Рассмотрены два случая применения этого метода: при наличии детальных данных о рельефе и их отсутствии (рис. 2). Для участка Тульок была построена высокодетальная цифровая модель местности (ЦММ) по стереопаре космических снимков GeoEye от 22 августа 2009 г., (пространственное разрешение 0,5 м).

Стереопара была ориентирована путем применения коэффициентов рациональной функции (англ. Rational Polynomial Coefficients - RPC), аппроксимирующих строгую модель съемки, без использования опорных точек, и построена методом фототриангуляции в программе ERDAS Imagine LPS, с последующим редактированием. Погрешности ЦММ оценивались на основе измерений, выполненных приемниками глобального позиционирования Trimble R дифференциальным методом на 20 опорных точках и трех геодезических пунктах.

Рис.2. Схемы обработки аэрокосмических снимков: a – при наличии детальных данных о рельефе (участок Тульок); б – при их отсутствии (ключевой участок Юмечорр) Было установлено, что погрешности ЦММ не превышают 3 м в плановом положении точек и 6 м по высоте, что примерно соответствует высотной точности топографической карты в масштабе 1: 10 000.

Для участка Юмечорр построение ЦММ осуществлялось на основе стереопары аэрофотоснимков 1958 г., а источником данных о высотах служила топографическая карта масштаба 1: 50 000. Вследствие относительно мелкого масштаба топографической карты и малого количества опознаваемых на ней опорных точек, погрешности ЦММ были значительны (в плане от 20 до 40 м и 15м по высоте).

Выполненные исследования показывают, что использование ЦММ с разрешением 3 м и вертикальной точностью 3 м, как топографической основы для совместного анализа разновременных снимков, позволяет достигнуть точности в несколько метров по высоте при определении изменения в положении верхней границы произрастания деревьев. Эта погрешность в основном зависит от ошибок определения положения деревьев на аэрофотоснимках 1958 г., качество которых хуже, чем у современных космических снимков. Однако, при отсутствии высокодетальной ЦММ и замене ее топографической картой масштаба 1:50 000, исследования динамики границы произрастания деревьев возможны только при хорошем знании дешифровочных признаков деревьев в этом районе и только на качественном уровне, так как среднеквадратические погрешности измерений составляют первые десятки метров, что связано с ухудшением взаимного ориентирования разновременных снимков (табл. 1).

Таблица 1. Характеристика изменений верхней границы произрастания деревьев на Ключевой Дешифровочные признаки Средняя высота Изменения Среднеквадучасток отдельных деревьев границы высоты, м ратическая Тульок размер, цвет, форма, Юмечорр кроны, яркость, взаимное форма кроны, распространения отдельных деревьев представлены на схемах дешифрирования, составленных в масштабе 1:25 000 на участок Тульок и 1: 100 000 на участок Юмечорр (рис.3, схемы приведены к масщтабу 1:100 000). На обоих участках отмечено движение вверх по склону границы произрастания деревьев. На участке Тульок наиболее заметно изменение границы произрастания на пологих склонах (площадки 2, 3, 4), а на склоне горы Юмечорр видно зарастание вырубки (площадка 7).

Исходя из рядов метеоданных метеостанции Мурманск [Булыгина, Разуваев, 2008], изменения, вероятно, объясняются увеличением числа осадков в зимний период начиная с 1960-х гг., что усилило защитную роль снежного покрова, и способствовало выживанию всходов деревьев.

Повышение верхней границы произрастания деревьев на выбранных ключевых участках подтверждается данными дендрохронологических исследований, независимо полученными в поле норвежскими исследователями И.Матизен и С.Ауне, согласно которым период с 1950 по 2000 гг. характеризуется Рис.3. Изменения верхней границы произрастания деревьев на ключевых участках за появлением многочисленных новых деревьев около верхней границы произрастания, с пиком укоренения с 1970-х гг.[Mathisen et al., 2011].

Анализ работ других авторов, исследовавших изменения ландшафтов Хибин, показывает, что подобные изменения имеют место и на других склонах [Demin, Zyuzin, 2007; Мягкова, 1988]. Для изучения изменений на больших территориях возможности предложенной методики ограничены ввиду высокой стоимости исходных данных и трудозатрат. Поэтому возникает задача разработки методики исследования и картографирования изменений растительности для регионального масштаба.

