Оценка индикаторов состояния лесов Московской области по данным спутниковых наблюдений

Барталев С.С. (bartalev@mail.ru)

Московский Государственный Университет Геодезии и Картографии Введение

Леса представляют собой источник ценных ресурсов, обеспечивают сохранение в связанном состоянии значительной части мирового запаса углерода, выступают в качестве экологического каркаса для сохранения биоразнообразия экосистем, а также выполняют множество других биосферных функций.

Необходимость осуществления мониторинга состояния лесов обусловлена их непрерывной динамикой вследствие природных и антропогенных факторов (таких как пожары, вырубки, техногенные загрязнения и некоторые другие), влияние которых существенно варьирует в зависимости от региона. В частности, леса Московской области испытывают на себе сильное антропогенное влияние, обусловленное близостью к мегаполису с более чем десяти миллионным населением. Это выражается в высоком уровне загрязнения атмосферы и почвенного покрова, изменениях гидрологического режима при строительстве инфраструктуры, вырубке лесов в целях последующей застройки территории, повышенной рекреационной нагрузке, часто приводящей к пожарам [1].

Современный этап развития методологии мониторинга лесов с целью выработки стратегий рационального лесопользования и защиты окружающей среды предполагает в качестве обязательной компоненты использование методов дистанционного зондирования и геоинформационных систем (ГИС) [2]. Согласно существующей концепции мониторинга лесов, выделяются глобальный, континентальный, региональный и локальный уровни наблюдения, различающиеся функциональными задачами, территориальным охватом, а также требованиями к пространственной и тематической детальности получаемой информации. К особенностям регионального мониторинга лесов, охватывающем крупные административные или природные территориальные образования, относится необходимость комбинированного использования спутниковых данных в широком диапазоне величин пространственного разрешения.

При этом экологическая оценка лесного покрова на уровне региона требует обоснования соответствующих индикаторов, доступных для определения с использованием данных спутниковых наблюдений, и позволяющих оценивать структуру и состояние лесов с точки зрения

эффективности выполнения ими средозащитных и биосферных функций в условиях возрастающего влияния антропогенной нагрузки.

В настоящей работе предложены и апробированы на примере Московской области методы региональной экологической оценки лесов с комбинированным использованием данных спутниковых наблюдений Terra-MODIS и Landsat-ETM+.

Характеристика экспериментальных данных

Набор, использованных для экспериментов, изображений Landsat-ETM+ с пространственным разрешением около 30 м был отобран из архива Global Land Cover Facility [3] и включал в себя пять сцен, полученных в весенне-летний период 2001-2002 гг. Предварительная оценка точности взаимного пространственного совмещения исходных изображений Landsat-ETM+ показала, что средняя величина погрешности привязки составляла 3 - 4 пикселя, что потребовало проведения дополнительной геометрической коррекции спутниковых данных. Взаимная пространственная привязка производилась по опорным точкам в зоне перекрытия изображений, это позволило сократить ошибку их совмещения до величины, не превышающей размера одного пикселя.

Кроме того, для проведения экспериментальных работ был использован, сформированный Институтом космических исследований РАН, набор очищенных от влияния облачного покрова композитных изображений с пространственным разрешением 250 м, полученных по данным прибора MODIS со спутника Terra [4]. Данные Terra-MODIS обеспечивают полное покрытие территории области и включают композитные изображения для летнего (июнь-август) и зимнего (декабрь-февраль) периодов 2002 года. При этом использовались данные с пространственным разрешением 250 м в красном (620-670 нм) и ближнем инфракрасном (841-876 нм) спектральных диапазонах и разрешением 500 м в среднем инфракрасном (1628-1652 нм) диапазоне.

Относительная близость времени получения обоих видов спутниковых данных обеспечивает возможность их совместного использования без учета изменений в лесах в период между наблюдениями.

В качестве опорной информации для проведения классификации была использована карта растительности Московской области масштаба 1:200000 отражающая пространственное распределение различных типов лесов [5].

Методология анализа спутниковых данных

Для экологической оценки лесов по спутниковым данным могут быть использованы различные индикаторы, в частности отражающие степень покрытия территории лесами, породный состав насаждений и их физиологическое состояние.

Лесистость, как отношение покрытой лесами площади к общей площади региона, относится к числу основных характеристик территории, а ее оценка по спутниковым изображениям высокого

пространственного разрешения, как правило, обеспечивается с достаточно высоким уровнем надежности. При использовании данных низкого или среднего разрешения такого рода оценка сопряжена со значительными погрешностями, в особенности для малолесных территорий с сильно фрагментированным лесным покровом.

