Развитие методов построения и нормализации зимних композитных изображений покрытой снегом земной поверхности по данным Terra-MODIS

В рамках выполненных работ в отчётном году, направленных на получение временных серий зимних композитных изображений снежного покрова, был разработан метод их построения и взаимной яркостной нормализации. В условиях высокой яркости фона усиливается проявление зависимости спектрально-отражательных характеристик лесов от геометрических условий их освещения и наблюдения, в первую очередь, от зенитных углов Солнца и визирования спутникового инструмента. Это, в свою очередь, диктует необходимость адекватного учёта при построении композитных изображений даты и времени проведения спутниковой съёмки, непосредственно определяющих высоту Солнца и, следовательно, относительный вклад теней от деревьев в интегральные значения спектрально-отражательных характеристик лесного покрова в поле зрения спутниковой съёмочной системы.

Необходимо также отметить, что определённый вклад в пространственно-временную вариабельность значений спектральной яркости покрытых лесом территорий может вносить изменчивость высоты снежного покрова и его отражательных характеристик, вызванная влиянием различных факторов, включая, наличие ледяной корки, уровень влагосодержания снега и степень шероховатости его поверхности. Очевидно, что для построения однородных рядов композитных изображений необходима минимизация влияния факторов изменчивости спектрально-отражательных свойств земной поверхности, не связанных с характеристиками лесного покрова. Это может быть достигнуто путём взаимной радиометрической нормализации на основе значений спектрально-отражательных характеристик свободных от лесного покрова территорий, используемых в качестве опорных участков для определения коэффициентов нормализующих отношений.

Необходимость учёта упомянутых выше и некоторых других особенностей требует разработки специализированных методов построения и радиометрической нормализации композитных изображений земной поверхности с наличием снежного покрова, способных обеспечить максимально возможную информативность и временную однородность получаемых продуктов данных для решения задач оценки характеристик и мониторинга лесов.

Алгоритм построения безоблачных композитных изображений покрытой снегом земной поверхности включает в себя следующую последовательность основных этапов обработки спутниковых данных ДЗЗ:

• пороговая классификация одномоментных спутниковых изображений временного ряда с выделением облаков, теней от облаков и свободных от снега участков земной поверхности, а также двух классов земного покрова, включая открытый снег и лесной покров с наличием снега на земной поверхности и/или на кронах деревьев;
• статистический анализ временных рядов данных ДЗЗ со взаимной переклассификацией пикселов, ошибочно отнесённых на предыдущем этапе обработки к классам открытого снега и лесного покрова, а также последующей фильтрацией пикселов на основе критериев внутриклассовой изменчивости спектрально-отражательных характеристик;
• статистический анализ временных рядов данных ДЗЗ для пикселов класса «лесной покров» с фильтрацией измерений, соответствующих наличию снега на кронах деревьев;
• реконструкция временных рядов данных ДЗЗ с восстановление спектрально-отражательных характеристик земной поверхности в пикселах спутниковых изображений, находящихся под влиянием облаков или исключённых из рассмотрения по результатам статистической фильтрации на предыдущих этапах обработки;
• выбор наиболее статистически репрезентативных в заданном временном интервале значений спектрально-отражательных характеристик покрытой снегом земной поверхности и формирование соответствующих композитных изображений.
   

Выполняемая на первом шаге алгоритма пороговая классификация одномоментных спутниковых изображений направлена на выделение таких классов как (1) облака, (2) тени от облаков и свободная от снега земная поверхность, (3) открытый снег и (4) лесной покров с наличием снега на земной поверхности и/или на кронах деревьев. Для проведения первичной (начальной) классификации используется двумерное распределение значений коэффициентов спектральной яркости (КСЯ), измеренных в голубом и среднем инфракрасном (ИК) диапазонах спектра. В данном пространстве признаков пиксели, соответствующие снегу, в том числе, находящемуся под кронами деревьев, характеризуются высокой отражательной способностью в видимой области спектра с её снижением в ИК-диапазоне длин волн. На двумерном распределении значений КСЯ классов объектов, подлежащих разделению по спутниковым изображениям, можно выделить следующие характерные области (рисунок 1):

• «снег», если Rb > 0,05 и 0,03 < Rsw < 0,2;
• «облачность, тени и прочие территории», если Rsw < 0,03 или Rsw > 0,2 или Rb < 0,05,

где Rb и Rsw — КСЯ в голубом и в среднем ИК спектральных диапазонах соответственно.

