Новая карта типов земного покрова бореальных экосистем

Новая карта типов земного покрова бореальных экосистем
Евразии по данным SPOT 4-VEGETATION
С.А. БАРТАЛЕВ (1), А.С. БЕЛВАРД (1), Д.В. ЕРШОВ (2)
(1)
Институт по окружающей среде и устойчивому развитию, Объединенный
Исследовательский Центр Европейской Комиссии, Испра, Италия
(2)
Центр по проблемам экологии и продуктивности лесов РАН, Москва, Россия
Введение. Состояние бореальных экосистем Евразии, расположенных главным
образом на территории России, играет исключительно важную роль в глобальных
экологических процессах и мировой экономике. Вместе с тем, несмотря на
наличие
огромного
количества
источников
информации,
уровень
неопределенности современных знаний о пространственном распределении и
характеристиках растительного и, в частности, лесного, покрова, а также других
типов земель на континентальном уровне, остается весьма существенным.
Очевидно, что в настоящее время реальной альтернативы использованию данных
дистанционного зондирования из космоса для получения такого рода объективной
и регулярно обновляемой информации не существует. Новая карта типов земного
покрова бореальных экосистем Евразии была получена в рамках пилотного
проекта
SibTREES,
представляющего
собой
совместную
инициативу
Объединенного Исследовательского Центра Европейской Комиссии и Российской
Академии Наук. Кроме того, эта карта входит в качестве составной части в
глобальную базу данных по земным покровам, создаваемую в рамках
международного проекта Global Land Cover 2000 (GLC 2000).
Спутниковые данные. Необходимые технические предпосылки по получению
удовлетворяющих
по
своим
данных
дистанционного
зондирования,
характеристикам (пространственное разрешение, периодичность наблюдений,
спектральные диапазоны и т.д.) требованиям задач картографирования и
мониторинга растительности в глобальном и континентальном масштабе
получили существенное развитие с появлением спутниковой системы SPOT4VEGETATION. Технические возможности установленного на борту спутника
SPOT4 инструмента VEGETATION оптимизированы исходя, главным образом, из
требований задач изучения растительного покрова планеты и могут быть
охарактеризованы следующими основными параметрами:
пространственное разрешение – 1.15 км при наблюдении в надир и 1.7 км при
максимальном отклонении оси визирования (+/- 500) ;
спектральные диапазоны: 0.43 – 0.47 мкм, 0.61 – 0.68 мкм, 0.78 – 0.89 мкм и
1.58 – 1.75 мкм;
геометрическая точность: при совмещении изображений в спектральных
каналах - 0.1 км; при совмещении разновременных изображений - 0.3 км;
абсолютное местоположение пикселя – 0.5 км;
периодичность обзора: в бореальной зоне до 2-3 наблюдений в сутки.
В качестве исходных спутниковых данных в настоящей работе были
использованы продукты S10, охватывающие во временном отношении
вегетационный период (март-ноябрь) 1999 года, и в географическом –
бореальную зону Евразии, т.е. область ограниченную координатами 42°-75° С.Ш.
и 5°-180° В.Д. Продукты S10, входящие в набор стандарных продуктов SPOT4VEGETATION, представляют собой многоспектральные изображения, полученные
путем селекции и синтеза наблюдений, соответствующих максимальным за
каждый десятидневный период значениям нормализованного разностного
вегетационного индекса NDVI, что обеспечивает отбор пикселей с наименьшим
влиянием облачного покрова. Кроме того, в состав продуктов S10 включены
данные, характеризующие геометрические условия наблюдения и освещения,
дату и время наблюдения, а также наличие облачного покрова в момент
наблюдения.
Легенда карты включает в себя 25 классов. Классы образуют семь различных
групп типов земного покрова, и выбраны как исходя из возможностей спутниковых
данных и имеющихся методов их анализа, так и с учетом требований
экосистемной оценки лесов, тундры, кустарниковых и травяных типов
растительного покрова, водно-болотных комплексов, а также не покрытых
растительностью земель (табл. 1).
Метод анализа спутниковых данных. Метод обработки и анализа спутниковых
данных, использованный для создания карты, может быть охарактеризован
следующими двумя основными этапами:
предварительная обработка данных с целью их улучшения и формирования
набора признаков для последующей классификации;
классификация данных методом последовательной семантической
декомпозиции.
Предварительная обработка данных включает в себя выявление участков
полностью или частично покрытых снегом, облаками или тенями от них, а также
поврежденных пикселей, то есть пикселей непригодных для анализа ввиду
нестабильной работы сенсора в среднем ИК канале. Для этого была разработана
итеративная процедура, основанная на применении системы фиксированных и
адаптивных порогов и использовании данных спектрального отражения в каналах
0.43 – 0.47 мкм и 1.58 – 1.75 мкм, а также, так называемого, нормализованного
разностного индекса снега NDSI.
