Согласно Методическим рекомендациям по проведению государственной инвентаризации лесов Рослесхоза от 10 ноября 2011 года N 472 под дистанционным мониторингом использования лесов подразумевается систематическое слежение за состоянием использования лесов с целью своевременного выявления и прогнозирования развития процессов, оказывающих негативное воздействие на леса на основе дешифрирования материалов космической съемки.

Государственная инвентаризация лесов проводится наземными и космическими способами с использованием методов статистической выборки. Аэрокосмические способы применяются в целях своевременного выявления и прогнозирования развития процессов, оказывающих негативное воздействие на леса, преимущественно в зонах их интенсивного использования.

Наземные способы применяются для определения количественных и качественных характеристик лесных участков, а также для проведения оценки эффективности осуществления мероприятий по охране, защите и воспроизводству лесов. Масштабы работы по инвентаризации российских лесов настолько велики, что специалисты полагают: полный цикл инвентаризации составит 10-15 лет.

Космический мониторинг является составной частью выполнения работ по лесоустройству и инвентаризации лесов. Особенно важное значение он имеет для обширных лесных территорий России.

Современные средства космической съёмки позволяют получать оперативную и достоверную информацию о состоянии лесов и хозяйственной деятельности на любой самой удаленной территории, что практически недостижимо при наземных обследованиях. А также проводить ретроспективный анализ территории, направленный на фиксацию начала и завершения тех или иных событий.

В работе проведена оценка приемлемости использования космических снимков Sentinel-2 Европейского космического агентства для картографирования (дешифрирования) лесных насаждений одного из районов Пермского края. Схема расположения участков анализа на территории Пермского края показана на Рисунке 1.

image
Рисунок 1. Схема расположения участков анализа на территории Пермского края

Для выявления лесных вырубок были использованы разновременные материалы космической съёмки Sentinel-2. Разновременные снимки на аналогичную территорию позволяют с большой вероятностью зафиксировать изменения, произошедшие в данной области.

Космическая съёмка для обеспечения задач мониторинга лесов должна проводиться в весенний, летний или осенний сезоны, преимущественно в вегетационный период. Зимняя съёмка при наличии снежного покрова может применяться как исключение в качестве дополнения к съёмкам в бесснежный период для подчеркивания контраста некоторых объектов.

С помощью специализированных программных продуктов ENVI, ScanEx Image Processor и геоинформационной системы ESRI (ArcGIS) было проведено дешифрирование территории интереса как визуальным, так и автоматизированным способом.

Авторами проведён анализ территорий с предполагаемыми вырубками двумя способами классификации спутниковых данных:

  • Визуальный – путем экспертного сравнения разновременных снимков и с помощью автоматизированного метода выявления изменений.

  • Автоматизированный – обнаружение изменений включает в себя широкий спектр методов, используемых для идентификации, описания и количественного определения различий между изображениями одной и той же сцены в разное время.

1. Визуальное дешифрирование

Проводилось несколькими сотрудниками с последующей перекрестной проверкой, позволяющей минимизировать системную ошибку.

После предварительно проведенных процедур, направленных на улучшение снимков и маскирования облачности был проведен анализ в пределах заявленных кадастровых подразделений.

Участок анализа № 1.

Вырубки, появившиеся за период между двумя снимками, изображаются ярко-красным цветом: низкая яркость на снимке в марте 2016 обусловлена наличием древесной растительности, дающей сильный обратный сигнал. Высокая яркость на снимке в апреле 2016 связана со слабым обратным сигналом от ровной поверхности без древесной растительности (светлый фототон в контуре участка 1), что показано на Рисунке 2.

image
Рисунок 2. Разновременные снимки Sentinel – 2. Контуром обозначен участок анализа № 1

Статистический анализ, проведенного анализа, говорит о том, что площадь вырубки, которая произошла в период с середины марта по середину апреля 2016 года составила около 78%.

