Метод картографирования защитных лесных насаждений на основе разновременных спутниковых изображений высокого пространственного разрешения и бисезонного индекса леса

Активное развитие в последние годы получают методы автоматизированной обработки данных ДЗЗ высокого пространственного разрешения (10–30 м), что в перспективе может значительно повысить пространственную детальность результатов картографирования растительного покрова на национальном уровне. Ранее были получены композитные изображения, полученные в летний и зимний периоды 2020 г. для всей территории России с пространственным разрешением 30 м, основанные на данных Sentinel-2. Изображения включали красный, ближний и средний ИК-каналы для летних данных, а также красный и ближний ИК каналы для зимних. Такого рода данные имеют существенные преимущества, выраженные в значительном улучшении пространственной детальности по сравнению с данными среднего пространственного разрешения (рисунок 1). Стоит также отметить и ограничения, связанные с использованием данных высокого пространственного разрешения, относительно низкую периодичность съемки, необходимость получения более детальной опорной выборки в задачах классификации, а также многократное увеличением объёма хранения данных и требующихся вычислительных мощностей.

В рамках работ отчётного периода был предложен метод картографирования покрытых лесом территорий на основе данных ДЗЗ высокого пространственного разрешения. Общая схема метода представлена на рисунке 2. В качестве исходных данных для формирования эталонов различных классов и обучения классификатора была использована опорная выборка, использовавшаяся ранее для построения карты наземных экосистем с пространственным разрешением 230 м. Выборка была разделена на набор лесных и нелесных классов, при этом возникала необходимость дополнительной фильтрации, вызванная внутренней неоднородностью пикселов MODIS при использовании данных с более высоким пространственным разрешением. На первом этапе фильтрации из выборки исключались пикселы, соответствующие участкам изменений в лесах на основе продукта Global Forest Change, пахотным землям и классам городской инфраструктуры на основе карты GlobeLand30. Также было выполнено удаление граничных пикселей с помощью морфологической операции эрозии скользящим окном 3×3 пикселя, исходя из предположения, что смешанные пикселы, в которых присутствуют несколько классов растительности, с большей вероятностью расположены на границах различных классов. Далее была выполнена статистическая фильтрация, в рамках которой двумерное пространство композитных изображений разбивалось на отдельные ячейки регулярной сети с последующей оценкой для каждого класса (i) и спектрального диапазона (j) среднего (M_ij) и среднеквадратического отклонения (σ_ij) значений коэффициента спектральной яркости (КСЯ). Значение каждого пиксела проверялось на принадлежность к интервалам (M_ij – 1,5σ_ij, M_ij + 1,5σ_ij), а пикселы, не удовлетворяющие данным условиям, исключались из опорной выборки.

Рисунок 1 — Сравнение композитных изображений MODIS (а) и Sentinel-2 (б) за 2020 г.

Полученная опорная выборка использовалась в дальнейшем для классификации с применением алгоритма LAGMA. Алгоритм LAGMA позволяет разбивать всю исследуемую территорию на отдельные ячейки регулярной сети, для каждого узла которой формируется локальная выборка для всех классов с дальнейшей независимой классификацией внутри каждой ячейки. Результат классификации сравнивался с поданной на вход классификатора опорной выборкой для последующей фильтрации последней, состоящей в исключении пикселов, для которых результат классификации не характеризуется принадлежностью к тому же классу. Такого рода фильтрация выполнялась с использованием трёх последовательных итераций. Из полученного результата также исключались пикселы, относящиеся к пахотным землям и урбанизированным территориям на основе использования упомянутых выше продуктов. Все лесные классы в дальнейшем были объединены для получения карты покрытых лесом территорий.

Рисунок 2 — Общая схема метода картографирования покрытых лесом территорий с разрешением 30 м

   

а                                                      б                                                       в

Рисунок 3 — Выделение лесных территорий на основе карты наземных экосистем, полученной по данным MODIS с разрешением 230 м (б) и на основе предложенного метода с разрешением 30 м (в). В качестве подложки использовано зимнее композитное изображение, полученное на основе данных Sentinel-2 (а)

Рисунок 2.1.2.4 — Карта покрытых лесом территорий России с пространственным разрешением 30 м

На основе описанного выше метода была построена карта покрытых лесом территорий за 2020 г. Сравнение с маской лесных классов, полученной на основе карты наземных экосистем за 2020 г/ по данным MODIS (рисунок 3), демонстрирует более детальное выделение лесных территорий, в частности значительное повышение точности выделения границ, а также возможность выявления относительно небольших участков леса, занимающих незначительные доли в рамках пикселя с разрешением 230 м. К недостаткам полученных результатов можно отнести ошибки, возникающие на территориях с непродолжительным периодом наличия снежного покрова или его полным отсутствием, что требует дальнейшего развития методики получения зимних композитных изображений, либо отдельного выявления таких территорий с последующим применением специализированной методики картографирования покрытых лесом территорий.

Полученная карта (рисунок 4) позволяет получить более детальную информацию о лесных ресурсах России и может быть использована в различных задачах мониторинга растительного покрова. Развитием предложенного метода может стать возможность картографирования различных классов земного покрова и породного состава, что потребует получения большего количества композитных изображений в течение сезона, более детально отражающих вегетационную динамику растительности.