Развитие методов обработки данных ДЗЗ, направленных на получение устойчивых нормализованных наборов и рядов данных для оценки различных характеристик почвенно-растительного покрова

В рамках выполненных работ в отчётном году, направленных на получение временных серий характеристик растительного покрова, был разработан метод ежегодной оценки проективного покрытия древесного полога леса. Проективное покрытие полога леса является характеристикой структуры лесов, определяемая как отношение суммы площадей горизонтальных проекций крон деревьев в древостое к общей площади участка, на котором произрастает древостой. Проективное покрытие древесного полога леса характеризует степень использования деревьями пространства и выражается как в процентах от площади, так и в долях единицы. Изменение проективного покрытия напрямую свидетельствует об изменениях, происходящих в лесах, следовательно, для выявления последних необходимо иметь оценки проективного покрытия полога леса в динамике.
В качестве основного источника данных для оценки проективного покрытия полога леса использовались спутниковые данные MODIS. Наличие непрерывно пополняемого архива данных ежедневных наблюдений поверхности прибором MODIS для всей территории России начиная с 2000 года дают возможность проводить анализ временных серий спутниковых наблюдений. На основе ежедневных данных прибора MODIS в ИКИ РАН разработан алгоритм построения безоблачных композитных изображений с наличием снежного покрова на земной поверхности. Для исключения влияния облачности и теней на данные спутниковых наблюдений алгоритм использует классификацию измерений на основе спектрального индекса снега NDSI (Normalized Difference Snow Index) и значений коэффициентов спектральной яркости в спектральном канале MODIS 0,46–0,48 мкм, а также применение геометрической модели теней. Дальнейшие шаги алгоритма включают статистическую фильтрацию временного ряда в красном и ближнем ИК-канале от остаточных шумов и полиномиальную интерполяцию для восстановления пропущенных значений коэффициентов спектральной яркости регулярного временного ряда. В силу особенностей образования устойчивого снежного покрова на территории России, композитные изображения строятся за период с января по апрель отдельно взятого года. Для устранения межгодовых неоднородностей, вызванных глубиной и состоянием снежного покрова, композитные изображения проходят процедуру взаимной локально-адаптивной нормализации на основе территорий, непокрытых лесом. В результате работы алгоритма строится однородный временной ряд композитных изображений с наличием снежного покрова, который может быть использован в широком спектре задач, касающихся оценки характеристик лесного покрова.

Значения проективного покрытия древесного полога леса тесно связаны с величинами коэффициентов спектральной яркости (КСЯ) земной поверхности (рисунок 2.2.1). Проведённые эксперименты позволяют утверждать, что наилучшую зависимость со значениями проективного покрытия древесного полога леса имеют спутниковые данные, полученные в зимнее время при наличии снежного покрова на земной поверхности. Данный факт вызван увеличением различия между спектральными свойствами стволов и крон деревьев и подстилающей поверхности в зимний период и, одновременно, уменьшением внутриклассовых различий между разными типами подстилающей поверхности из-за нахождения под снегом.

Для оценки проективного покрытия древесного полога леса в качестве входных данных выбраны следующие продукты, полученные на основе данных дистанционного зондирования Земли:

• временной ряд радиометрически нормализованных зимних композитных изображений MODIS с 2001 по 2019 год;
• данные TreeCover 2000 и 2010;
• временной ряд ежегодных карт покрытых и непокрытых лесом земель, построенный на основе карт растительности России.

Рисунок 2.2.1 — Пример зависимости КСЯ спектральных каналов MODIS и проективного покрытия крон

Блок-схема метода оценки проективного покрытия древесного полога леса представлена на рисунке 2.2.2 и состоит из трех основных этапов. На первом этапе происходит построение пространственно-распределённой обучающей выборки значений проективного покрытия полога леса. На втором этапе на основе полученной выборки выполняется построение локализовано-параметризованной регрессионной модели между значениями КСЯ в красном канале данных и значениями проективного покрытия древесного полога леса. На третьем этапе полученная модель применяется ко всему радиометрически нормализованному временному ряду зимних композитных изображений MODIS для восстановления оценок проективного покрытия полога леса на территории страны.

