного изображения затруднена. Этот технический прием результативен лишь при изучении динамики простых по структуре объектов, имеющих резкие границы.

Дешифрирование по динамическим признакам. Закономерности временных изменений географических объектов, для которых характерна смена состояний во времени, могут служить их дешифровочными признаками, которые, как уже отмечалось, называют временным образом объекта. Например, тепловые снимки, полученные в разное время суток, позволяют распознавать объекты, имеющие специфический суточный ход температуры. При работе с разновременными снимками используются те же приемы, что и при дешифрировании многозональных снимков. Они основаны на последовательном и сопоставительном анализе и синтезе и являются общими для работы с любыми сериями снимков.

Эталонное дешифрирование. Камеральное дешифрирование основано на использовании дешифрованных эталонов, создаваемых в поле на типичные для данной территории ключевые участки. Таким образом, дешифровочные эталоны представляют собой снимки характерных участков с нанесенными на них результатами дешифрирования типичных объектов, сопровождаемые характеристикой дешифровочных признаков. Камеральное дешифрирование с использованием эталонов получило развитие при топографическом картографировании труднодоступных районов, когда в ряде организаций создавались фототеки эталонов [9].

Изучение и формализация дешифровочных признаков почв

Достоверность дешифрирования снимков зависит от набора используемых дешифровочных признаков. Никакие алгоритмы автоматизированного дешифрирования при всех их достоинствах не смогут компенсировать неудачно выбранные критерии для дешифрирования того или иного объекта.

При автоматизированном дешифрировании главной задачей является формализация дешифровочных признаков и алгоритмизация процесса. Формализация дешифровочных признаков подразумевает представление их в цифровом виде, пригодном для обработки при помощи ЭВМ. Автоматизация дешифрирования почв выдвигает требования по переводу визуальных и описательных характеристик в набор значений переменных для обеспечения возможности математической обработки ДДЗ.

Поскольку такие прямые дешифровочные признаки как форма, размер и текстура, определяющие рисунок ландшафта, очень сложно поддаются формализации, автоматизированное дешифрирование осуществлялось по тону изображения.

Для осуществления автоматизированного дешифрирования необходимо создание тематических классификаторов. Процедура обучения классификаторов подразумевает одновременно создание некоторой базы знаний и базы данных по изучаемым объектам (в данном случае почвам).

Классификатор может быть обучен исходя из априорно известных значений, которые соответствуют определенной почве или посредством создания обучающих выборок непосредственно на снимке. В первом случае используются каталоги дешифровочных признаков, в цифровом виде описывающие свойства почв. Во втором случае исходные данные для дешифрирования создаются специалистом-дешифровщиком в интерактивном режиме. Желательно, чтобы такой специалист был бы знаком со структурой почвенного покрова (СПП) изучаемой территории, чтобы с максимальной достоверностью обозначить эталонные участки для дешифрирования.

Рис. 14. Схема обучения классификатора [13].

Возможности программы MultiSpec

MultiSpec – это программа для компьютерной обработки многозональных снимков. Программа проста в использовании, имеет широкий набор функций. Система позволяет обрабатывать многозональные снимки (например, получаемые со спутников Ресурс-О, Landsat) а также гиперспектральные снимки (получаемые недавно разработанными системами, например, сканерами AVIRIS и MODIS).

В пакет постоянно добавляются новые возможности. Любая версия включает следующие основные функции:

Импорт данных, как из двоичных, так и текстовых файлов.

Визуализация многозональных изображений с помощью множества черно-белых и цветных режимов; показ создаваемых типизированных растров. Наложение векторных данных поверх изображений.

Расчёт гистограмм по многозональным изображениям.

Переформатирование данных, включающее изменение каналов, объединение файлов, создание мозаик, изменение геометрии и др.

Создание новых каналов из существующих с помощью извлечения информации из многозонального изображения или в результате попиксельных алгебраических вычислений.

Кластерный анализ (классификация без обучения) в отношении многозональных изображений и создание в результате типизированных растров.

