ГЛАВА 1. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ

ВВЕДЕНИЕ

С начала 70-х годов XX века дистанционное зондирование Земли стало быстро развиваться как единое многодисциплинное направление исследований в науке и практике. Основанное на классических методах получения и обработки данных, дистанционное зондирование применяется сегодня в геологии, географии, картографии, лесном и сельском хозяйстве, при планировке местности под строительство и др.

Изучение и оценка состояния земных покровов по материалам, полученным с различных систем дистанционного зондирования, становятся особенно актуальными в связи с усиливающимися антропогенными нагрузками на природную среду, что требует получения оперативной и достоверной информации. Также непрерывно увеличивается научно-практическая и прикладная значимость дистанционных данных при изучении глобальных, континентальных и региональных изменений биосферы и климата, в прогнозах природных и антропогенных катастроф, при их ликвидации и оценках нанесенного ущерба.

Цель исследования: Тематическая интерпретация многовременных данных дистанционного зондирования и применение результатов обработки при проведении мониторинга деградации почвенно-растительного покрова.

Предметом работы является: эрозионный, заболачиваемый и подтопляемый почвенно-растительный покров.

Объектом исследования является Локтевский район Алтайского края.

Для достижения указанной цели были поставлены следующие исследовательские задачи:

1. Расчёт вегетационного индекса почвенно-растительного покрова.

2. Выделение поверхностной и линейной (овражной) эрозии почв.

3. Определение площади деградированных земель в результате подтопления и заболачивания территории.

4. Определение уровня заболачиваемости территории от отстойников горно-обогатительных комбинатов.

ГЛАВА 1. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ

Виды и типы съемок

Среди дистанционных съемок геостационарных ИСЗ широкое развитие получила радиолокационная (РЛ) съемка. Она позволяет быстро и независимо от погодных условий, времени суток получать изображение местности, близкое по своим изобразительным свойствам к мелкомасштабному изображению. Большое влияние на характер радиолокационного изображения оказывают влажность, электропроводность, плотность объектов исследования. Применяется в геологических исследованиях.

В настоящее время широкое применение находит тепловая инфракрасная съемка. Изменения температурных контрастов различных горных пород, почвенно-растительных зон играют решающую роль в построении инфракрасного изображения. Температурные колебания находятся в прямой зависимости от внешних условий, и температурные контрасты могут сильно изменяться во времени (суточные, сезонные, зональные).

Для исследования природных явлений и ресурсов все более широкое применение находят геостационарные природно-ресурсные искусственные спутники Земли, пилотируемые космические корабли и орбитальные станции, с разных высот ведущие наблюдения за земной поверхностью.

Выделяют несколько уровней космических съемок: глобальный, региональный, локальный [8].

Примером космических снимков глобального уровня генерализации могут служить снимки, полученные с автоматической межпланетной станции «Зонд», на которых изображается почти вся освещенная в момент съемки часть Земли. Они несут изображение наиболее крупных геологических объектов, которые хорошо отличаются оптическими яркостями. В основном, это структуры первого, иногда второго порядка, зоны крупных глубинных разломов.

Космические снимки регионального уровня генерализации получают с автоматических спутников системы «Метеор» (телевизионные) и «Метеор-Природа» (сканерные), «LANDSAT», запущенных с целью изучения природных ресурсов. На этих снимках проявляются взаиморасположения геоструктурных областей, а в их пределах - структуры второго порядка: валы, купола, грабены, крупные складки.

Космические снимки локального уровня генерализации по своей информативности близки к мелкомасштабным аэрофотоснимкам [2].

КА Landsat-7, запущенный в рамках программы Landsat, является проектом трех крупных американских правительственных организаций: NASA, NOAA и USGS. Он снабжен аппаратурой ETM+ (EnhancedThematicMapperPlus - усовершенствованный тематический картограф), которая обеспечивает съемку земной поверхности в четырех режимах: VNIR (VisibleandNearInfrared - мультиспектральный видимый и ближний инфракрасный диапазон), SWIR (ShortwaveInfrared - средний инфракрасный диапазон), PAN (panchromatic - панхроматический диапазон), TIR (thermalinfrared - тепловой инфракрасный диапазон).

