GIS-Lab: Landsat MSS для лесных задач

Обсудить в форуме Комментариев — 32Редактировать в вики

Для лучшего понимания динамики лесных экосистем очень полезно иметь дистанционную информацию за как можно более долгий период. C открытием архива снимков Landsat стали доступными и снимки сенсоров MSS, работавших с 1972 по 1999 г. Таким образом, стала доступна информация о лесных экосистемах начиная с 70х гг прошлого века, и это уникальный источник, поскольку в 70-е-80-е других аппаратов ДЗЗ с таким разрешением и пространственным покрытием не было.
Снимки с описываемого сенсора имеют ряд ограничений по сравнению с Landsat TM и более поздними изображениями. В данной статье будут описаны характеристики и особенности дешифрирования изображений MSS, а также будет рассмотрен примерный круг задач, решаемых с помощью этих снимков, и опыт дешифрирования MSS в реальном лесном проекте.

[править

Характеристики сенсора

Сенсор MSS работал с июля 1972 года по январь 1999 на борту спутников Landsats с 1 по 5. В то время это была настоящая революция в области ДЗЗ; мало того, после поломки в ноябре 2011 года Landsat 5 TM, инструмент MSS снова был включен и работал с июня 2012 года до января 2013 года [1].
Изображения MSS поставляются с уровнем обработки L1T (радиометрическая и геометрическая коррекция с использованием цифровых моделей рельефа), разрешение 60 м/пиксель. Характеристики каналов и иную информацию можно получить здесь. Обратим внимание, что разрешение сенсора и разрешение снимка — разные вещи. Нумерация каналов у MSS не такая, как у более новых Landsat’ов, а 4 5 6 7 соответственно.

У многих изображений в центре изображения во всех диапазонах отсутствует полоса в 8 пикселей, что примерно составляет 18000 пикселей, а также имеются многочисленные полосы в случайных местах изображения

[править

Что можно увидеть на MSS и что нельзя

Итак, изображения MSS обладают невысоким пространственным разрешением и дефектами — полосами. Кроме того, в отличие от более поздних Ландсатов, доступных каждые 2 недели, удачных MSS намного меньше, хорошо если попадется 1-2 пригодных к обработке снимка на одну и ту же территорию. Однако даже такие «слепенькие» снимки поддаются обработке и могут дать исследователю полезную информацию.

[править

Сравним характеристики диапазонов MSS и TM (таблица 1)

как видно из этой таблицы, сопоставить «в лоб» синтезы MSS и TM нельзя. Мы пришли к выводу, что привычнее всего глазу синтез 4-3-1 (или, в оригинальной нумерации MSS 7-6-4(рис. 2).

[править

Лесные экосистемы на MSS

В силу несовершенства снимков MSS по сравнению с более поздними, не стоит ожидать от них слишком многого, но кое-что увидеть можно. Рис. 2 показывает, какие основные объекты видны на MSS и как они выглядят на TM

1 — лес (можно попытаться разделить на хвойный и лиственный, но надежно пока не получалось) 2 — вырубка на месте этого леса 3 — возможно, молодой лиственный лес, видно несколько лучше, чем смешанный с хвоей 4 — вырубка на MSS, как видно, она зарастает листвой на TM.
На рис. 3 показаны разные виды рубок и лиственные массивы. Хорошо виден дефект в виде полосы.

1 — рубки со сжиганием порубочных остатков: «на снимках, полученных для Коми, видно, что в некоторых местах леса были сначала вырублены, а затем выжжены» [2]
2 — лиственные насаждения 3 — зарастающие рубки 4 — смешанные насаждения

[править

Особенности обработки

Особенности изображений Landsat MSS (невысокое пространственное разрешение, дефекты, всего 4 спектральных канала) обуславливают некоторые хитрости в их обработке. Как уже говорилось выше, особенностью MSS является наличие полос и артефактов. Условно их можно разделить на три класса: Полосы 1-го рода. Перед классификацией шумы сенсора нужно убирать. Есть как минимум 2 способа: а) Метод главных компонент, удалив или уменьшив вес 3-й и 4-й компонент можно избавиться от шумов, например, как описано здесь [3] б) быстрое преобразование Фурье. В GRASS можно делать и то и другое: [4] Полосы 2 рода — сдвиг отдельных участков на некоторое количество пикселей. Полосы 3 рода — артефакты совершенно другого цвета, никак не связанные со снимком, в случайных местах изображения. При автоматизированной классификации с обучением приходится кроме обычных классов (хвойные, вода, болота…)выделять еще и отдельные тестовые участки для полос третьего рода, иногда даже 2-3 класса для полос разного цвета. При этом для классификации бесполезно использовать сложные и долго выполняющиеся алгоритмы (SVM, нейронные сети), поскольку разделимость тестовых участков очень невелика. На практике в итоге было решено использовать алгоритм максимального правдоподобия, т.к. его точность по нашему опыту чуть выше, чем у методов Махалонобиса или минимального расстояния (см. например, [5]),а дешифрирование проходит очень быстро.