Участок анализа №2

С помощью визуального анализа разновременных космических снимков на Участок 2 удалось зафиксировать изменения, произошедший между серединой марта 2016 года и серединой апреля 2016 года, как показано на Рисунке 3.

image
Рисунок. 3. Разновременные КС Sentinel – 2. Контуром обозначен участок анализа № 2

Статистический анализ, проведенного анализа, говорит о том, что площадь вырубки составила около 60%.

Участок анализа № 3.

По материалам КС Sentinel–2 вырубки леса не были зафиксированы, как показано на Рисунке 4.

image
Рисунок 4. Разновременные КС Sentinel – 2. Контуром обозначен участок анализа №3

Участок анализа № 4

По материалам КС Sentinel–2 вырубки леса не были зафиксированы, как показано на Рисунке 5.

image
Рисунок 5. Разновременные КС Sentinel – 2. Контуром обозначен участок анализа №4

Участок анализа № 5.

По материалам КС Sentinel–2 вырубки леса не были зафиксированы, как показано на Рисунке 6.

image
Рисунок 6. Разновременные КС Sentinel – 2. Контуром обозначен участок анализа №5

2. Автоматизированное дешифрирование

Анализ обнаружения изменений включает в себя широкий спектр методов, используемых для идентификации, описания и количественного определения различий между изображениями одной и той же сцены в разное время. Мы использовали такие инструменты, как «Алгебра каналов» (Band Math) и метод анализа главных компонент (PCA – principal component analysis), которые анализировались как независимо друг от друга, так и в комбинации между собой. Эти процедуры в программном продукте ENVI, предлагают простой подход к поиску изменений между парой изображений, которые представляют начальное состояние и конечное состояние.

При выполнении автоматизированного анализа обнаружения изменений на космических изображениях важно учитывать все факторы, которые могут привести к тому, что сцены в одной и той же области будут выглядеть по-разному. Некоторые из этих факторов:

  • Различия в приборе или датчике: учитывайте сходство датчиков, которые собирали изображения. Даже полосы, собранные в одной и той же части спектра (например, две красные полосы), могут иметь разные длины волн центра полосы или разные функции спектрального отклика, что может привести к различным значениям пикселей для одного и того же материала.

  • Различия в дате и времени сбора. Сезонные изменения могут привести к большим различиям в сценах, содержащих растительность (из-за старения растений и развития архитектуры навеса). Различия в сезоне и времени суток также влияют на азимут и высоту Солнца.
  • Различия в атмосферных условиях. Доминирующие погодные условия могут влиять на атмосферную передачу и рассеяние. Постоянные различия в грубых атмосферных условиях часто связаны с сезонными изменениями. Распространенным атмосферным отличием является содержание воды в атмосфере. Летняя атмосфера обычно более влажная, чем зимняя. Атмосферно исправленные изображения могут уменьшить такие влияния.
  • Точность привязки. Детальность геопривязанных изображений имеет решающее значение для анализа обнаружения изменений. Несмотря на то, что процедура вычисления карты различий (Change Detection Difference Map) автоматически объединит входные изображения с использованием доступной информации о карте, если различия в геометрии изображения существенны, стоит попытаться обеспечить как можно более точную регистрацию ядра перед выполнением обнаружения изменений.

После того как исходные изображения загружены (начальное и конечное состояние территории) необходимо в диалоговом окне «Вычислить входные параметры карты разностей» задать количество для классификации. Каждый класс определяется порогом разницы, который представляет различную величину изменений между двумя изображениями. Минимальное количество классов – два. Пороги классификации по умолчанию равномерно распределены между (-1) и (+1) для простых различий и (-100%) и (+ 100%) для процентных разниц. Определения классов по умолчанию пытаются создать симметричные классы с равным количеством положительных и отрицательных классов изменений, окружающих категорию «Без изменений». Порядок, в котором определяются классы, выглядит следующим образом:

Для n-классов, где n – нечетно, первые (n/2) классы представляют положительные изменения, начиная с самых больших положительных изменений и заканчивая наименьшими. Средний класс, (n/2) + 1, не представляет изменений. Последние (n/2) классы представляют отрицательные изменения, начиная с наименьших отрицательных изменений и заканчивая самыми большими.