 
Рисунок 1 – Пороговая классификация одномоментных спутниковых изображений

Дальнейшее решение задач разделения указанных объектов и фильтрации пикселов покрытых лесом территорий с наличием снега на кронах деревьев достигается на основе анализа временных рядов спектрально-отражательных характеристик участков, отнесённых на первом этапе классификации изображений к снежному покрову. Непосредственное использование для этой цели в качестве признака нормализованного разностного индекса снега NDSI не является оптимальным, поскольку леса высокой сомкнутости (прежде всего, хвойных вечнозелёных пород) и лишённые снежного покрова безлесные территории характеризуются близкими его значениями:

                   NDSI = (Rb – Rsw)/(Rb + Rsw).                                                                    (1)

Следует отметить, что в выбранном пространстве признаков использование NDSI в качестве параметра может быть выражено в виде:

                   Rb = Rsw(1 + NDSI)/(1 – NDSI), Rb = Rsw при NDSI = 0.                               (2)

Предварительное построение гистограммы двумерного распределения в пространстве признаков Rb и Rsw с участием большого числа наблюдений зимнего периода позволяет достаточно точно оценить пороговые значения, разделяющие классы подстилающей поверхности.

Статистический анализ данных временного ряда измерений КСЯ сезонного снежного покрова основан на предположении, что число свободных от маскирующего влияния облаков наблюдений снега в точке R(x, y, t) значительно превосходит число наблюдений, подверженных такому влиянию. При этом при наличии многолетнего ряда спутниковых наблюдений целесообразно использование данных зимнего периода предыдущего и последующего годов. Эти данные используются для оценки средней величины MR(x, y, t1:t2) и стандартного отклонения σR(x, y, t1:t2) значений КСЯ в точке за период времени с t1 по t2. Необходимость использования буферных во времени интервалов спутниковых наблюдений обусловлена невозможностью разделения в зимний период в двумерном пространстве признаков Rb и Rsw устойчивого снежного покрова на земной поверхности и снежного облачного фронта в атмосфере. Выделение участков с высоким уровнем случайного шума в точке R(x, y, t) осуществляется отдельно по данным измерений КСЯ в красном (Rred) и в ближнем ИК (RNIR) спектральных диапазонах на основе критерия 3:

                    |R(x, y, t)| – MR(x, y, t1:t2) > 2σR(x, y, y1:t2).                                               (3)

Необходимо отметить, что прошедшие пороговую и статистическую фильтрацию временные ряды данных спутниковых наблюдений могут существенно отличаться в различные годы характером внутригодового распределения очищенных измерений КСЯ снежного покрова. Указанные отличия в датах спутниковых измерений, в свою очередь, проявляются в вариациях значений КСЯ земной поверхности, прежде всего, за счёт влияния различий зенитного угла Солнца. Характерные для зимнего периода года низкие значения последнего приводят к повышенному вкладу данного фактора в межгодовые различия спектрально-отражательных характеристик земного покрова. Для компенсации этого фактора в разработанном методе построения композитных изображений покрытой снегом земной поверхности предусмотрена процедура восстановления временных рядов данных на участках пропусков, образовавшихся в результате предшествовавшей фильтрации зашумлённых измерений.
В результате выполнения этапов предварительной обработки данных значительно снижается влияние мешающих факторов, что даёт возможность построения композитных изображений покрытого снегом земного покрова. Для широкого спектра задач наиболее востребованными являются композитные изображения, получаемые по данным измерений КСЯ в красном в ближнем ИК диапазонах спектра. В силу особенностей образования устойчивого снежного покрова на территории России, в данной главе рассматриваются композитные изображения, построенные по данным спутниковых наблюдений за период с января по апрель отдельно взятого года. Пример полученного по данным системы ДЗЗ Proba-V композитного спутникового изображения, отражающего спектрально-яркостные характеристики покрытой снегом земной поверхности, представлен на рисунке 2. Приведённый пример наглядно демонстрирует высокий контраст между покрытыми лесом и безлесными территориями при наличии снежного покрова на земной поверхности.

Описанный выше метод позволяет получать многолетние временные ряды очищенных от маскирующего влияния облачности композитных спутниковых изображений, характеризующих спектрально-отражательные свойства покрытой снегом земной поверхности. Вместе с тем, анализ ежегодных композитных изображений показывает наличие межгодовых вариаций значений КСЯ, обусловленных, как отмечалось выше, изменчивостью высоты снежного покрова и его отражательных характеристик, вызванных влиянием различных факторов, включая, наличие ледяной корки, уровень влагосодержания снега и степень шероховатости его поверхности. Наличие такого рода факторов вариабельности значений КСЯ может приводить к искажению результатов многолетнего анализа композитных изображений, в частности, при решении задач дистанционного мониторинга и оценки характеристик лесов. Кроме того, к числу факторов потенциально способных приводить к искажению результатов анализа многолетних спутниковых данных можно отнести и изменение радиометрических характеристик сенсора съёмочной системы ДЗЗ, вызванных, как правило, постепенным снижением его чувствительности на протяжении жизненного цикла эксплуатации.

