Разработка методик космического дистанционного исследования региональных экосистем: На прим. 
зоны Чернобыл. 
АЭС

В настоящее время резко возросла научно-практическая и прикладная значимость исследований земной и морской поверхности космическими дистанционными методами [1, 2]. В рамках этих исследований одними из наиболее актуальных и важных на сегодняшний день являются задачи регионального мониторинга [3, 4]. Для решения подобных задач требуется информация с высоким временным и пространственным разрешением, обеспечить которое могут лишь спутниковые данные [5, 6].

С постоянным развитием приемной аппаратуры и систем дистанционного наблюдения следует также развивать и системы обработки спутниковой информации, поэтому данная задача относится к числу первоочередных. При этом необходимо обеспечивать должный уровень тематической обработки, оперативность, наглядность и высокое информационное содержание получаемых данных.

Из всего многообразия аппаратуры, применяемой для дистанционного изучения подстилающей поверхности, наиболее часто используют мультиспектральные сканирующие устройства (часто используют термин «многоспектральный сканер») [7−9] и радиолокационные системы с синтезированной апертурой (РСА) [10−12]. Термин «многоспектральный (мультиспектральный) сканер» следует считать уже устоявшимся, хотя такие системы можно рассматривать и как радиометры, и как телевизионные системы [13].

На данный момент широко используются две категории методов обработки изображений мультиспектральных сканирующих устройств (в дальнейшем МСУ):

• методы, улучшающие визуальную интерпретацию без учета спектральных характеристик объектов исследования;

• методы, основанные на учете различий в спектральном отражении для разных каналов.

Методы второй группы несут более высокое информационное содержание об объекте исследования и основываются на анализе различий в отражении хлорофиллом в «красном» канале (0.6 — 0.7 мкм) и в ближнем инфракрасном диапазоне (0.8 — 0.9 мкм). Эти методы используют преобразования, которые принято называть вегетационными индексами (ВИ) [14]. Вегетационные индексы — это определенная комбинация спектральных каналов, основанная на эмпирическом опыте, которая дает численное значение для характеристики и оценки пространственной вариации биофизических параметров растительного покрова.

Основные работы по созданию ВИ проводятся за рубежом на основе данных мультиспектральных сканеров MSS (от англ. Multy Spectral Scanner) и ТМ (от англ. Thematic Mapper), установленных на борту спутников серии Landsat [13]. Эти исследования направлены на уменьшение искажающего влияния почвы и атмосферы при определении характеристик растительности. При этом ВИ, уменьшающие атмосферное влияние, предполагают наличие «голубого» спектрального канала, которого нет у отечественных МСУ. Кроме того, так называемые «почвенные» ВИ и соответствующие весовые коэффициенты были рассчитаны именно для обработки изображений сканеров спутника Landsat.

До настоящего времени в России подобные работы по созданию ВИ не проводились, и при исследованиях, как правило, применяются преобразования, основанные на концепции Каута-Томаса.

15−17], либо применяется традиционное преобразование — нормированная разность [18−20]. Из вышеизложенного вытекает следующая постановка одной из задач диссертационной работы — анализ применимости существующих ВИ для обработки изображений отечественных сканеров.

Известно, что по форме спектральной кривой можно идентифицировать основные типы подстилающей поверхности (ПП) и оценить состояние растительных сообществ и почвенных образований. Использование вегетационных индексов позволяет различать основные виды ПП: редкая чахлая растительность имеет значение ВИ меньше, чем густая сочная, а почвенные образования имеют более низкое значение индекса, по сравнению с растительностью. При подобном подходе обычно не учитываются спектральные особенности ПП в зеленой зоне спектра (0.5−0.6 мкм), по которым растительные и почвенные сообщества существенно различаются. Отсюда следует другая задача данной работы, которая заключается в создании методики обработки, учитывающей информацию о форме спектральной кривой по трем каналам: зеленому, красному и ближнему ИК.

В последнее время поиск путей повышения надежности тематической интерпретации данных ДЗЗ связывают с совместной обработкой изображений оптического МСУ и РСА. Значительный интерес к подобной обработке связан с тем, что информация, получаемая с этих приборов, взаимно дополняет друг друга, несмотря на различный физический механизм получения изображений.