Реализация программы Landsat началась в 1972 г. с запуском спутника Landsat-1, - первого гражданского космического аппарата, который обеспечивал оперативную передачу изображений среднего пространственного разрешения по радиоканалу. Данные шести последующих спутников серии Landsat получили широкое распространение в мире. С 2009 г. все космические снимки программы Landsat находятся в открытом бесплатном онлайн доступе.

Решаемые задачи:

· создание и обновление топографических и специальных карт, вплоть до масштаба 1:200 000;

· обновление топографической основы для разработки проектов схем территориального планирования субъектов федерации;

· обоснование перспективных площадей под поисковые работы на нефть и газ, прогнозирование и выявление ловушек нефти и газа, потенциальная оценка их нефтегазоносности;

· поиск и обоснование перспективных площадей под поисковые работы на рудные и нерудные полезные ископаемые;

· мелкомасштабная лесная инвентаризация. Контроль лесопользования и мониторинг состояния лесов;

· сельскохозяйственное картографирование на уровне регионов, мониторинг состояния посевов, прогнозирование урожайности;

· автоматизированное создание карт растительности, ландшафтов и природопользования;

· мониторинг и прогнозирование процессов заболачивания и опустынивания, засоления, карста, эрозии, степных пожаров половодий, паводков и т.п.

Таблица 1.3.1- Основные характеристики космического аппарата [2].

Параметр		Значение
Дата запуска:		15 апреля 1999 г.
Стартовая площадка:		авиабаза Ванденберг (США)
Средство выведения:		РН Delta II (США)
Разработчик:		LockheedMartin (США)
Операторы:		NASA (США), NOAA (США) и USGS (США)
Масса:		1973 кг
Орбита	Тип:	Солнечно-синхронная
	Высота:	705 км
	Наклонение:	98,2 град.
Расчетный срок функционирования:		7 лет

Таблица 1. 3. 2 - Основные технические характеристики

съемочной аппаратуры [2].

Режим съемки	VNIR	SWIR	PAN	TIR
Спектральный диапазон, мкм	0,45-0,52 (синий) 0,53-0,61 (зеленый) 0,63-0,69 (красный) 0,78-0,90 (ближний ИК)	1,55-1,75 2,09-2,35	0,52-0,90	10,40-12,50
Пространственное разрешение (в надире), м	30	30	5	60
Радиометрическое разрешение, бит на пиксель	8
Ширина полосы съемки, км	185
Периодичность съемки, сутки	16
Возможность получения стереопары	Нет
Формат файлов	GeoTIFF
Скорость передачи данных на наземный сегмент, Мбит/с	150

Методы обработки снимков

Фундаментальные исследования в области разработки методов и средств аэрокосмического мониторинга состояния природно-техногенных объектов Земли были начаты российскими учеными еще в конце 60х-начале 70х годов прошлого столетия. В эти и последующие десятилетия были заложены физико-технические и методические основы изучения Земли из космоса, а также создана бортовая и наземная измерительная аппаратура, необходимая для проведения научных и прикладных аэрокосмических исследований. В практике дистанционного зондирования Земли (ДЗЗ) существуют давно отработанные механизмы, связанные с разработкой, производством и эксплуатацией космической техники. К сожалению, в области практического использования космической информации в интересах социально-экономического развития регионов РФ такие механизмы пока не созданы. Особенно это касается вопросов внедрения результатов космической деятельности в практику конечных пользователей информации и оказания различных услуг по приему, обработке и использованию данных.

За рубежом космическая информация широко используется коммерческими фирмами, оказывающими услуги различным компаниям и частным лицам, например по обустройству земельных участков, созданию различного рода кадастров, прогнозу урожайности с.х. культур, предупреждению и тушению лесных пожаров, градостроительству и др.

