«МЕТОДИКА ПРОСТРАНСТВЕННОГО МОДЕЛИРОВАНИЯ ЛЕСОВОССТАНОВИТЕЛЬНОЙ ДИНАМИКИ НА ОСНОВЕ ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ...»

Федеральное государственное бюджетное учреждение наук

и

Институт леса им. В. Н. Сукачева

Сибирского отделения Российской академии наук

На правах рукописи

Данилова Ирина Валерьевна

МЕТОДИКА ПРОСТРАНСТВЕННОГО МОДЕЛИРОВАНИЯ

ЛЕСОВОССТАНОВИТЕЛЬНОЙ ДИНАМИКИ НА ОСНОВЕ ДАННЫХ

ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ

25.00.34 – «Аэрокосмические исследования Земли, фотограмметрия»

Диссертация на соискание ученой степени кандидата технических наук

Научный руководитель – доктор биологических наук Онучин Александр Александрович Красноярск –

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ

1 ПРОБЛЕМЫ ОЦЕНКИ ХАРАКТЕРИТИК ЛЕСНОЙ РАСТИТЕЛЬНОСТИ ПО

КОСМИЧЕСКИМ СНИМКАМ

1.1 Космические аппараты для задач лесного хозяйства

1.2 Моделирование пространственной организации растительного покрова........ 1.2.1 Классификация спутниковых изображений на основе спектральных данных для оценки лесов

1.2.2 Использование ЦМР для косвенного определения характеристик растительности

1.2.3 Использование климатических характеристик для оценки лесорастительных условий

1.2.4 Применение экспертных систем для пространственного моделирования организации растительного покрова

1.3 Обзор основных типологических классификаций лесов России

2 РАЙОН И МЕТОДЫ ИССЛЕДОВАНИЙ

2.1 Физико-географические особенности южной части Приенисейской Сибири. 2.2 Методы обработки многозональных спутниковых изображений

2.2.1 Методы предварительной обработки спутниковых данных

2.2.2 Методы классификации многозональных изображений

2.2.3 Формирование эталонных выборок

2.2.4 Анализ разделимости информационных классов

2.2.5 Генерализация классифицированных изображений

2.2.6 Оценка достоверности результатов классификации

2.3 Метод проведения снегомерных съемок и определение годовой величины атмосферных осадков

3 СОСТАВ БАНКА ДАННЫХ ГИС. РАЗРАБОТКА МЕТОДИКИ

ПРОСТРАНСТВЕННОГО МОДЕЛИРОВАНИЯ

ЛЕСОВОССТАНОВИТЕЛЬНОЙ ДИНАМИКИ

3.1 Ключевые составляющие ГИС «Леса Средней Сибири»

3.2 Состав банка данных ГИС для южной части Приенисейской Сибири............. 3.3 Методика пространственного моделирования лесовосстановительной динамики

3.3.1 Алгоритм автоматизированного дешифрирования разносезонных спутниковых изображений с использованием данных лесоинвентаризации 3.3.2 Способ комплексного анализа ЦМР, экспериментальных и фондовых данных для систематизации лесорастительных условий

3.3.3 Разработка системы правил для формирования растровых изображений типов лесорастительных условий и восстановительных рядов лесной растительности

4 РЕЗУЛЬТАТ МОДЕЛИРОВАНИЯ ЛЕСОВОССТАНОВИТЕЛЬНОЙ

ДИНАМИКИ НА ЮЖНУЮ ЧАСТЬ ПРИЕНИСЕЙСКОЙ СИБИРИ................. 4.1 Определение породного состава и возрастной структуры насаждений по ДДЗЗ

4.2 Систематизация лесорастительных условий

4.2.1 Анализ ЦМР

4.2.2 Выделение форм мезорельефа

4.2.3 Модель пространственного распределения среднемноголетних значений атмосферных осадков

4.2.4 Модель пространственного распределения среднемноголетних значений температур воздуха июля

4.2.5 Формирование растрового изображения природно-климатических зон..... 4.3 Систематизация разнообразия лесной растительности в разных лесорастительных условиях

4.4 Векторизация растровых изображений и актуализация банка данных ГИС

ЗАКЛЮЧЕНИЕ….