Современное состояние растительности экотона в долине р. Тульок исследовано по многозональному снимку субметрового разрешения QuickBird от 28.06.2006 г. (рис.4). Автоматизированное дешифрирование доминирующих объектов растительного покрова по спектральным характеристикам было дополнено результатом дешифрирования верхних границ сплошного леса, выявленных по совокупности спектральных и текстурных характеристик [Новичихин, Тутубалина, 2009]. Достоверность дешифрирования состава растительных ассоциаций колеблется от 65% до 81% для разных классов.

Рис. 4. Схема дешифрирования современного состояния растительности экотона «тундра-тайга» в долине р. Тульок, составленная по снимку QuickBird 28 июня 2006 г.

Точность определения положения верхних границ леса, согласно методике, зависит от погрешности определения высоты деревьев, которая составляет приблизительно 3 м. С учетом этой неопределенности выделяемые границы показаны в виде зон их вероятного местонахождения.

Составленная схема дешифрирования дает представление о современном состоянии растительного покрова экотона и его горизонтальной структуре, что предоставляет необходимый материал для полевых исследований и мониторинга изменений на выбранном ключевом участке.

Глава 3. Оценка возможности использования многозональных космических снимков высокого разрешения для среднемасштабного картографирования современного состояния и изменений растительности экотона «тундра-тайга»

Многозональные космические снимки высокого разрешения (Terra ASTER, Landsat TM/ETM+) позволяют получать информацию об обширных территориях, занятых экотоном, однако их пространственное разрешение, как правило, не позволяет хорошо отобразить мозаичность экотонной растительности. Это значит, что объекты экотона на таких снимках будут отображаться в виде спектральной смеси - совокупного спектрального образа, наблюдаемого на космическом снимке у пространственной смеси объектов, вследствие сложения отраженного её компонентами излучения. Для достоверного дешифрирования объектов экотона по таким снимкам необходимо применять методы спектральной декомпозиции [Boardman, 1998], позволяющей восстановить компоненты ландшафтов экотона, отображающиеся в пикселе, и их проективные покрытия,. Для успешного решения этой задачи необходимо изучение спектральных образов объектов экотона и их типичных смесей и выбор метода декомпозиции с наименьшими погрешностями определения проективного покрытия.

Задача решалась при помощи натурного спектрометрического эксперимента. В ходе него были получены следующие результаты: а) выявлено, насколько линейная модель описывает спектральный образ смеси компонентов ландшафтов экотона; б) определены пороги различимости компонентов спектральных смесей при визуальном дешифрировании; в) оценены погрешности метода линейной спектральной декомпозиции.

С помощью наземного четырехканального спектрометра SkyeInstruments SpectroSense2+ были измерены коэффициенты спектральной яркости основных компонентов ландшафтов экотона «тундра-тайга» в Хибинах (деревья – ель обыкновенная (Picea abies), береза извилистая (Betula tortuosa), кустарнички – карликовая береза (Betula nana), шикша (Empetrum nigrum), лишайник – цетрария снежная (Cetraria nivalis), обломки камней (нефелиновые сиениты), а также типичных смесей этих компонентов с известными проективными покрытиями каждого. Образцы собирались непосредственно перед экспериментом в формочки гексагональной формы для моделирования гетерогенного ландшафта, образующего спектральную смесь в поле зрения спектрометра. Образцы размещались на черной матовой ткани (рис.5).

Рис.5. Фотография поля зрения спектрометра (отмечено красной окружностью).

Образцы слева направо, сверху вниз: Betula tortuosa, Cetraria nivalis, обломки камней, Picea abies, обломки камней, Empetrum nigrum, Betula tortuosa Регрессионный анализ показал, что спектральная смесь формируется линейно из входящих в неё компонентов (коэффициенты детерминации, т.е.

квадраты коэффициентов корреляции между вычисленными линейно смешанными сигналами и измеренными в ходе эксперимента, составляют более 0,99 во всех каналах). Однако из-за спектрального сходства, в частности, растительных компонентов, метод линейной декомпозиции не может дать точных результатов по определению проективного покрытия компонентов (среднеквадратическое отклонение 17-45%) [Mikheeva et al., 2010].