Одним из возможных подходов для оценки лесистости на больших территориях при обеспечении высокой точности является комбинированное использование спутниковых изображений различного пространственного разрешения, и, в частности, таких как MODIS и Landsat-ETM+. При этом оптимально сочетание полного покрытия региона данными MODIS и репрезентативной выборки изображений высокого разрешения. Получаемые при этом по изображениям высокого разрешения опорные значения лесистости могут использоваться для коррекции результатов обработки данных MODIS.

Интенсивная хозяйственная деятельность или воздействие других возмущающих факторов на таежные экосистемы часто приводит к смене породного состава лесов, и, в частности, к сокращению участия хвойных насаждений в лесном покрове. В этой связи динамика доли площади чистых хвойных насаждений в лесном покрове может служить одной из характеристик экологического состояния лесов региона.

Физиологическое состояние лесов в значительной степени определяется содержанием хлорофилла и уровнем влагообеспеченности зеленых фракций древесной растительности. Непосредственное определение абсолютных значений этих показателей по данным дистанционного зондирования в настоящее затруднено и требует дополнительных наземных биофизических и биохимических измерений. В этой связи целесообразно использовать относительные показатели состояния лесов, получаемые на основе спектральных индексов, тесно коррелирующих с уровнем обеспеченности растений хлорофиллом и влагой. В качестве спектральных индексов такого рода могут быть использованы нормализованный разностный индекс растительности (NDVI) [6] и индекс влагосодержания (NDWI) [7], определяемые по уровню отражения в видимом, а также ближнем и среднем инфракрасном диапазонах спектра. При этом к особенностям предложенного в настоящее работе подхода относится оценка значений указанных спектральных индексов отдельно для чисто хвойных и лиственных насаждений, что продиктовано их различной чувствительностью к воздействию негативных факторов среды.

Для представления и пространственного анализа получаемых характеристик состояния лесов на уровне региона проводилась агрегация значений оцениваемых показателей в ячейках регулярной сети с размером ячейки 10х10 км.

Картографирование лесов по данным Landsat ETM+

Картографирование лесного покрова по данным Landsat-ETM+ в условиях их неоднородности по времени и условиям проведения спутниковой съемки потребовала проведения

специальной предварительной обработки с целью взаимной радиометрической нормализации использованной совокупности изображений.

В основе метода нормализации спутниковых изображений лежит предположение о том, что, при отсутствии качественных изменений состояния лесов в период между двумя несовпадающими датами наблюдений, различия регистрируемой яркости, прежде всего, связаны с изменениями в атмосферном влиянии, а также фенологическими различиями в растительном покрове.

Результаты ранее проведенных исследований [8] показали, что связь значений квантованных уровней яркости для одного и того же участка подстилающей поверхности на двух различающихся временем получения спутниковых изображениях можно выразить следующим выражением:

CN1 = a CN2 + b (1),

где CN1 и CN2 - уровни яркости участка поверхности в различные моменты наблюдений; a и b - коэффициенты уравнения.

Использование выражения (1) позволяет предложить простой метод взаимной нормализации совокупности спутниковых изображений.

На первом этапе производится выбор базового спутникового изображения, которое должно соответствовать дате благоприятной для наблюдения лесной растительности и иметь области перекрытия с максимально возможным числом спутниковых изображений для региона наблюдения. При этом важно, чтобы в зонах перекрытия были максимально представлены характерные для региона типы лесов. Следующий этап нормализации направлен на формирование сети опорных участков лесной растительности в зонах перекрытия спутниковых изображений для оценки значений коэффициентов уравнения (1). Опорные участки выбираются в зонах перекрытия соответствующих пар изображений, при этом площадь каждого опорного участка должна превышать площадь пикселя изображения в несколько раз, что позволяет скомпенсировать влияние случайных факторов. Завершающим этапом нормализации является преобразование изображений в каждом спектральном канале с использованием коэффициентов регрессионного уравнения с целью компенсации имевшихся радиометрических различий на покрытых лесом территориях.

Для классификации совокупности радиометрически нормализованных изображений Landsat-ETM+ были использованы спектральные каналы TM3, TM4, TM5 и ТМ7, как наиболее информативные для распознавания растительности [9]. Предварительная оценка возможностей классификации лесов по данным Landsat-ETM+ продемонстрировала достаточно высокую точность распознавания классов темнохвойных, светлохвойных, лиственных и смешанных насаждений. Использование алгоритма неконтролируемой классификации ERDAS ISODATA позволило выделить на первом этапе 200 спектральных кластеров, последующая визуальная

20-1-1-1-1-1-i

20 30 40 50 60 70

Лесистость по данным Landsat

Рис. 2 Связь данных о лесистости (%) для ряда лесхозов Московской области по результатам классификации Landsat ETM+ и материалам ГУЛ (1998 г.)