Впервые проблема более широкого практического использования космических данных в интересах социально-экономического развития регионов РФ рассматривалась на заседании Госсовета в Калуге в марте 2006 г, а затем на заседании Правительства РФ в октябре 2008 г. в Красноярске. В соответствии с поручением Правительства РФ Федеральным космическим агентством с участием Российской академии наук (РАН) и других заинтересованных министерств и ведомств разработана концепция Федеральной целевой программы (ФЦП) «Использование результатов космической деятельности в целях социально-экономического развития Российской Федерации и ее регионов на 2010-2015 гг.» (Концепция ФЦП, 2009).

Особенности геополитического положения РФ (обширные размеры территории, большая протяженность границ, разнообразный ландшафт, богатейшие природные ресурсы, наличие труднодоступных районов и др.) приводят к необходимости более эффективного использования космической информации [3].

Исходные данные

В данной работе использовались космические снимки системы Landsat с пространственным разрешением 15 и 30 м с шестью спектральными каналами: 0,45-0,52, 0,53-0,61, 0,63-0,69, 0,78-0,90, 1,55-1,75, 2,09-2,35 мкм. Эти снимки охватывают территорию всего Локтевского района.

Были взяты три пары снимков перекрывавшие друг друга.

- 1-ая пара- 11 августа 1979 года.

- 2-ая пара- 4 сентября 2000 года.

- 3-я пара - 8 июля 2014 года.

В ходе сравнительного анализа были использованы картограммы засоленных земель и картограммы эрозии почв колхозов (им. Калинина, Рассвет, Краснофлотец, Локтевский) Локтевского района и (Авангард, За Мир, Угловский) Угловского района масштабов 1:10000 и 1:25000, составленных по материалам почвенно-мелиоративного исследования 1983 года. На них нанесены границы геоморфологических элементов, почвенных контуров, отметки почвенных разрезов, границы солонцов и засоленных почв, границы орошаемых участков. А так же отображены тип засоления, степень эродированности и механического состава почвы, материнские породы почвы.

Классификация изображения

Под классификацией понимают процедуру, позволяющую вынести решение о принадлежности данного изображения или его фрагмента к одному из тематических классов. Основанием для этого служит некоторая совокупность критериев близости значений свойственных им признаков. В качестве минимальных объектов при классификации изображения используются минимальные элементы – пикселы. Классификация базируется на теории распознавания образов, основанной на извлечении и анализе статистик по спектральным, текстурным или геометрическим свойствам объектов. При классификации формируется виртуальное n-мерное пространство признаков, которое на основе заложенных в алгоритм классификации математических критериев разделяется на замкнутые области, каждая из которых приписывается тому или иному тематическому классу. На основании этого разделения формируется новое изображение, представляющее собой растровую карту пространственного распределения участков, отнесенных классификатором к анализируемым классам.

Классификация изображений предусматривает применение байесовские процедуры, метода максимального правдоподобия, метода параллелепипеда метода минимальных расстояний и др. Возможны вычисление вегетационного индекса и анализ главных компонентов, кластерный анализ.

Классификация - это тематическая обработка, которая позволяет производить автоматизированное разбиение снимков на однородные по какому-либо критерию области (классы объектов). Получающееся при этом изображение называется тематической картой. Поскольку обычно выделяют содержательно интерпретируемые классы объектов, то классификацию можно рассматривать как процедуру автоматизированного дешифрирования ДДЗ. Процедура классификации основывается чаще всего на статистическом анализе различных характеристик изображения: пространственных, спектральных или временных. К простейшим полезным пространственным характеристикам относятся: текстура, контекст, форма и структурные соотношения. Под временными характеристиками следует понимать сезонные изменения земных покровов (особенно растительности), которые могут служить их индикаторами. Однако принято считать, что основную информацию о природе объектов на земной поверхности содержат их спектральные характеристики. Поэтому в большинстве известных алгоритмов классификации используются спектральные образы (сигнатуры) типов покрытий [1].