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А (рекомендованное) СОСТАВ БАЗЫ ДАННЫХ О ЛЕСНОМ ФОНДЕ

ПРИЛОЖЕНИЕ Б (рекомендованное) ТОПОГРАФИЧЕСКИЕ ПРОФИЛИ........ ПРИЛОЖЕНИЕ В (рекомендованное) ОПИСАНИЕ ЛЕСОРАСТИТЕЛЬНЫХ

УСЛОВИЙ И ВОССТАНОВИТЕЛЬНЫХ РЯДОВ ЛЕСНОЙ

РАСТИТЕЛЬНОСТИ

ПРИЛОЖЕНИЕ Г (рекомендованное) ПОПОЛНЕНИЕ БАНКА ДАННЫХ ГИС

ВВЕДЕНИЕ

Актуальность исследований. Оперативная и достоверная информация о типах земного покрова, получаемая по данным дистанционного зондирования Земли (ДДЗЗ), является определяющим фактором при пространственном моделировании растительности, и представляет собой основу получения объективных данных для оценки состояния и мониторинга лесов, эффективного управления лесным хозяйством.

Актуальность задачи связана с тем, что большинство существующих карт растительности на территорию России, было составлено в шестидесятыесемидесятые годы XX века, и в настоящее время они значительно устарели в силу изменившейся ситуации и появления новых методов, и технологий создания тематических карт [47]. Для территории Красноярского края существует обзорная мелкомасштабная карта растительности М 1 : 7 500 000 [36], составленная традиционными методами. Современный растительный покров края отражен на глобальных картах растительности [168; 159; 6; 131 и др.], составленных по спутниковым данным с пространственным разрешением не более 250 м. Такие карты содержат относительно небольшое число классов легенды, характеризующих лесную растительность. Опыт пространственного моделирования лесной растительности края на основе ДДЗЗ среднего и высокого пространственного разрешений практически отсутствует, известны отдельные примеры детальных пространственных моделей на тестовые участки [38; 118 и др.].

В свою очередь развитие новых методов и технологий обработки спутниковых изображений для создания тематических пространственных моделей [88; 42], а также увеличение объема поступающих ДДЗЗ [26] и повышение требований к точности их интерпретации, делают актуальной проблему автоматизации процессов обработки космической информации для пространственного моделирования лесной растительности. В частности, по результатам прямого дешифрирования спектрозональных снимков получают пространственные модели породного состава лесной растительности, которые не отражают типологическое разнообразие лесных территорий. Для создания более адекватной модели разнообразия растительного покрова используют косвенные признаки, такие, например, как рельеф местности (значения абсолютных высот, уклона, кривизны поверхности и др.), косвенно определяющие различные лесорастительные условия.

Также существенным недостатком методов пространственного моделирования, как отмечают исследователи [62; 83], является субъективность при проведении границ моделируемых объектов. Хотя в ряде случаев границы определяются однозначно, во многих других случаях точное положение границы между объектами остается на усмотрение исследователя. Результатом нередко являются существенные отличия моделей, составленных разными исследователями по сходной методике на одну и ту же территорию. Все это требует разработки интерсубъективных методик, позволяющих разным исследователям получать идентичные результаты при использовании одинаковых исходных данных. Применение технологий географических информационных систем (ГИС) позволяет разработать методики выделения территориальных единиц расчленения земной поверхности, и в частности лесного покрова, однородных по ряду заданных показателей, сводя к минимуму субъективный фактор [83].

Степень разработанности проблемы. Разработке и исследованию принципов, методов и технологий обработки спутниковой информации для моделирования пространственной организации лесной растительности посвящены работы Н. Б. Ермакова, А. С. Мкртчяна, В. В. Сысуева, П. А. Шарыя, специалистов Центра по проблемам экологии и продуктивности лесов РАН, Института космических исследований РАН, Института географии им. В. Б. Сочавы СО РАН, Московского государственного университета геодезии и картографии и др. Из зарубежных ученых следует отметить работы D. Clewley, M. A. Hansen, J. L. Ohmann. В этих работах используются различные подходы, принципы и методы обработки, анализа и классификации данных. Выделяемые при этом территориальные единицы расчленения земного покрова характеризуются различным тематическим содержанием, размерностью и классификационным рангом.