Опытным путем было принято решение, произвести классификацию на 33 класса. Таким образом были созданы мультивременные композиты участков анализа № 1 и № 2.

Участок анализа № 1.

Оба способа тематического анализа космического снимка (визуальный и автоматизированный) позволяют сделать вывод, что вырубка произошла в период с марта по апрель 2016 года и составила приблизительно 78%, как показано на Рисунке 7. Участки были проанализированы в ближнем инфракрасном диапазоне (далее NIR).

image
Рисунок 7. Мультивременной композит (NIR – апрель, NIR – март, NIR – март) Sentinel-2. Контуром обозначен участок анализа № 1

Оба способа тематического анализа космического снимка (визуальный и автоматизированный) позволяют сделать вывод, что вырубка произошла в период с марта по апрель 2016 года и составила приблизительно 62%, как показано на Рисунке 8.

image
Рисунок 8. КС Sentinel-2 за февраль 2017 г, композит каналов NIR, Red, Green

Автоматизированное дешифрирование снимков Sentinel-2 на площадь выдела №3, №4 и №5 было проведено с помощью метода главных компонент (PCA-анализ). Результаты приведены на Рисунках 9, 10 и 11 соответственно. С помощью этого создаются некоррелированные выходные полосы частот для разделения компонентов шума и уменьшения размерности наборов данных. Поскольку мультиспектральные полосы данных часто сильно коррелированы, преобразование PCA используется для получения некоррелированных выходных полос. Это делается путем нахождения нового набора ортогональных осей, которые берут свое начало от среднего значения данных и поворачиваются так, чтобы дисперсия данных была максимальной.

image
Рисунок 9. Метод главных компонент на основе КС Sentinel-2. Участок №3 – голубой контур


Рисунок 9. Метод главных компонент на основе КС Sentinel-2. Участок №3 – голубой контур

image
Рисунок 10. Метод главных компонент на основе КС Sentinel-2. Участок №4 – голубой контур

  

Рисунок 10. Метод главных компонент на основе КС Sentinel-2. Участок №4 – голубой контур

image
Рисунок 11. Метод PCA на основе КС Sentinel-2. Участок №5 – голубой контур

По результатам комплексной обработки космических снимков Sentinel – 2 было установлено, что на участке с кадастровым номером 1 и 2 произошла практически сплошная вырубка (Таблица 1). Предположительно вырубка произошла в период с середины марта 2016 по середину апреля 2016.

На участках с кадастровыми номерами 3, 4, 5 нарушения древесного покрова и вырубки по космическим снимкам Sentinel – 2 не обнаружены.

ЗАКЛЮЧЕНИЕ

1. По результатам комплексной обработки космических снимков Sentinel-2 как визуальным, так и автоматизированным способом, было установлено, что на участке с кадастровым номером 1 и 2 произошла практически сплошная вырубка леса (Таблица 1). Предположительно вырубка произошла в период с середины марта 2016 по середину апреля 2016. На участках под номерами 3, 4, 5 нарушения древесного покрова и вырубки по космическим снимкам Sentinel – 2 не обнаружены. 

2. В таблице 1 приведено сравнение площади вырубки в конце и начале наблюдений.

Таблица 1. Сравнение площади вырубки в конце и начале наблюдений

Участок анализа

Площадь участка анализа в гектарах

Площадь вырубки в гектарах на март 2016г.

Процент вырубки на апрель 2016г, %

Процент вырубки на февраль 2017г., %

1

7,21

5,63

78%

78%

2

1,43

0,52

36%

62%

3

35,39

0

0%

0%

4

11,92

0

0%

0%

5

2,35

0

0%

0%

3. Выполненная работа может быть ярким примером применения инновационных космических методов, в комплексе с передовыми технологиями (в том числе, машинного обручения) для обнаружения нарушения целостности лесного покрова. Кроме того, с достаточной точностью может помочь выделить временные рамки зафиксированных изменений.

4. Космические снимки являются прогрессивным способом и неотъемлемым этапом, для мониторинга лесных угодий.


image
111