На данный момент принято раздельно обрабатывать эти изображения с последующим комплексированием информации. Под комплексированием информации понимают синтезирование данных радара и сканера на основе процедуры псевдоцветового представления, которое заключается в кодировании данных различных датчиков основными цветами. При подобном рассмотрении улучшается визуальное восприятие полученного изображения, однако при этом сложно оценить состояние основных видов ПП, так как не учитываются спектральные особенности объекта исследования в различных каналах, и тем самым теряется информационное содержание полученного изображения. Таким образом следующей задачей данной работы является создание алгоритма совместной обработки изображений МСУ и РСА, учитывающего выше обозначенные недостатки.

Требования к алгоритмам обработки данных ДЗЗ, предназначенным для тематической интерпретации изображений можно сформулировать следующим образом:

1) алгоритм обработки мультиспектральных изображений должен использовать спектральные характеристики исследуемых объектов;

2) изображение, полученное с помощью данного алгоритма, должно быть достаточно простым для интерпретации данных;

3) алгоритм совместной обработки данных МСУ и РСА в качестве конечного результата должен выдавать одно изображение, которое содержало бы информацию, полученную на основе спектральных особенностей объекта исследования, и информацию об удельной эффективной поверхности рассеяния (УЭПР).

Цель настоящей работы состоит в разработке алгоритмов и реализации экспериментальных методик, удовлетворяющих перечисленным требованиям и позволяющих достаточно точно интерпретировать типы и состояние ПП.

Основные задачи исследования состоят в следующем:

• анализ известных зарубежных методик обработки многозональных изображений для определения наилучшего преобразования, применительно к отечественной аппаратуре серии МСУ;

• создание методики обработки данных спекгрозонального сканера МСУ-Э с учетом особенностей российской многозональной сканирующей аппаратуры и недостатков других методик;

• проведение модельного исследования данной методики на основе табличных данных с целью определения возможностей интерпретации спекгрозональных снимков;

• создание методики совместной обработки радиолокационного изображения и данных мультиспектральных сканеров для улучшения распознавания растительности;

• проведение кластерного анализа с целью определения информативности методики совместной обработки по сравнению с традиционными методами;

• исследование растительности в зоне отчуждения Чернобыльской АЭС при помощи разработанных методик.

Предлагаемые методики различаются по подходу к поставленной задаче. Первый подход к созданию алгоритма обработки данных отечественных МСУ основывается на распознавании по конфигурации спектральной кривой. Второй — на получении взаимно дополняющей информации, что следует из различия механизмов получения изображений РСА и МСУ. По мнению диссертанта, подобное рассмотрение позволяет, полноценно использовать информацию, получаемую с различных приборов.

На защиту выносятся следующие положения:

1. Разработана и модельно обоснована методика определения основных типов подстилающей поверхности (ПП) на основе данных спектрозонального оптического сканера. Показано, что методика позволяет определить тип ПП на основе формы спектральной кривой в оптическом и ближнем ИК диапазонах.

2. Предложена методика совместной обработки изображений МСУ и изображений РСА Ь-диапазона, основанная на поэлементном перемножении массивов УЭПР радиолокационного изображения на соответствующее значение индекса вегетации.

3. При помощи кластерного анализа исследована информативность изображений, полученных различными методами обработки. Установлено, что процедура совместной обработки изображений МСУ и изображения РСА Ь-диапазона на НУ поляризации позволяет наилучшим образом распознавать угнетенные лесные массивы.

4. Экспериментально обоснованы предлагаемые методики обработки на примере исследования зоны Чернобыльской АЭС. Продемонстрировано хорошее согласие полученных результатов с данными наземных исследований.

Перечисленные положения отражены в трех главах диссертации. В первой главе представлена общая концепция регионального спутникового мониторинга. Приведены основные спектральные зависимости, используемые для идентификации ПП. Рассмотрены основные направления исследований по созданию ВИ и в табличной форме представлены основные алгоритмы вычисления ВИ.

Глава 2 посвящена обработке данных спектрозонального сканера МСУ-Э. Приводится анализ применимости индексов вегетации для обработки данных отечественных МСУ. Анализ проведен на основе гистограммных признаков с точки зрения информативности изображения. Предложен и модельно обоснован метод выявления угнетенной растительности, основанный на алгоритме трехка-нальной обработки. Приведены качественные оценки атмосферного влияния на данные спекгрозонального сканера. При помощи данного алгоритма проведено исследование зоны Чернобыльской АЭС. Результаты сравниваются с наземными исследованиями. Описана зона отчуждения ЧАЭС, как основного тестового полигона исследования.