Однако в известных работах не нашел должного отражения факт использования методов, базирующихся на комплексном анализе факторов природной среды и ДДЗЗ, позволяющих выявлять характеристики растительного покрова, которые непосредственно не отражаются на космических снимках, но являются объектами тематического пространственного моделирования (типы лесорастительных условий, восстановительно-возрастные стадии и восстановительные ряды лесной растительности). Решение задач подобного вида предполагает создание сложной и многоуровневой системы распознавания объектов, автоматизацию процесса интегрированной обработки ДДЗЗ, лесоинвентаризационной информации, данных натурных обследований с использованием ГИС.

Целью исследования является разработка методики пространственного моделирования лесной растительности и ее восстановительной динамики на основе комплексного анализа данных космической мультиспектральной съемки, лесоинвентаризации, цифровой модели рельефа (ЦМР) и натурных обследований.

Для достижения поставленной цели необходимо решить следующие задачи:

разработать методику пространственного моделирования лесовосстановительной динамики на основе комплексного анализа ДДЗЗ, лесоинвентаризационной информации, ЦМР и данных натурных обследований;

разработать алгоритм автоматизированного дешифрирования разносезонных спутниковых изображений с целью определения породного состава и возрастной структуры насаждений с учетом тенденций восстановительной динамики;

разработать способ комплексного анализа ЦМР, экспериментальных и фондовых данных для систематизации лесорастительных условий территории;

разработать предикатную систему правил для формирования растровых изображений типов лесорастительных условий и восстановительных рядов лесной растительности;

провести экспериментальную апробацию предложенной методики и создать пространственную модель восстановительной динамики лесной растительности на южную часть Приенисейской Сибири.

Объектом исследования является лесная растительность и ее восстановительная динамика.

Предметом исследования являются методы автоматизированной классификации и тематической интерпретации спутниковых изображений и ЦМР с использованием лесоинвентаризационных, натурных и экспериментальных данных.

Научная новизна результатов исследования заключается в разработке методики пространственного моделирования лесной растительности и ее восстановительной динамики на основе комплексного анализа ДДЗЗ, ЦМР, лесоустроительной и натурной информации. Предложенная методика позволяет получить новую информацию о восстановительной динамике лесов, в том числе об их происхождении, закономерности распространения и прогнозировать изменения в результате тематической обработки разносезонных спутниковых изображений среднего пространственного разрешения с учетом морфометрической и детальной климатической информации. Новая разработанная предикатная система правил позволяет анализировать распределение лесов, а также оперативно редактировать пространственные модели в результате пополнения банка данных дополнительной информацией, реализации новых ГИС-технологий, выявления неизвестных ранее закономерностей формирования растительности.

Теоретическая и практическая значимость работы состоит в разработке синтезированных методов, позволяющих выполнять автоматизированную обработку разнородных данных, полученных с помощью спутниковых наблюдений и натурных обследований, с учетом современных представлений о системных связях растительности и природной среды. Результаты системного анализа и обработки разнородных данных позволяют создавать уникальные пространственные модели распределения лесной растительности, оценить современное состояние и прогнозировать темпы лесовосстановительной динамики (сроком на 200 лет) в разных лесорастительных условиях, а изучение динамических процессов дает возможность долгосрочного прогнозирования и моделирования лесов будущего.

Методология и методы исследования. Для решения поставленных задач в работе использовались методы многомерного статистического анализа, распознавания образов и цифровой обработки изображений, пространственного анализа данных, геоинформационного моделирования c применением современного программного обеспечения (ERDAS IMAGINE 9.2; ArcGIS 9.3; STATISTICA 7).

Для проведения экспериментальных работ были использованы снимки LandsatTM (пространственное разрешение 30 м), ЦМР SRTM (пространственное разрешение 100 м), база данных натурных измерений, созданная в Microsoft Access, данные лесоинвентаризации (векторные слои масштаба 1 : 25 000 и атрибутивная база данных), цифровая топографическая основа (масштаб 1 : 100 000), различные тематические карты (масштаб 1 : 25 000–1 : 2 500 000).

Основные научные результаты диссертации, выносимые на защиту:

методика пространственного моделирования лесовосстановительной динамики, основанная на комплексном анализе ДДЗЗ, ЦМР, лесоинвентаризационной и натурной информации, позволяющая создавать, анализировать, обновлять и редактировать модели распределения лесной растительности в разных лесорастительных условиях;

алгоритм автоматизированной классификации и тематической интерпретации разносезонных спутниковых изображений среднего пространственного разрешения, отличительной особенностью которого является возможность выделения классов растительного покрова, характеризующих его современное состояние с учетом тенденций восстановительной динамики;

способ автоматизированной систематизации лесорастительных условий, основанный на использовании климатических и морфометрических показателей, позволяющий повысить качество оценки характеристик лесной растительности;

оригинальные модели, отражающие зависимость изменения годовых величин атмосферных осадков от параметров рельефа и экспонированности ландшафтов влагонесущим воздушным массам на исследуемой территории и послужившие основой метода моделирования пространственного распределения атмосферных осадков с использованием ЦМР и экспериментальных данных.