Исходя из результатов линейной спектральной декомпозиции и визуальной различимости компонентов в смесях были определены пороги проективного покрытия компонентов, для различения как визуальным методом, так и с использованием автоматизированных алгоритмов декомпозиции (табл. 2).

Выявлено, что наиболее достоверно по спектральным признакам определяется доля присутствия в смеси кустистых лишайников, кустарничков, и ели обыкновенной.

Спектральные пороги ческое отклонение (погрешность проективного покрытия при линейной декомпозиции) Число уверенно разделяемых классов с участием компонента (диапазон проективных покрытий больше среднеквадратич еского отклонения) В ходе эксперимента также была оценена возможность применения космических снимков высокого разрешения для выявления динамики объектов экотона.

Накопленные снимки съемочных систем высокого разрешения на спутниках Landsat позволяют изучать изменения растительного покрова начиная с 1972 г., то есть за последние 40 лет. В силу разрешения снимков (от 80 до 30 м) по ним невозможно отдешифрировать появление отдельно стоящих деревьев выше границы распространения деревьев. Однако, изменение спектральных характеристик объектов на разновременных космических снимках делает теоретически возможным исследование по снимкам изменений растительности экотона в целом. Возможность определения увеличения/уменьшения проективного покрытия древостоев, а также изменения соотношения площади лишайниковых и кустарничковых тундр за этот период оценена по результатам полевого спектрометрирования.

Установлено, что погрешность определения проективного покрытия компонентов может сыграть отрицательную роль при определении многолетних изменений по многозональным снимкам высокого разрешения, так как она сопоставима или больше размеров изменений, произошедших в экотоне за 50 лет [Михеева, 2010]. К тому же, столь малые изменения количественно оценить затруднительно и из-за разрешения архивных снимков, что было косвенно подтверждено в ходе спектрометрического эксперимента (рис.6).

По всей видимости, изменения растительного покрова, которые будут заметны на площадке 30x30 м в 2010 г. (полностью изменят яркость пиксела 30x м), не выразятся в пикселе 80х80 м в 1975 г., так же как добавление одного компонента в смесь в полевом эксперименте оставалось практически незаметным.

В основном, изменения, фактически произошедшие в экотоне, даже не выражаются по размерам в пикселе 30x30 м. Следовательно, изменения за последние 35 лет в растительном покрове экотона не могут быть количественно исследованы методом спектральной декомпозиции по космическим снимкам высокого разрешения, так как ещё не достигнуты пороги проективного покрытия компонентов, при которых можно утверждать, что спектральная смесь изменилась.

Однако, метод оценки изменения проективного покрытия может быть применен по прошествии значительного периода времени, когда изменения станут более заметны.

Рис. 6. Соотношение площадей пикселов Landsat MSS и Landsat ETM+ и площадей, занимаемых компонентами смешанного образца в натурном спектрометрическом Глава 4. Дешифрирование современного состояния растительности экотона «тундра-тайга» по космическим снимкам высокого разрешения на основе Метод линейной спектральной декомпозиции был апробирован на 9канальном снимке Terra ASTER (3 канала видимого и ближнего инфракрасного (БИК) диапазона - пространственное разрешение 15 м, 6 каналов среднего инфракрасного диапазона – пространственное разрешение 30 м) для создания карт современного состояния растительности долины р. Тульок, но результаты оказались неудовлетворительными. Поэтому для создания карты был взят за основу другой метод спектральной декомпозиции - алгоритм согласованной фильтрации (MTMF-алгоритм), достигающий лучших результатов при дешифрировании спектрально схожих объектов [Boardman, 1993]. Разработанная методика состоит из следующих этапов: маскирование снимка Terra ASTER на основе результатов предварительного дешифрирования, спектральная декомпозиция по MTMF-алгоритму, нормализация результатов, создание эталонного изображения на основе снимка QuickBird, верификация по нему результатов спектральной декомпозиции, окончательная геоботаническая классификация.

Маски типов территории были использованы для повышения достоверности результатов работы алгоритма MTMF. Для этого снимок Terra ASTER был разделен на спектрально похожие участки, на основе автоматизированной классификации по методу «спектрального угла». Результирующие маски, полученные после объединения промежуточных классов, представлены на рис.7.

