Основными задачами проекта являлось:
- Обеспечение гидрологических исследований картографическим материалом.
- Получение актуальных данных о территории.
- Создание цифровой модели местности.
- Выявление техногенных и природных объектов по данным ДЗЗ.
Для выполнения проекта были задействованы следующие данные дистанционного зондирования Земли из космоса:
- Космические снимки спутниковой системы RapidEye [9]. Данная система включает 5 спутников, оборудованных съемочной аппаратурой, дающей 5-канальные снимки земной поверхности с разрешением 5 метров (рис.1).
- Архивные космические снимки Lansat 8 имеющие 11-канальные снимки земной поверхности с разрешением 30 метров.
- В качестве цифровой модели рельефа использовалась общедоступная 1.5 секундная цифровая модель рельефа ASTERGDEM [11].
С целью максимально эффективного дешифрирования техногенных и природных объектов, выполнялась предварительная обработка космических снимков, прошедших процедуру ортотрансформирования.
Для наиболее качественного дешифрирования объектов, распознающихся методом визуального дешифрирования (сейсмопрофиля, дороги, технологические площадки, карстовые просадки), выполнялось синтезирование каналов в естественных (красный — зеленый — голубой) и псевдоцветах (ближний инфракрасный — красный — зеленый) с последующей подстройкой гистограммы изображения в целях наиболее контрастного отображения тех или иных объектов (рис.2). Следует отметить, что для уверенного дешифрирования объектов одного типа, располагающихся в разных ландшафтных условиях также требуется различная подстройка гистограммы.
Выявление сейсмопрофилей выполнялось методом визуального дешифрирования, с учетом основных свойств данных объектов: прямолинейность, наличие ломаных линий, ширина на местности — 4 — 6 метров. Линейное вытягивание сейсмопрофилей (десятки километров в длину) позволяет достаточно уверенно дешифрировать их даже по снимкам с пространственным разрешением в 2−3 раза хуже их ширины — 8 — 15 метров [7].
Выявление сети дорог, просек, трасс перетаскивания выполнялось методом аналогичным дешифрированию сейсмопрофилей. Отличие в дешифровочных свойствах дорог по сравнению с сейсмопрофилями — извилистость линий, привязка к формам рельефа (долины рек), большая ширина (8 — 12 метров).
В случаях, когда дорога на определенном протяжении проходит по линии сейсмпорофиля, оцифровка дороги выполнялась только в случае значительного ее превосходства по ширине над стандартной шириной сейсмопрофиля, в остальных случаях производилось только примыкание дороги к сейсмопрофилю.
Рисунок 1. Пример нескольких элементов мозайки состоящей из 10 ортоизображений снимков RapidEye.
Рисунок 2. Фрагменты снимков с гистограммой, подстроенной под выявление технологических площадок и сейсмопрофилей расположенных в лесном массиве.
Так же удалось установить дешифровочные свойства зон распространения термокарстовых просадок располагающихся на безлесных территориях: гарях, редколесьях, болотах: светлые, зернистого характера участки, кучно располагающиеся; а также в пределах лесов: зернистые участки с зернами светлого оттенка — районы распространения относительно крупных просадок (50 — 250 метров в диаметре), зернистые участки с зернами темного цвета (тени от деревьев) — районы распространения мелких просадок (20 — 40 метров в диаметре) (рис. 3).
Рисунок 3. Область активного развития термокарстового рельефа в пределах редколесий и болот.
Безусловно, нужно учитывать, что дешифрируются не все карстовые просадки — относительно затруднено их дешифрирование на свежих гарях, не выявляются недавно возникшие небольшие просадки под лесными массивами. В то же время можно говорить о том, что отдешифрировано большинство термокарстовых просадок.
Ледники и участки, пораженные пожарами дешифрировались по снимкам Lansat 8 [11], так как в набор основных спектров дополнительно включены коротковолновые и тепловые спектры, позволяющие с достаточной достоверностью определить гари и ледники, а так же исключить влияние облачности на снимках (рис.4).
Рисунок 4. Фрагмент снимка Lansat 8 c гистограммой подстроенной под выявление гари (2 коротковолновых и ближний инфракрасный спектры).
Дешифрирование лесов и болот осуществлялось комбинированным методом [12] - сочетание методов автоматической спектральной классификации снимка (леса) с визуальным дешифрированием (болота) [8].
Таким образом, вся территория лицензионного участка была подразделена на следующие категории ландшафтов, различающихся по степени проходимости, по возможности проектирования и строительства технологических объектов:
- Низинные и верховые болота
- Заболоченные, закустаренные поймы рек.