 Рисунок 2 — Пример композитного изображения снежного покрова, полученного по данным Proba-V. Синтез (R, G, B) каналов (Rred, RNIR, Rred)

Для компенсации влияния вышеуказанных факторов межгодовой вариабельности композитных изображений покрытой снегом земной поверхности разработан метод их взаимной радиометрической нормализации. В основе метода лежит локально-адаптивная оценка на свободных от леса территориях спектрально-отражательных характеристик открытого снега в предположении постоянства значений КСЯ последнего и полного покрытия им участков, соответствующих пикселам изображений. При этом из используемого для радиометрической нормализации композитных изображений множества пикселов должны быть исключены участки с наличием древесной растительности, поскольку процессы роста последней потенциально могут вносить искажения в результаты межгодовой радиометрической нормализации многолетних рядов данных.

Локально-адаптивная оценка яркостных характеристик безлесных участков осуществляется плавающим окном в узлах регулярной пространственной сети методом LAGMA. В качестве опорных территорий используются открытые участки покрытой снегом поверхности, выявленные с помощью ежегодно обновляемых спутниковых карт растительного покрова. По ежегодным композитным изображениям в красном и ближнем ИК диапазонах спектра определяются максимальные значения КСЯ на занятых лесом территориях с последующим исключением из рассмотрения пикселов с более низкими величинами КСЯ. Дополнительная пространственная фильтрация также исключает из рассмотрения участки, находящиеся в непосредственно примыкающей к покрытым лесом территориям 500 метровой буферной зоне. Для повышения качества взаимной радиометрической нормализации многолетних композитных изображений в качестве опорных территорий используются только участки открытого снега, остающиеся свободными от лесного покрова на протяжении всего многолетнего периода спутниковых наблюдений.

На вход LAGMA поступают опорная выборка пикселов, соответствующая непокрытым лесом территориям, и временной ряд композитных спутниковых изображений покрытой снегом земной поверхности. На основе этих данных для каждого года производится вычисление локализованных средних значений КСЯ Eyear в узлах регулярной сети ячеек с шагом заданного размера, которой покрыта исследуемая территории. При этом размер окрестности узла, по которой проводится локализованный сбор статистики значений КСЯ по опорной выборке пикселов, должен заведомо превышать заданные размеры шага регулярной сети. На основе полученных средних значений КСЯ открытого снега проводится вычисление коэффициентов взаимной радиометрической нормализации многолетних композитных изображений kyear. При этом коэффициенты радиометрической нормализации временного ряда изображений вычисляются относительно одного из них, выбранного в качестве опорного, на основе соответствующих последнему средних значений КСЯ Eref согласно формуле:

                                                                                                               (4)

Последующая процедура радиометрической нормализации композитных изображений каждого (отличного от опорного) года временного ряда выполняется согласно следующей формуле:

                                                                                                         (5)

где Ryear и   — исходное и приведённое (радиометрически нормализованное) значение КСЯ композитного изображения.

Описанный выше метод был применён для радиометрической нормализации временного ряда композитных изображений покрытой снегом земной поверхности, полученных по данным Terra-MODIS. Для проведения радиометрической нормализации изображений в качестве опорного был выбран 2010 г. Оценка результатов радиометрической нормализации изображений проводилась по стабильным участкам тундры на территории России, отобранных с использованием соответствующих карт растительного покрова. В каждом пикселе изображений были рассчитаны величины стандартного отклонения КСЯ в красном в ближнем ИК каналах до радиометрической нормализации σR(x, y, 2001:2019). и после неё   Влияние проведённой радиометрической нормализации композитных изображений может характеризоваться коэффициентом снижения их межгодовой вариабельности, вычисляемого на основе соотношения величин стандартных отклонений σR(x, y, 2001:2019) и   согласно приведённого ниже выражения:

                                                                                           (6)

Гистограмма распределения величины D для изображений, полученных по данным измерений КСЯ в красном и ближнем ИК спектральных каналах, построенная по территории стабильных во времени тундровых участков (рисунок 2.1.2.3), свидетельствует о том, что разработанный метод радиометрической нормализации позволил снизить межгодовые вариации КСЯ. Подавляющее большинство (93 %) пикселов композитных изображений рассматриваемой территории соответствует области гистограммы, лежащей по оси абсцисс справа от порогового значения D = 1. Анализ композитных изображений для покрытых лесом территорий, также показывает снижение межгодовых вариаций КСЯ в результате проведённой радиометрической нормализации.

 
Рисунок 2.1.2.3 — Гистограмма распределения величины D для двух спектральных каналов, построенная по территории стабильных участков тундр

Метод построения и взаимной нормализации зимних композитных изображений снежного покрова позволяет использовать общий подход для получения композитных изображений зимнего периода наблюдений для ряда систем, имеющих соответствующий набор спектральных каналов. Реализация метода позволила получить временные ряды композитных изображений по данным Terra-MODIS и Proba-V. Однородность временных рядов наблюдений позволяет использовать композитные изображения снежного покрова в широком спектре задач, касающихся картографирования лесных насаждений и оценки ряда количественных характеристик, таких как запас стволовой древесины, доля покрытой лесом площади, преобладающая порода лесов.