Рис.7. Долина р. Тульок. Результат классификации снимка Terra ASTER по методу Всего было выделено 5 основных типов территории: каменистые тундры, лишайниковые тундры, кустарничковые тундры, березовое криволесье, березовоеловый лес. Границами масок условно считались границы преобладания, соответственно, каменистых участков, лишайников, кустарничков, сомкнутого березового криволесья, сомкнутого леса с участием ели.

В дальнейшем исходный снимок классифицировался с использованием MTMF-алгоритма, отдельно в пределах каждого из основных типов территории (т.е. за исключением типов «вода», «снег» и «тени»). Результатом работы алгоритма стали изображения присутствия и отсутствия каждого компонента, которые в дальнейшем подвергались нормализации (исходя из 100% проективного покрытия в каждом пикселе), после чего для каждого класса было получено итоговое изображение проективного покрытия (рис. 8).

Создание итоговой схемы дешифрирования потребовало совместной автоматизированной обработки изображений проективного покрытия, выделения значимых порогов по проективному покрытию, определяющих геоботанические классы, с учетом достоверности самих изображений.

Рис. 8. Примеры изображений проективного покрытия компонентов ландшафтов Погрешность определения проективного покрытия была оценена на основе более детальных данных - по специально созданному эталонному изображению с разрешением 15 м, генерализированному по карте классификации многозонального снимка QuickBird (пространственное разрешение 2,4 м) [Mikheeva, Novichikhin, 2010]. Исходный снимок был классифицирован по методу спектрального угла. В качестве эталонных объектов были выбраны те же объекты, которые составляли большинство спектральных смесей ASTER и использовались в качестве эталонов для субпиксельной классификации. Далее ячейка классификации QuickBird была укрупнена до разрешения 15 м (идентичного разрешению снимка ASTER) и был произведен расчёт процентного содержания каждого класса QuickBird в ячейке 15х15 м, аналогично изображениям проективного покрытия, получаемым в результате спектральной декомпозиции.

Изображения проективного покрытия компонентов ландшафтов экотона, полученные по снимку ASTER, были сравнены с эталонными изображениями в 15718 случайных точках, что является проверкой примерно 6% всех имеющихся пикселов. Точки распределялись случайным образом так, чтобы внутри каждого класса было проверено 6-7% значений проективного покрытия. Результаты оценки достоверности приводятся в табл. 3.

После оценки достоверности, изображения проективного покрытия подвергались окончательной геоботанической классификации. Диапазоны значений классов должны были быть больше погрешности определения проективного покрытия, таким образом, каждое изображение проективного покрытия классифицировалось с шагом в 25%: 0-25% - компонент отсутствует, 25компонент присутствует в небольшом количестве, 50-75% - компонент является субдоминантом, более 75% - компонент является доминантом.

Таблица. 3. Оценка достоверности изображений проективного покрытия компонентов Компонент Итоговая схема дешифрирования современного состояния растительности экотона «тундра-тайга» представлена на рис. 9. Она отражает состояние растительности экотона на текущий момент - дату получения снимка, позволяет изучать пространственное распределение типичных растительных сообществ, определить доминанты, субдоминанты и соотношения видов.

Разработанная методика дешифрирования может быть применена для полных снимков Terra ASTER, охватывающих значительные территории ( км2). Неотъемлемой частью методики создания подобных карт является оценка достоверности на ключевых участках, с использованием снимков субметрового разрешения, описанная выше.

Изображения проективного покрытия представляют собой совокупность векторных слоев, составляющих непрерывное поле значений проективного покрытия каждого компонента экотона. Это позволяет при необходимости вычислять проективное покрытие любого компонента в любой точке, изучать градиенты проективного покрытия в совокупности с данными о рельефе и увлажненности. Также возможно, с определенной точностью, проследить условные границы на местности: сплошного леса, отдельных деревьев, кустарничковых форм, а с привлечением ЦММ – вычислить их абсолютные высоты.