Рисунок 2.2.2 — Блок-схема оценки проективного покрытия полога леса по данным ДЗЗ

Первый этап обработки данных направлен на подготовку опорной выборки с информацией о проективном покрытии древесного полога леса. Для построения опорной выборки используется глобальная карта проективного покрытия древесного полога леса TreeCover 2010 на основе данных Landsat. Эти данные отражают плотность покрытия кронами деревьев в пикселе по состоянию на 2010 год с пространственным разрешением 30 м. Продукт имеет следующие особенности:

• однократное покрытие, датируемое 2010 годом;
• временная неопределённость тематической информации в пикселе достигает 5 лет;
• практически полное отсутствие значений выше 90%;
• наличие шумов, вызванных сбоем в работе сенсора ETM+.

Для дальнейшего использования данные были приведены к пространственному разрешению данных MODIS. Поскольку исходный информационный продукт может включать различного рода погрешности, для его использования в качестве опорной выборки проводится процедура фильтрации. В качестве признаков при фильтрации используются измеренные в красном и ближнем ИК-диапазонах спектра в условиях наличия снега на земной поверхности КСЯ различных классов лесного покрова. Территория разбивается на равноплощадные ячейки размером 23×23 км. Для каждого класса обучающей выборки, соответствующего определенному значению проективного покрытия древесного полога леса, локально в расширяющемся окне относительно каждой ячейки собираются статистические показатели (вычисляется средняя величина коэффициента спектральной яркости M и среднее квадратичное отклонение σ (СКО)). Значения яркости в пикселе R сопоставляются с его локальным средним значением M в ячейке. Если R не находится в пределах (M – σ; M + σ), то точка на данном этапе исключается из дальнейшего рассмотрения. По окончанию процедуры фильтрации и объединению её результатов в обоих спектральных каналах формируется опорная выборка для 100 классов проективного покрытия древесного полога леса. Для уменьшения среднего радиуса окна сбора обучающей выборки, пиксели обучающей выборки объединяются в 10 классов с шагом 10 % проективного покрытия древесного полога леса согласно правилу: в класс i падают пиксели с проективным покрытие древесного полога леса (TC): 10(i – 1) < TC ≤ 10i.

На втором этапе в равноплощадных ячейках регулярной сети для каждого класса проективного покрытия древесного полога леса локально в расширяющемся окне относительно каждой ячейки собирается обучающая выборка. На основе полученных обучающих выборок для каждой ячейки восстанавливаются уравнения линейной регрессии между значениями КСЯ и проективного покрытия древесного полога леса:

TC(x, y) = aijR(x, y) + bij,

где (x, y) — координаты пикселя внутри ячейки с координатами(i, j), aij и bij — коэффициенты уравнения локальной регрессии для ячейки регулярной сети c координатами (i, j), R(x, y) — значение КСЯ в красном спектральном диапазоне для пикселя с координатами (x, y). Проведённые эксперименты показали, что оценённая регрессионная зависимость имеет коэффициент детерминации более 0,8 для 94 %, более 0,7 для 98 % территории.

Третий этап заключается в применении полученной локально параметризованной модели к временному ряду спутниковых данных для восстановления соответствующих значений проективного покрытия древесного полога леса. Важной частью этапа является устранение ошибок определения проективного покрытия древесного полога леса для территорий, непокрытых древесной растительностью. Для маскирования непокрытых лесом территории используется объединение маски леса из карты покрытых и непокрытых земель и маски леса, построенной на основе данных TreeCover 2000 с порогом 10 %. Результатом обнуления проективного покрытия древесного полога леса на непокрытых древесной растительностью участках являются итоговые карты проективного покрытия древесного полога леса. На заключительном шаге проводится фильтрация локальных экстремумов временного ряда для снижения уровня случайных шумов. В результате использования описанного выше метода и данных MODIS построен временной ряд ежегодных измерений проективного покрытия древесного полога лесов России за период с 2001 по 2019 годы (рисунок 2.2.3).

Предложенный метод позволяет поводить регулярные оценки проективного покрытия полога леса на территории страны и открывает возможность непрерывного наблюдения за лесами в течение продолжительного времени.

Рисунок 2.2.3 — Пример карты проективного покрытия древесного полога леса по данным MODIS, 2017 год