Результирующее изображение содержит паразитный класс «полосы». Увы, с ними нельзя поступить как с облаками и тенями на традиционных Landsat 5 или 7,т.е. отмаскировать и попробовать закрыть получившиеся лакуны информацией с другого снимка. Для этого сцен MSS на одну и ту же территорию слишком мало. Бороться с полосами можно по-разному, например, попытаться отмаскировать их еще на этапе предобработки. Также можно воспользоваться графическим редактором — открыть результат классификации в редакторе, и глядя на исходный снимок и какой-нибудь ближайший по времени Landsat 5, вручную «замазать» полосы цветами тех классов, которые скорее всего должны быть на месте полос. Для того, чтобы не потерять привязку, нужно сохранить результат классификации в tiff со всеми возможными файлами привязки (tfw, world…) или, если есть деньги, воспользоваться плагином для Фотошопа Avenza Geographic Imager. Это, конечно, эрзац, и служит он только для создания красивых изображений, поэтому для дальнейшего анализа нужно все равно работать с исходным «полосатым» результатом классификации.

[править

Возможность использования снимков MSS в лесном хозяйстве

Теперь, когда мы знаем непростой характер снимков MSS, выясним, для чего же можно их использовать
1) для установления факта лесонарушений. На рис. 4 показан снимок на участок респ. Коми, хорошо видны вырубки и гарь

2) для установления возраста и происхождения насаждений на месте нарушений (например, вторичные лиственные на месте вырубок 40-50 гг
3) для оценки потери лесов в результате природных или антропогенных факторов. Например, «южный массив» в респ. Коми с 70х гг прошлого века сократился вдвое (рис. 5)

Рисунок 6 иллюстрирует потерю лесов юга Коми в результате рубок. Нами было сделано сопоставление результатов дешифрирования спутниковой съемки с Атласом лесов СССР [6]. Получилось, что почти все лесные массивы, представленные в Атласе как ельники и сосняки, на самом деле вырублены как раз примерно на момент создания атласа.

4) для уточнения состава насаждений при анализе временных рядов снимков. На рис. 7 показано, что сосняк (возможно, лишайниковый) отлично определяется на MSS и Landsat TM 1990х гг, но выглядит как обычный смешанный лес на снимке 2003 г. Соответственно, применяя анализ временных рядов снимков, получаем уточненный состав — смешанный лес с участием сосны.

Таким образом, Landsat MSS можно использовать для анализа временных рядов Landsat, помня об ограничениях по разрешению и дефектах.

[править

Опыт использования снимков Landsat MSS в проекте НП «Прозрачный мир» «Интенсивное и устойчивое лесопользование в России»

Проект «Интенсивное и устойчивое лесопользование в России» начался в 2010 г., основным спонсором был печально известный USAID. Проект должан был продлиться 3 года, но из-за того, что USAID в России запретили, был свернут раньше времени.
Цель проекта: Информационная поддержка совершенствования управления лесами России с учетом передового отечественного и зарубежного опыта, современных подходов и практик ведения устойчивого лесного хозяйства, в том числе,
механизмов Киотского протокола
Для этого, в частности, были созданы карты лесов на Республики Коми и Карелия, Вологодскую, Ленинградскую, Архангельскую, Мурманскую области. При этом использовались снимки Landsat за три временных периода — 70-е, 2000-е и 2010-е гг. Рисунок 8 иллюстрирует, какие классы были получены для разных снимков.

На основе 3 карт была создана результирующая, включающая 25 классов. Удалось разделить вторичные лиственные и смешанные леса на 3 группы возраста. Фрагмент такой карты показан на рис. 9.

Дальше с полученной картой можно проводить разнообразную работу, например, анализ доступности тех или иных лесов, анализ пригодности территорий под лесные плантации и т.п. Предполагалось выложить результаты в Интернет в виде интерактивной карты, но из-за свертывания проекта этого сделать не удалось. Более подробно наша работа описана в [7] и в [8].
Итак, снимки MSS, если знать их возможности и ограничения, представляют собой интересный источник информации для анализа временных рядов снимков и лучшего понимания изменений в лесных экосистемах.

[править

Источники

Источник: gis-lab.info

• Свойства и строение газообразных, жидких и твердых тел
• Где в России чаще всего встречаются зелёные глаза
• Геологи разгадали тайну большущих цунами
• 1.2. Краткая история развития метрологии
• Плотина - это... Плотины на реках. Земляная плотина
• Роскосмос и NASA анонсировали создание совместной окололунной станции уже в 2024-2026 году (4/4) [Форумы Balancer.Ru]
• Что такое биологический круговорот?
• Внеклассное мероприятие по физике на тему Занимательные опыты
• Урок биологии для 9 класса по теме: Генетическая информация. Удвоение ДНК
• План-конспект урока ' Решение ключевых задач по теме Пирамида' 10 класс