Классификация с обучением после подготовки набора эталонов для основных классов наземных объектов, видимых на многозональном изображении.

Построение графика спектральных значений для выделенных участков многозонального изображения.

Экспорт исходных данных и их трансформант в текстовый файл.

Экспорт изображений в графический файл и буфер обмена.

Программа MultiSpec использовалась для создания кластерного анализа почвенного и растительного покрова изучаемых территорий [5].

Геоинформационная система Quantum GIS

В качестве программы для анализа космических снимков была выбрана геоинформационная система QGIS. QGIS (Quantum GIS) — свободная кроссплатформенная геоинформационная система. С её помощью проводился синтез каналов, для создания цветных снимков.

В ряд возможностей данной системы входит:

возможность просматривать и накладывать друг на друга векторные и растровые данные в различных форматах и проекциях без преобразования во внутренний или общий формат.

С помощью удобного графического интерфейса можно создавать карты и исследовать пространственные данные.

В QGIS можно создавать и редактировать векторные данные, а также экспортировать их в разные форматы.

Анализировать векторные пространственные данные в PostgreSQL/PostGIS и других форматах, поддерживаемых OGR, используя модуль Processing, написанный на языке программирования Python. В настоящее время QGIS предоставляет возможность использовать инструменты анализа, выборки, геопроцессинга, управления геометрией и базами данных. Также можно использовать интегрированные инструменты GRASS, которые включают в себя функциональность более чем 300 модулей GRASS.

Глава 3. Подбор космических снимков

Одним из главных источников для получения бесплатных данных дистанционного зондирования Земли является сайт Геологической службы США https://www.usgs.gov. Данный интернет-ресурс содержит в себе архив доступных для изучения и скачивания космических снимков с различных спутниковых систем, таких как OrbView-3, Sentinel-3, Global Land Survey, Landsat 1-8 и многих других. В данной работе используются данные со спутника Landsat 4-5 и Landsat-8.

Космические снимки со спутника Landsat имеют ряд преимуществ по сравнению с

другими космическими снимками. К основным преимуществам этих снимков следует отнести:

Наличие в фондах снимков от начала 1970-х годов до настоящего времени, что позволяет проанализировать многолетние изменения площади термокарстовых озерза период современного потепления климата.

Высокую регулярность съемки. Снимки на одну и ту же территорию получают с интервалом в 16 дней; даже учитывая неизбежные потери информации из-за облачности, это позволяет проанализировать годовые и сезонные изменения площади озер, не ограничиваясь только многолетними изменениями.

Наличие снимков в свободном доступе (www.glovis.usgs.gov), что позволяет без особых трудностей и временных затрат получить необходимые материалы.

Наличие снимков в ближней инфракрасной зоне (а для съемочных систем TM/ETM+ также в средней инфракрасной зоне), которые обеспечивают надежное выделение водной поверхности озер по яркостным признакам в автоматизированном режиме.

Большой охват территории одним снимком (185*185 км), который позволяет проанализировать изменения площади большего количества озер, распределенных на большей территории

Снимок был сделан спутником Lansat 8, 4 июля 2019 года, для территории Московской области и части Тверской области.

Рис. 15. Исходное изображение (Lansat 8)

Рис. 16. Снимок исследуемых территорий после синтезирования и обрезки (Lansat 8)

Глава 4. Результаты исследования

В ходе выполнения работы были проанализированы территории, прилегающие к полигону ТКО «Непейно. В силу своего назначения данный объект может негативно влиять на окружающую среду. Для выявления этого и было произведено данное исследование почвенного и растительного покрова.

Для данного полигона отходов была определена СЗЗ в 1 км и нанесена на снимок.

Рис. 17. СЗЗ полигона ТКО «Непейно» (красным обозначаются границы зоны, чёрным цветом её нарушения).

По данным космического снимка было выявлено нарушение СЗЗ полигона. Постройки наблюдаются уже с расстояния в 890 метров, в то время как СЗЗ составляет 1000м.

Рис. 18. Нарушение СЗЗ полигона. (Красным обозначена граница СЗЗ, чёрным выделены постройки, находящиеся в пределах СЗЗ).