Рис. 9. Схема дешифрирования современного состояния растительности экотона

ЗАКЛЮЧЕНИЕ

В процессе исследования получены следующие основные результаты:

1. Разработана количественная методика исследования естественной динамики верхней границы распространения отдельных деревьев в экотоне «тундратайга», по аэрокосмическим снимкам субметрового разрешения (1-3 м) и цифровым моделям местности; на ее основании на ключевых участках Хибин выявлено, что высота верхней границы произрастания деревьев увеличилась в среднем на 30 м с 1958 по 2008 гг., густота древостоев увеличилась в 3 раза, количество подроста –в 10 раз.

2. На основе наземного спектрометрического эксперимента исследованы спектральные образы смесей компонентов ландшафтов экотона «тундратайга» в видимой и ближней инфракрасной части спектра, а также достоверность линейной спектральной декомпозиции. Выявлено, что наиболее достоверно по спектральным признакам определяется доля присутствия в смеси кустистых лишайников, кустарничков, и ели обыкновенной, но в целом определение проективного покрытия по методу спектральной декомпозиции обладает низкой достоверностью, пригодной для исследований на качественном уровне.

3. Разработана методика дешифрирования современного состояния растительности экотона «тундра-тайга» на основе метода спектральной декомпозиции, по многозональным космическим снимкам высокого разрешения. На основе методики составлена схема дешифрирования современного состояния компонентов растительности экотона «тундратайга» для долины р. Тульок, Хибины.

4. Установлено, что на современном этапе картографирование естественных изменений растительности экотона «тундра-тайга» на основе метода спектральной декомпозиции неосуществимо в связи с недостаточной спектральной различимостью компонентов ландшафтов экотона на космических снимках высокого разрешения.

По результатам диссертационного исследования опубликованы следующие работы:

В рекомендованных ВАК изданиях:

1. Михеева А.И. Исследование изменений верхней границы леса по аэрокосмическим снимкам // Геодезия и картография. – 2011, № 1, с. 31-36.

2. Михеева А. И. Пространственная изменчивость положения верхней границы леса в Хибинах (по материалам дистанционного зондирования) // Вестник Московского университета. Серия 5. География. – 2010, №4, с. 18В других изданиях:

3. Mikheeva A., Novichikhin A., Tutubalina O. Linear spectral mixture modelling of arctic vegetation using ground spectroradiometer (Моделирование спектральных смесей для растительности Арктики с помощью наземного спектрометрирования, на англ. яз.) // Proceedings of 11th International Circumpolar Remote Sensing Symposium, September 20-24, 2010, Cambridge, United Kingdom. http://alaska.usgs.gov/science/geography/CRSS2010/program.html 4. Novichikhin A., Mikheeva A. Spatial structure map for tundra-taiga ecosystems in Tuliok river valley based on classification of QuickBird satellite imagery and GIS analysis (Карта пространственной структуры растительности для экосистем в долине р. Тульок, созданная на основе классификации снимка QuickBird и ГИС-анализа, на англ. яз.) // Proceedings of 11th International Circumpolar Remote Sensing Symposium, September 20-24, 2010, Cambridge, United Kingdom. http://alaska.usgs.gov/science/geography/CRSS2010/program.html 5. Rees G., Tutubalina O., Tmmervik, Zimin M., Mikheeva А., Golubeva E., Dolan K., Hofgaard A., Talbot, S., Charron, T. Barry, T. Mapping of the Eurasian circumboreal forest-tundra transition zone by remote sensing (Картографирование циркумбореальной переходной зоны лес-тундра в Евразии методами дистанционного зондирования, на англ. яз.) // Proceedings of the fifth International workshop - CAFF Flora group. Circumboreal Vegetation Mapping Workshop, November 2008, Helsinki. CAFF Technical Report No. 21, August 2010, p. 144-150.

6. Mikheeva A., Mathisen I.E., Tutubalina O., Hofgaard A. Change of the treeline ecotone in Khibiny Mountains, Kola Peninsula, Russia, over the last years (Изменения в переходной зоне тундра-тайга в Хибинах за последние 50 лет, на англ. яз.) // Proceedings of IPY Oslo Science Conference, June, 8-12, 2010. http://ipy-osc.no/abstract/ 7. Михеева А. И. Картографирование верхней границы леса в Хибинском горном массиве // Материалы Шестой Всероссийской Открытой конференции «Современные проблемы дистанционного зондирования Земли из космоса» ИКИ РАН, Москва, 2008, с.259.