- Старые и вторичные гари, поросшие лиственными молодняками, кустарником, травянистой растительностью.
- Смешанные леса (лиственница + береза), частично заболочены.
- Светлохвойные леса (сосна + лиственницы), частично заболочены.
- Темнохвойные леса (кедр + сосна + лиственница), частично заболочены.
- Редколесья на речных террасах.
Следует отметить, что существенное влияние на классификацию лесов может оказывать заболоченность и наличие подроста и подлеска, параметры, определение которых по космическим снимкам крайне затруднено. В то же время основное подразделение ландшафтов выделить возможно.
Во время выполнения данного проекта был выделен ряд достоинств применения космических снимков при дешифрировании природных и техногенных объектов:
- многозональность и многофакторность космических данных обеспечивает комплексность оценки ситуации;
- возможность мониторинга больших площадей, в т. ч. протяженных объектов, за счет высокой периодичности съемки, оперативности получения исходных данных;
- возможность получения повторных изображений и свободный доступ к архивным данным;
- относительно низкая стоимость съемки единицы площади;
- возможность исследования труднодоступных территорий.
Однако следует отметить и ряд недостатков использования данных космического зондирования земли:
- для обработки и анализа данных требуется высокая квалификация и большой практический опыт;
- использование космических снимков становится экономически неэффективным при выполнении разовых работ на небольших территориях;
- высокая стоимость программного обеспечения для обработки цифровых снимков;
- необходимость подтверждения результатов дешифрования материалов космической съемки полевыми исследованиями.
В заключении можно добавить, что использование космических снимков хоть и имеет ряд недостатков, но для картографирования и дешифрирования природных и техногенных объектов на обширных территориях является предпочтительным методом по сравнению с другими традиционными методами.
Литература
[1] Книжников Ю. Ф., Кравцова В. И., Тутубалина О. В., Аэрокосмические методы географических исследований. M.:"Академик". 2004.
[2] Лурье И. К. Геоинформационное картографирование. Методы геоинформатики и цифровой обработки космических снимков: учебник // И. К. Лурье. 2-е издание испр. — Москва: КДУ, 2010 — 424 с.
[3] Лабутина И. К., Дешифрование аэрокосмических снимков. M.: Аспект Пресс. 2004.
[4] Кашкин В. Б., Сухинин А. И. Дистанционное зондирование Земли из космоса. Цифровая обработка изображений — М.: Логос, 2001 — 264 с.
[5] Кравцов С, Л, Обработка изображений дистанционного зондирования Земли (анализ методов) — Минск: ОИПИ НАН Беларуси, 2008. — 256 с.
[6] Кравцова В. И. Генерализация аэрокосмического изображения: континуальные и дискретные снимки. — М: МГУ, 2000. — 256 с.
[7] Охотин А. Л., Загибалов А. В. Иновации в маршейдерии: Научный симпозиум «Неделя горника 2007» г. Москва.
[8] Токарева О. С. Обработка и интерпретация данных дистанционного зондирования Земли: учебное пособие. — Томск: Изд-во Томского политехнического университета, 2010. — 148 с.
[9] Шовенгердт Р. А. Дистанционное зондирование. Модели и методы обработки изображений. — М.: Техносфера, 2010. — 560 с.
[10] Сутурина Е. Н., Дистанционное зондирование земли.: Издательство ИГУ. 2013.
[11] Jiang, H.; Zhao, D.; Cai, Y.; An, S. A method for application of classification tree models to map aquatic vegetation using remotely sensed images from different sensors and dates. Sensors 2012.
[12] Laliberte, A.S.; Browning, D.M.; Rango, A. A comparison of three feature selection methods for
object-based classification of sub-decimeter resolution UltraCam-L imagery. Int. J. Appl. Earth Obs. Geoinf. 2012,
[13] Myint, S.W.; Gober, P.; Brazel, A.; Grossman-Clarke, S.; Weng, Q. Per-pixel vs. object-based
classification of urban land cover extraction using high spatial resolution imagery. Remote Sens.2011.
Интернет ресурсы
[14] Каталог Геологической службы США (http://earthexplorer.usgs.gov)
[15] Каталог Совзонда (http://www.sovzond.ru)
[16] HydroSHEDS (Речная гидрография) — (http://hydrosheds.cr.usgs.gov/index.php)
Токин А. А., Гл. Маркшейдер ООО НПК «Байгео», Иркутск, Российская Федерация, 2014 г.