Различают два основных методологических подхода к проведению рассматриваемой процедуры: классификацию с обучением и автоматическую классификацию. В случае классификации с обучением, задача состоит в обнаружении на изображении объектов уже известных типов, что требует некоторых предварительных знаний об исследуемом участке земной поверхности. На первом шаге процедуры необходимо интерактивно выбрать на изображении эталонные участки являющиеся характерными (типичными) представителями выделяемых классов объектов. Этап обучения заключается фактически в расчете и анализе некоторого набора статистических характеристик распределения значений пикселов, составляющих эти полигоны. Однако большей популярностью пользуется другой вид классификации, который не требует дополнительной наземной информации и глубокого знания дистанционных методов обработки. Методологической основой автоматической классификации является кластерный анализ, в ходе которого пытаются определить все встречаемые типы объектов при некотором уровне обобщения (выбранных критериях объединения, разделения или числа классов), а задача их интерпретации решается на втором этапе. Существуют алгоритмы сочетающие элементы классификаций с обучением и автоматической.

По способу отнесения отдельных элементов изображения к тому или иному классу объектов, различают жесткие и мягкие классификаторы. В случае жестких (традиционных) классификаторов, принимается строго определенное решение относительно принадлежности пикселов к некоторому классу. Мягкие же классификаторы оценивают вероятность, с которой анализируемый элемент изображения может принадлежать всем рассматриваемым классам покрытий (включая и неизвестные). Современные классификаторы позволяют также вводить элемент неопределенности на разных стадиях процесса, что допускает присутствие смешанных классов покрытий в каждом отдельном пикселе (субпиксельная классификация). Еще один сравнительно новый вид классификации связан с обработкой гиперспектральных данных. Такие данные поступают с экспериментальных систем ДЗ работающих с очень узкой шириной зон традиционного спектрального диапазона, что увеличивает количество спектральных каналов до десятков и даже сотен. В этом случае для автоматизированного выделения классов объектов покрытий используются библиотеки спектральных кривых различных земных материалов [1].

Часто возникает необходимость тематической корректировки результатов классификации, особенно автоматической, выполняемой фактически по информационным характеристикам объектов. Для этого используется целый набор процедур, называемый операциями после классификационной обработки: слияние классов, разделение классов, устранение мелких ложных объектов, сглаживание границ объектов и т.п.

Важным этапом в процессе классификации является оценка точности полученных изображений, которая может выполняться как по данным полевых измерений, так и путем сравнения с соответствующими тематическими картами.

Данная область обработки ДДЗ в настоящее время довольно интенсивно развивается: появляются новые классификаторы, основанные на последних достижениях в области моделирования искусственного интеллекта и других областях прикладной математики (например, нейронные сети).

Методы автоматической классификации, часто называемые кластерным анализом, основаны на анализе пространственных признаков, полученных по всем объектам изображения. Кластер - это однородный участок изображения, с точки зрения некоторого набора признаков (яркостных, геометрических, текстурных, физических/биофизических). Наиболее широко известен алгоритм кластерного анализа ISODATA, который относится к категории самоорганизующихся, поскольку требует минимальных априорных знаний для задания исходных параметров. Данный алгоритм использует критерий близости точек в пространстве признаков. Процесс начинается с задания числа выделяемых кластеров, имеющих произвольные средние значения. Последующая автоматическая итеративная процедура направлена на последовательное приближение начальных значений к центрам кластеров. После каждой итерации вычисляются новые центры кластеров с учетом расположения в пространстве признаков пикселей, соответствующих каждому из них. Процесс повторяется до тех пор, пока изменения между итерациями не будут минимальными [1].

ЗАКЛЮЧЕНИЕ

Сравнительный анализ результатов обработки разновременных космических снимков показал, что площадь деградированных земель в результате эрозионных процессов значительно увеличилась.