На данный полигон ежедневно завозится огромное количество мусора с Москвы и Московской области. Было принято решение отобразить пути подъезда к полигону, для анализа антропогенной нагрузки на близлежащие территории.

Рис. 19. Пути подъезда к полигону ТКО «Непейно» (жёлтым выделен путь с Сергиево-Посадского района, красным с города Дубна, чёрным с Москвы, синим цветом выделен маршрут Дзмитровских отходов).

По снимку видно, что все маршруты проходят через близлежащий к полигону посёлок Орудьево, что негативно сказывается на здоровье жителей, да и в целом на состоянии окружающей среды.

В рамках изучения степени влияния полигона отходов на окружающую среду были взяты пробы почвы в его окрестностях и определено валовое содержание тяжёлых металлов в них. Приведём пример отображения валовых концентраций никеля в окрестностях полигона.

Рис. 20. Концентрации никеля в почвах

Как видно на снимке в некоторых пробах присутствуют превышения концентраций по ПДК по никелю, что свидетельствует о негативном воздействии полигона на близлежащие почвы.

Для дальнейшего анализа, стоит определиться с типами почв, входящими в область нашего исследования, для этого проведём наложение почвенной карты на космический снимок.

Рис.21. Наложение почвенной карты на космический снимок

Можно сделать выводы, что исследуемые почвы западнее полигона в основном дерново-слабо и среднеподзолистые, в основном пески и супеси. Почвы восточнее и южнее полигона – это дерново-подзолистые слабоглееватые почвы. Почвы севернее полигона – дерново-подзолистые глееватые и глеевые.

Для дальнейшего анализа обратимся к сервису ВЕГА-Science.

ВЕГА-Science - уникальная научная установка, входящая в состав Центра коллективного пользования ЦКП "ИКИ-Мониторинг", предназначенного для решения научных задач изучения и мониторинга окружающей среды с использованием методов и технологий спутникового дистанционного зондирования. "ВЕГА-Science" предоставляет распределенный доступ к многолетним ежедневно пополняющимся архивам спутниковых данных и получаемые на их основе различным информационным продуктам, в первую очередь ориентированным на характеризующие изучение и анализ состояния растительного покрова. "ВЕГА-Science" также предоставляет пользователям возможности по проведения удаленной обработки и анализа спутниковых данных и результатов их обработки с использованием вычислительных ресурсов ЦКП "ИКИ-Мониторинг".

В основу сервиса положены многолетние архивы спутниковых данных и получаемые на их основе информационные продукты, характеризующие состоянии растительного покрова Северной Евразии, включая Россию и близлежащие страны. По любому району этой территории в архивах имеются данные с начала двадцать первого столетия.

Основными условием получения доступа к ВЕГА-Science является:

использование сервиса только в интересах исследовательских проектов для решения задач научных задач;

обязательство ссылок на сервис при представлении работ, в которых были использованы его возможности;

согласие пользователей на свободное предоставление введенной ими в систему информации всем пользователями сервиса для решения научных задач.

Определим примерную площадь земель, на которые полигон оказывает негативное влияние [1].

Рис. 22. Расчёт площади предполагаемой деградации земель

Также с помощью данного сервиса можно узнать приблизительную влажность почв в исследуемом районе и на разной глубине.

Рис. 23. Влажность почвы в %

В результате исследования получилось, что в исследуемой области влажность почв составляет около 25% на глубине 10 см.

Познакомимся с розой ветров в исследуемом регионе.

Рис. 24. Роза ветров (Дмитровского района)

Из данных схем видно, что в зимние месяцы ветры приоритетно дуют с северо-запада на юго-восток, а в летние месяцы с юго-востока на северо-запад.

Классификация эталонных участков

Классификация эталонных участков была проведена в программе MultiSpec. Программа MultiSpec позволяет выполнять автоматическое выделение на многозональном изображении участков, сходных с эталонными по спектральным характеристикам. Такая операция называется классификация с обучением. Перед тем как делать классификацию, предварительно требуется произвести обучение алгоритма на эталонных образцах – участках изображения с характерными спектральными портретами, иначе при дешифрировании могут возникнуть сложности.