В третьей главе обоснована необходимость совместной обработки изображений РСА и МСУ с целью получения максимально возможной информации. Приведены алгоритм и методика совместной обработки. При помощи кластерного анализа проведена оценка информативности данной методики с точки зрения наилучшей разделимости кластеров и определения их количества. С использованием данного метода исследован тестовый полигон — зона отчуждения ЧАЭСрезультаты также сравниваются с наземными наблюдениями.

Заключение

содержит основные результаты работы. Сделаны выводы по применимости созданных алгоритмов к исследованию региональных экосистем на предмет выявления угнетенной растительности.

Основные результаты работы заключаются в следующем:

1. На основе проведенного анализа известных ВИ показано, что в каждом отдельном случае для получения информативного изображения различных экосистем следует выбирать наиболее подходящий ВИ, опираясь на характеристики гистограммы. Под термином «информативное изображение» подразумевалось изображение, на котором выделяется максимально возможное количество природных образований и отчетливо просматриваются особенности подстилающей поверхности (ПП). В качестве критериев информативности использовались принципы, лежащие в основе процедур, улучшающих визуальный анализ изображений, такие как ширина динамического диапазона и форма гистограмм яркостей.

2. Разработана новая методика обработки спектрозональных изображений для выявления угнетенной растительности, основанная на расположении спектральных каналов отечественного сканера МСУ-Э, которые, как известно, выбраны в соответствии с особенностями спектральных характеристик природных сообществ. При разработке методики учитывались недостатки других подобных методик, основанных на определении индексов вегетации: ВИ, как правило, определяются по измерениям отраженного сигнала в красном и в ближнем ИК диапазонах, реже используется еще голубой спектральный диапазон. При таком подходе не учитывается форма спектральной кривой в зеленой части оптического диапазона, по которой можно более надежно разделять растительность, почву и водную поверхность. В предлагаемой же методике, обработка ведется по изображениям, полученным в зеленой, красной и в ближней ИК зонах спектра, что дает возможность определить тип кривой — возрастающая, вогнутая (с минимумом в красной зоне) или убывающая кривая. А по типу спектральной кривой можно уже утверждать о типе ПП.

3.На основе модельных расчетов продемонстрированы следующие существенные преимущества данной методики по сравнению с методикой вычисления индексов вегетации:

• основные виды ПП — растительность и почва имеют разный знак — в отличие от ВИ, где различие проводится по величине самого индекса;

• распознавание угнетенной или редкой растительности ведется по близости к порогу, что позволяет более надежно распознавать подобные состояния растительности;

• при редкой растительности, т. е. при малой величине надземной фитомассы наблюдается лучшее разрешение по фитомас-се.

4. Разработана методика совместной обработки данных РСА и МСУ, которая заключается в домножении массивов УЭПР, полученных в Ь — диапазоне, на соответствующее значение ВИ. При помощи кластерного анализа продемонстрировано, что данная методика позволяет повысить информативность изображения для фрагментов с лесными массивами. При этом увеличивается количество кластеров (количественный признак повышения информативности) и их разнесенность (качественный признак), а так же величина, совместно учитывающая оба критерия.

5. На примере 30-км зоны отчуждения ЧАЭС показана возможность применения разработанных методик для исследования растительности в регионах с высокой антропогенной нагрузкой. Установлено, что в непосредственной близости от промзоны ЧАЭС растительность отсутствует, к западу от промзоны на расстоянии от 2−3 км и до 5−6 км находится либо угнетенная растительность, либо редкая растительность. При помощи совместной обработки показано, что часть лесного массива, расположенная ближе к западному следу радиоактивного загрязнения, находится в угнетенном состоянии, т. е. хвоя (листва) на деревьях в этой части массива либо отсутствует, либо пожухла.

На основе полученных результатов можно сделать следующие выводы:

• для распознавания основных типов подстилающей поверхности по данным спектрозонального сканера МСУ-Э следует использовать алгоритм трехканальной обработки изображений;

• при исследовании лесных массивов рекомендуется проводить совместную обработку изображений РСА и МСУ;

• при определении величины надземной фитомассы сельскохозяйственных растений при низких ее значениях лучше использовать алгоритм трехканальной обработки изображений МСУ, а в случае более высоких значений целесообразнее использовать методику определения ВИ.

Заключение

.