Анализ изображений территории, прилегающей к промышленному отстойнику, показал, что фильтрационные процессы имеют место по всему периметру отстойника. Подповерхностный сток, обусловленный фильтрацией воды из отстойника, а также выбросами на поверхность шахтных вод, распространяется на территорию, занятую сельскохозяйственными полями и дачными участками. Подтопление распространяется по естественной впадине в рельефе, которая образует бессточную область.

Общая площадь территории, являющейся переувлажненной, а также с уровнем грунтовых вод менее 1 м составила около 3.6 тыс. га. Площадь подтопления уменьшились в связи с остановкой производства, однако сухой осадок, образовавшийся в результате высыхания промышленных вод и содержащий высокую концентрацию тяжелых металлов, разносится ветром на значительные территории.

В результате деградации почвенного покрова участки заболачивания были выведены из состава пахотных земель.

Кроме г. Горняка значительную антропогенную нагрузку на данную территорию оказывают шахтные воды из отстойников ГОК, расположенного в Казахстане г. Жезкент. Шахтные воды впадают в бессточное озеро, расположенное около ленточного бора

Анализ материалов дистанционного зондирования показал, что процессы трансграничного переноса и подтопления территории Алтайского края наблюдаются с 1989 года до настоящего времени.

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ И ИСТОЧНИКОВ

1. Кашкин В.Б., СухининА.И.Дистанционное зондирование Земли из космоса. Цифровая обработка изображений: Учебное пособие. — М.: Логос, 2001. - 264 с.: ил.

2. Зятькова Л.К., Елепов Б.С. У истоков аэрокосмического мониторинга природной среды («Космос» – программе «Сибирь»): монография.– Новосибирск: СГГА, 2007. – 380 с.

3. ВедешинЛ.А.Глобальная система аэрокосмического мониторинга Земли и управление природными и природно-антропогенными процессами и явлениями- М.: ВИНИТИ. - 2008. - 254 с.

4. КозодеровВ.В., Дмитриев Е.В. Аэрокосмическое зондирование почвенно-растительного покрова: модели, алгоритмическое и программное обеспечение, наземнаявалидация. Исследование Земли из космоса. – 2010. -276 с.

5. КовригоВ.П., КауричевИ. С., БурлаковаЛ. М. Почвоведение с основами геологии. — М.: Колос, 2000. — 416 с.

6. Кондратьев К.Я., Вандышева Н.В., Козодеров В.В., КосолапоеB.C.Оценка параметров почвенно-растительного покрова по многоспектральным спутниковым данным.- Исследование Земли из космоса. 1992. 295 с.

7. Агрохимическая характеристика почв СССР. Кн. 1—14. — М.: Наука, 1962—1974.

8. Беляев Б.И., Катковский Л.В., Сосенко В.А. Дистанционные методы и аппаратура для исследования Земли из космоса. Наука и инновации. 2013. № 5. 123 с.

ПРИЛОЖЕНИЯ

ПРИЛОЖЕНИЕ 1.

Рисунок 2.4.1 – Изображение поверхностной и линейной эрозии на сканерном снимке (1989 год).

ПРИЛОЖЕНИЕ 2.

Рисунок 2.4.2- Изображение поверхностной и линейной эрозии на сканерном снимке (2014 год).

ПРИЛОЖЕНИЕ 3.

Рисунок 2.4.3- Гистограммаизображения поверхностной и линейной эрозии(1989 год).

Рисунок 2.4.4- Гистограмма изображения поверхностной и линейной эрозии (2014 год).

ПРИЛОЖЕНИЕ 4.

Рисунок 2.4.5 – Изображение индекса NDVI в зоне линейной и поверхностной эрозии(1989 год).

ПРИЛОЖЕНИЕ 5.

Рисунок 2.4.6-Изображение индекса NDVI в зоне линейной и поверхностной эрозии(2014 год).

ПРИЛОЖЕНИЕ 6.

Рисунок.2.5.1 – Гидрологическая обстановка территории, прилегающей к отстойникам промышленного производства Алтайского горно-обогатительного комбината.

ПРИЛОЖЕНИЕ 7.