Были сделаны два образца эталонных участков – с обучением и без него.

Рис. 25. Классификация эталонных участков без обучения

Рис. 26. Классификация эталонных участков с обучением

В ходе сравнения было выяснено, что в нашем случае классификация без обучения является более правильным способом определения эталонных участков. В обоих случаях были определены 8 участков. Возможно из-за качества съёмки или большой погрешности программу не удалось точно обучить.

Сравним результаты с данными с ресурса ВЕГА-Science

Рис. 27. Карта растительности исследуемого региона

По данной карте можно сказать, что она с некоторой долей вероятности делает ошибки в определении исследуемых категорий, но её результат всё же лучше, чем проведённая ранее классификация с обучением.

Разделение синтезированного снимка на эталонные участки позволяет нам составить дешифровочный атлас объектов.

Таблица 1. Дешифровочный атлас снимка прилегающих территорий к полигону ТКО «Непейно»

Объект	Эталонное изображение	Описание
Городская застройка		Имеет четкие очертания, как правило, прямоугольной формы. Цвет на синтезированном изображении – голубой или темно-голубой. Это зависит от вида покрытия на крыше зданий. Часто можно видеть зеленоватые пикселы.
Облака		Имеют округлые очертания с рваными краями, характерными для кучевых и перисто-кучевых облаков. Цвет на изображении – от белого до светло серого
Открытые поля		Имеет четкие очертания, как правило, прямоугольной формы. Цвет на синтезируемом изображении светло-коричневый с добавлениями зелёных оттенков.
Луга		Имеет четкие очертания, как правило, прямоугольной формы, иногда овальной. На синтезируемом снимке цвет преимущественно зелёный с добавлением светло-коричневый оттенков.
Сельскохозяйственные территории		Правильные формы. На изображении цвет как правило в оттенках коричневого.
Хвойные леса		Естественные хвойные леса имеют вид рваных пятен от темно-зелёного до чёрного цветов. Часто леса на территории расположены квадратами, особенно если это лесопосадки. Занимают большую часть территории снимка.
Открытая почва		Имеет различные очертания в зависимости от производимой антропогенной деятельности. Участки могут иметь прямоугольную форму. Цвет изображения белый.
Поля с растительностью		Имеют различную форму, от прямоугольной до многоугольной, цвет на изображении также варьируется от светло-коричневых оттенков до светло зелёных.
Смешанные леса		Лиственные леса имеют вид полигонов с округлыми краями, связанный с неравномерностью распространения данных пород по территории. Цвет: от светло-зелёного до тёмно-зелёного.

Заключение

Методы аэрокосмического дистанционного зондирования Земли (ДЗЗ) приобретают все большее практическое значение для определения качественных изменений состояния земной поверхности и оценки загрязнения территорий. Они позволяют получать однородную и сравнимую по качеству информацию единовременно для обширных площадей, на удаленные и труднодоступные территории, превосходя в этом отношении любые наземные обследования, основанные на взятии проб почв и идентификации их загрязнения. Применение данных ДЗЗ дает возможность разработки систем автоматического распознания и анализа почв.

Безусловно, предпочтительней не противопоставлять различные методы, а использовать их в сочетании.

В ходе работы была рассмотрена территория, прилегающая к полигону ТКО «Непейно» Дмитровского городского округа Московской области. Были построены карты СЗЗ, маршруты ввоза отходов, наложение почвенной карты, карта с концентрациями тяжёлых металлов, а также проведена классификация эталонных участков.

В целом можно отметить, что полигон не наносит большого вреда окружающей среде, а на близлежащих землях происходит возделывание сельскохозяйственных структур.

Но всё же полигон отходов в большей мере негативно влияет на всё живое и неживое вокруг.

Для предотвращения негативных последствий антропогенной деятельности человека необходимо вести тщательное наблюдение и мониторинг загрязнения почв, а также модернизация полигона отходов.