интерпретация которых была проведена с привлечением карты растительности Московской области [5] и анализа сигнатур кластеров в пространстве спектральных яркостей TM3 и TM4.

Необходимость повышения точности распознавания темнохвойных лесов, частично перепутываемых с тенями от облаков и участками водной поверхности в прибрежных зонах, потребовала дополнительной тематической обработки изображений. Повторная классификация изображений была выполнена только для пикселей отнесенных на предыдущем этапе к указанной совокупности классов с использованием текстурного признака, характеризуемого значениями дисперсии яростей изображения в скользящем окне размером 5х5 пикселей. При этом для участков водной поверхности, как пространственно более однородных, характерны относительно низкие значения текстурного признака, что позволило существенно улучшить точность классификации темнохвойных лесов. Дальнейшее улучшение точности выделения темнохвойных лесов было направлено на исключение ошибочно классифицированных участков теней от облаков. Это обеспечивалось процедурой пространственного анализа изображений в окрестности предварительно выявленных участков облачного покрова, детектированных по высоким значениям спектральной яркости во всех используемых спектральных каналах изображений.

Результатом классификации спутниковых изображений Landsat-ETM+ стала карта лесов для части территории Московской области. График связи данных о лесистости ряда лесохозяйственных предприятий области, полученные с использованием построенной карты и материалов Государственного учета лесов (ГУЛ) РФ по состоянию на 1998 год, представлен на рисунке 2.

Оценка состояния лесов по данным MODIS

Оценка состояния лесов Московской области по данным MODIS включала в себя определение в ячейках регулярной сети таких характеристик, как лесистость, относительное содержание насаждений хвойных пород, а также значения спектральных индексов NDVI и NDWI отдельно для хвойных и лиственных насаждений.

При этом на первом этапе была выполнена классификация очищенных от влияния облачного покрова изображений MODIS для построения карты лесов области с выделением темнохвойных, светлохвойных, лиственных и смешанных лесов. Классификация выполнялась в два последовательных этапа с применением алгоритма кластерного анализа ERDAS ISODATA на основе совместного использования изображений летнего и зимнего периода наблюдений. На первом этапе был выполнен кластерный анализ зимнего изображения с последующей тематической интерпретацией спектральных кластеров, позволившей построить бинарную маску покрытия территории области лесами. Последующая более детальная классификация типов лесов проводилась по данным MODIS, полученным в летний период. При этом в рассмотрение принимались только пиксели, включенные в бинарную маску лесов на предыдущем этапе. Такая последовательность использования разносезонных спутниковых изображений позволяет достаточно просто исключить ошибки, связанные с перепутыванием классов, относящихся к покрытым и непокрытым лесом территориям.

Последующий регрессионный анализ данных о лесистости, полученных по обоим видам спутниковых данных, проводился для совокупности ячеек регулярной сети в зоне покрытия территории области изображениями Landsat-ETM+ (рис. 3). При этом полином второго порядка был принят в качестве наилучшей модели аппроксимация связи между значениями лесистости по данным Landsat ETM+ и MODIS, при значении коэффициента корреляции R2 = 0,94. Полиномиальный характер связи объясняется существенным различием величины пространственного разрешения используемых спутниковых данных и свидетельствует о том, что использование данных MODIS приводит к некоторой недооценке лесистости для малолесных территорий за счет пропуска мелких массивов лесов. Одновременно при значительном уровне лесистости использование данных MODIS приводит к завышению значений этого показателя за счет большого числа смешанных пикселов, классифицируемых как лесной покров.

100 л

Лесистость по данным MODIS (%)

Рис. 3 Связь между значениями лесистости в ячейках регулярной сети (10х10 км) для территории Московской области по данным MODIS и Landsat ETM+

Использование представленного на рисунке 3 уравнения позволило уточнить полученные по данным MODIS оценки лесистости для территории области на уровне административных районов. При этом необходимо отметить, что после проведения коррекции среднее значение лесистости для области (41,78 %) практически не отличается от данных официальной статистики (41 %) [1], что может служить свидетельством эффективности предложенного подхода по совместному использованию спутниковых данных среднего и высокого пространственного разрешения.