Полученные таким образом маски снежного и облачного покрова, а также маски
поврежденных пискелов были использованы вместе с исходными данными
наблюдений для формирования набора признаков классификации, а именно таких
как:
синтезированные
разносезонные
многоспектральные
изображения,
соответствующие весеннему, летнему и осеннему периодам и полученные
путем осреднения за соответствующий период времени всех наблюдений,
свободных от влияния снега, теней, облаков или повреждений сенсора;
индекс оптической анизотропности поверхности SAI ( Surface Anisotropy
Index), полученный на основе функции распределния двунаправленного
отражения, описанной с помощью MRPV модели;
индекс влажности BGWI (Bi-spectral Gradient Wetness Index), физической
предпосылкой для получения которого является высокий уровень
поглощения светового излучения водой в среднем ИК спектральном
диапазоне. Данный индекс вычисляется в двумерном пространстве,
образуемом измерениями яркостей в ближнем ИК и среднем ИК
спектральных диапазонах. Он выражается углом между направлениями
соответствующим
рассматриваемым
пикселям
и
направлением,
параллельным ортогональной оси среднего ИК канала, исходящими из
точки с минимальными значениями яркости в обоих спектральных каналах;
индекс волнового сходства WLI (Wave-Likeness Index) извлекается из
временного профиля значений NDVI в течение всего вегетационного сезона
и характеризует меру его отличия от идеализированной «волновой»
траектории, в качестве которой принимается аппроксимация временного
профиля периодической функцией;
продолжительность снежного покрова извлекается с применением простых
логических правил из набора масок снега, полученных в результате
предварительной обработки спутниковых данных.
Для классификации спутниковых изображений был применен метод
последовательной семантической декомпозиции. Для этого на первом этапе был
использован кластерный анализ (алгоритм ISODATA) трех синтезированных
разносезонных многоспектральных изображений с получением 150 спектральновременных кластеров. Первичная тематическая интерпретация указанных
кластеров позволила присвоить каждому из них однозначное или комплексное
наименование (в зависимости от уровня интерпретируемости) на основе
выбранной легенды. В результате первичной интерпретации был сформирован
набор, так называемых, семантических кластеров. При этом семантические
кластеры, имеющие комплексные наименования являются объектом дальнейшей
декомпозиции с использованием всех доступных признаков классификации и
различных алгоритмов (пороговые процедуры, управляемая классификация или
кластерный анализ). Целью семантической декомпозиции является получение
набора однозначно интерпретируемых в рамках данной легенды семантических
кластеров. По достижении данного условия, на последнем этапе процедуры
классификации одинаково именованные семантические кластеры объединяются в
тематические классы в соответствии с легендой карты.
Заключение. На основе данных SPOT4-VEGETATION и разработанного метода
их анализа получена карта типов земного покрова бореальных экосистем
Евразии. В настоящее время выполняется оценка точности полученной карты с
использованием доступных наземных данных и спутниковых изображений
высокого разрешения. После получения репрезентативных оценок точности карта
будет предложена широкому кругу потенциальных пользователей, среди которых
могут быть такие, как органы управления лесным хозяйством и охраны лесов,
экологические службы, неправительственные организации, исследователи
работающие в области моделирования природной среды и климата.
Таблица 1. Легенда карты типов земного покрова бореальных экосистем Евразии.
A) Лес: проективное покрытие крон >20% и высота >5 метров
1) Вечнозеленые темнохвойные леса: кроны деревьев темнохвойных пород
составляют не менее 80% проективного покрытия
2) Вечнозеленые светлохвойные леса: кроны деревьев светлохвойных пород
составляют не менее 80% проективного покрытия
3) Летне-зеленые хвойные леса: кроны деревьев семейства лиственницы составляют
не менее 80% проективного покрытия
4) Лиственные леса: кроны деревьев лиственных пород составляют не менее 80%
проективного покрытия
5) Хвойно-лиственные леса: кроны хвойных пород составляют 60 – 80% проективного
покрытия, а лиственных 20-40%
6) Лиственно-хвойные леса: кроны лиственных пород составляют 60 – 80%
проективного покрытия, а хвойных 20-40%
7) Смешанные леса: деревья хвойных и лиственных пород смешаны примерно в
одинаковой пропорции
B) Кустарники: проективное покрытие кустарников >20% и высота <5 метров
1) Вечнозеленые хвойные кустарники
2) Листопадные кустарники
C) Травяной покров: проективное покрытие крон деревьев и кустарников <20%
1) Травяно-луговой покров
2) Степь: травяная растительность вегетирующая только в весенний период
D) Водно-болотные комплексы:
1) Болота мохово-лишайниковые
2) Болота осоково-тростниковые
3) Озерно-болотные комплексы: смесь водных объектов < 0.5 км2 и других покрытых
и не покрытых растительностью земель
E) Тундра
1) Лишайниковая
2) Моховая
3) Заболоченная
4) Кустарниковая
F) Другие типы растительного покрова
1) Растительность на сезонно затопляемых землях
2) Недавние гари
3) Сельскохозяйственные пахотные земли
G) Не покрытые растительностью земли:
1) Открытая почва и камни
2) Вечные снега/льды
3) Водные объекты
4) Урбанизированные территории
New Land Cover Map of Eurasia’s Boreal Ecosystems based on
the SPOT 4-VEGETATION data
S. BARTALEV (1), A. S. BELWARD (1) and D. ERSHOV (2)
(1)
(2)
Institute for Environment and Sustainability, EC Joint Research Centre, Ispra, Italy
Center for Forest Ecology and Productivity, Moscow, Russia
Abstract
As a part of a joint European Commission and Russian Academy of Sciences project
“Siberian Taiga REsource and Environment monitoring from Satellite (SibTREES)” a
new land cover map of Eurasia’s boreal zone is being created. The map also
contributes to the international exercise to map Global Land Cover for the year 2000
(GLC2000). This paper introduces map legend, the data pre-processing and image
classification methods, map accuracy assessment process and presents the SibTREES
land cover map.