Список литературы

Алтынцев М. А. Разработка методик автоматизи­рованного дешифрирования многозональных космиче­ских снимков высокого разрешения для мониторинга природно-территориальных комплексов: Дис. на со­иск. уч. ст. канд. техн. наук. – Новосибирск: СГГА, 2011. – 172 с

Арбузов С. А. Разработка методики автоматизиро­ванной обработки аэро- и космических снимков для мониторинга городских территорий: Дис. на соиск. уч. ст. канд. техн. наук. – Новосибирск: СГГА, 2011. – 132 с.

Гордиенко А. С. Разработка методики использования вейвлет-преобразования для обработки космических снимков высокого и среднего разрешения при монито­ринге лесных массивов: Дис. на соиск. уч. ст. канд. техн. наук. – Новосибирск: СГГА, 2010. – 123 с.

Гук А. А., Арбузов С. А. Исследование алгоритма «дерево решений» в программном комплексе ENVI // Геодезия и Картография. – 2011. – № 2. – С. 11–13.

Гук А. П. Исследование возможностей программ­ного комплекса ENVI для мониторинга территорий по космическим снимкам / Л. Г. Евстратова, А. С. Алферова, И. И. Чикулаева, А. А. Гук // Сб. материалов Междунар. науч. конгр. «ГЕО-Сибирь–2009» – Т. 4. – Ч. 2. Дистан­ционные методы зондирования Земли и фотограмметрия, мониторинг окружающей среды, геоэкология. – Ново­сибирск: изд. СГГА, 2009. – С. 186–192.

Гук А. П., Арбузов С. А. Использование цифровых моделей поверхности для дешифрирования зданий и выделения изменений объектов городской территории // Геодезия и картография. – 2011. – № 3 – С. 24–28.

Кравцова В.И. Космические методы исследования почв: Учебное пособие для студентов вузов / В. И. Кравцова. — М.: Аспект Пресс, 2005. С. 102.

Лабутина И.А. Космические снимки расшифровку. Москва, Аспект Пресс, 2004 года. с.16- 19; 184 с.

Матвиенко И. А. Экологическая химия = Environmental Chemistry: учебное пособие / И.А. Матвеенко, А.Н. Пестряков; Томский политехнический университет. – Томск: Изд-во Томского политехнического университета, 2010. – 129 с.

Стратегический план управления природных ресурсов и регулирования природопользования по ЗКО на 2010 - 2014 годы. -Уральск.- 2009. - 36 с

Цифровая почвенная картография: теоретические и экспериментальные исследования. Сборник статей – М.: Почвенный институт имени В.В. Докучаева, 2012. С. 7.

Электронные ресурсы

ВЕГА-Science уникальный инструмент научного анализа данных спутниковых наблюдений. [Электронный ресурс] – URL: http://sci-vega.ru/ Режим доступа: свободный.Дата обращения: 15.12.2019.

ВКР Ибрагимов А.И. «Картографирование почв с использованием космических снимков» [Электронный ресурс] – URL: https://elib.bashedu.ru/dl/diplom/Ibragimov AI_05.03.03_Kartographij _geoinformatika_bak_2018.pdf. Режим доступа: свободный.Дата обращения: 10.12.2019.

Изображение почвообразующие факторы [Электронный ресурс] – https://presentacii.ru/presentatin/pochva-rastitelnost-zhivotnyj-mir-relef-deyatelnost-cheloveka-gornye-porody-vody-vremya-klimat-pochvoobrazuyushhie-faktory Режим доступа: свободный.Дата обращения: 10.12.2019

Информация о программе Landsat [Электронный ресурс] – URL: https://ru.wikipedia.org. Режим доступа: свободный.Дата обращения: 10.12.2019.

Информация о программе MultiSpec [Электронный ресурс] – URL: http://geopolitika.crimea.edu Режим доступа: свободный.Дата обращения: 10.12.2019.

Снимки Landsat 8 [Электронный ресурс] – Режим доступа: https://earthexplorer.usgs.gov

Код для цитирования: Скопировать