Оценка по данным MODIS значений спектральных индексов, отражающих относительное содержание хлорофилла и влагообеспеченность лесной растительности, проводилась согласно следующим выражениям:

где NDVI и NDWI - нормализованные разностные индексы растительности и влагосодержания;

RED, NIR и SWIR - спектральные яркости в каналах 620-670 нм, 841-876 нм и 1628-1652 нм

Последующий анализ показал наличие статистически значимой положительной корреляции между значениями NDWI и NDVI для хвойной растительности (рис. 4) и отсутствие таковой для лиственных лесов. Видимо этот факт является следствием существенно более высокой чувствительности хвойных лесов к уровню антропогенной нагрузки, а также взаимосвязи между усыханием (обезвоживанием) и снижением концентрации хлорофилла в лесной растительности.

NDVI = (NIR - RED) / (NIR + RED) (3) NDWI = (NIR - SWIR) / (NIR + SWIR) (4)

соответственно.

0,88 0,87 0,86 0,85 0,84 0,83

R2 = 0,47

♦

0,82 0,81

0,80

♦

0,25

0,27

0,29

0,31

0,33

0,35

0,37

Значения NDWI

Рис. 4 Связь между значениями спектральных индексов NDWI и NDVI по данным MODIS для

хвойных лесов Московской области

Дальнейший анализ полученных данных был направлен на выявление взаимосвязей между

дистанционными индикаторами экологического состояния лесов и уровнем антропогенной

нагрузки на территорию Московской области. Оценка антропогенной нагрузки проводилась с помощью карты содержания вредных веществ на территории Московской области [10]. Легенда карты включает три уровня антропогенной нагрузки (удовлетворительный, напряженный и критический) и представлена семью степенями экологического состояния, выделенных по содержанию вредных веществ в воде, воздухе и почве. Использование указанной карты позволило дополнить информационную базу данных ГИС сведениями о доминирующей в каждой из ячеек регулярной сети на территории области степени антропогенной нагрузки и обеспечить пространственную согласованность с другими индикаторами экологического состояния лесов, полученным по результатам анализа данных MODIS (рис. 5).

а) б) с)

(Серым цветом показаны участки, где нет данных)

Рис.5 Пространственное распределение значений NDVI (а) и NDWI (б) для хвойных насаждений по данным MODIS в сравнении с картой

антропогенной нагрузки (с) Московской области

> о

к

0,856 0,854 0,852 0,850 0,848 0,846

0,844 0,842 0,840

0,838 0,836 0,834

п

1 2 3 4 5 6 7 Уровень загрязнения

5 о

я и н е

а н

0,325 0,320 0,315 0,310 0,305 0,300

0,295 0,290

0,285

П

1234567

Уровень загрязнения

Рис.6 Распределение средних значений спектральных индексов NDVI (а) и NDWI (б) для хвойных

лесов при различных уровнях антропогенной нагрузки

Заключение

В результате выполненных исследований предложена и апробирована методика совместного использования спутниковых изображений различного пространственного разрешения для регионального картографирования и экологической оценки лесов Московской области.

Представленные на рисунке 5 данные наглядно демонстрируют пространственную корреляцию между значениями спектральных индексов NDVI и NDWI для хвойных лесов и, с другой стороны, уровнем антропогенной нагрузки на территорию. При этом, очевидно, что леса таких административных районов области, как: Ногинский, Павлово-Посадский, Балашихинский, Люберецкий, Ленинский, Воскресенский, Коломенский, Орехово-Зуевский, находятся в наименее благоприятных экологических условиях, что проявляется в уровне концентрации хлорофилла и влагосодержании зеленых фракций хвойной растительности.

Средние значения обоих спектральных индексов NDVI и NDWI для хвойных лесов по данным MODIS также демонстрируют очевидную тенденцию к снижению с ростом уровня антропогенной нагрузки (рис. 6). При этом совместный анализ указанных зависимостей позволяет сделать предположение, что для ранних стадий повреждения хвойных лесов характерно уменьшение концентраций хлорофилла без видимых проявлений в снижении уровня влагосодержания. В тоже время достижение некоторого критического уровня антропогенной нагрузки на леса приводит к росту интенсивности их усыхания даже при относительно стабильной концентрации хлорофилла и проявляется в наибольшей степени на более поздних стадиях повреждения лесов. Выявленные закономерности хорошо согласуются с имеющимися представлениями о проявлении физиологических реакций лесной растительности на негативное воздействие антропогенных факторов окружающей среды.