Соответствие диссертации паспорту научной специальности. Диссертация соответствует паспорту научной специальности 25.00.34. – «Аэрокосмические исследования Земли, фотограмметрия», разработанному экспертным советом ВАК Минобрнауки РФ, по следующим позициям: № 3 – «Теория, технология и технические средства сгущения по аэрокосмическим снимкам геодезических сетей, создания и обновления топографических, землеустроительных, экологических, кадастровых и иных карт и планов»; № 4 – «Теория и технология дешифрирования изображений с целью исследования природных ресурсов и картографирования объектов исследования».

Степень достоверности и апробация результатов исследования. Достоверность полученных результатов обеспечена корректным использованием методов многомерного статистического анализа и цифровой обработки изображений, непротиворечивостью исследованиям других авторов, необходимым объемом экспериментальных исследований. Проверка работоспособности и эффективности используемых методов классификации спутниковых изображений, а также оценка достоверности полученных результатов осуществлялись путем проведения численных экспериментов с использованием лесоустроительных и натурных данных.

Основные результаты диссертационной работы докладывались на II Всероссийской конференции «Дистанционное зондирование земных покровов и атмосферы аэрокосмическими средствами» – Санкт-Петербург, 2004 г.; IV Международном научном конгрессе «ГЕО-Сибирь» – Новосибирск, 2008 г.; Всероссийской конференции с международным участием, посвященной 100-летию со дня рождения Б. П. Колесникова – Владивосток, 2009 г.; IX Международной научно-практической конференции «От снимка к карте: цифровые фотограмметрические технологии» – Аттика (Греция), 2009 г.; 25-й Международной картографической конференции – Париж (Франция), 2011 г.; IV Всероссийской школе-конференции «Актуальные проблемы геоботаники» – Уфа, 2012 г.; Международной конференции IUFRO Landscape Ecology – Сантьяго (Чили), 2012 г.; V Всероссийской конференции с международным участием «Аэрокосмические методы и геоинформационные технологии в лесоведении и лесном хозяйстве» – Москва, 2013 г.

Разработанная методика пространственного моделирования лесовосстановительной динамики и тематические карты, полученные в ходе проведения диссертационной работы, внедрены в состав комплекса ГИС «Леса Средней Сибири», разработанного в Институте леса им. В. Н. Сукачева СО РАН, а также используются в Федеральном государственном унитарном предприятии «ВостСиблеспроект» для автоматизации процесса обработки и анализа данных спутниковых наблюдений.

Предложенная методика и результаты, полученные в исследовательской работе, использовались при выполнении ряда научно-исследовательских проектов.

Личный вклад автора. Автором проанализированы методы обработки и анализа ДДЗЗ, ЦМР, возможности использования ГИС-моделирования. Предложена методика пространственного моделирования лесорастительных условий территории и восстановительной динамики лесной растительности на основе комплексного анализа спутниковых данных, ЦМР, материалов натурных обследований и др. На основе экспериментальных данных разработаны модели, отражающие зависимость изменения среднегодовой величины атмосферных осадков от параметров рельефа и экспонированности ландшафтов влагонесущим воздушным массам.

Предложен метод построения модели пространственного распределения атмосферных осадков на основе анализа ЦМР, экспериментальных и справочных данных. Разработана предикатная система правил в модуле Knowledge Engineer / ERDAS IMAGINE классификации разнородных данных (многозональные спутниковые данные, климатические, морфометрические характеристики территории) для автоматизированного формирования растровых изображений типов лесорастительных условий и восстановительной динамики лесной растительности. Созданы ГИС-проект, тематические пространственные модели, карта восстановительной динамики лесной растительности на территорию южной части Приенисейской Сибири.

Публикации. По материалам диссертации опубликована 21 печатная работа, в том числе 4 статьи, входящие в перечень российских рецензируемых научных журналов и изданий.

Структура и объем диссертации. Общий объем диссертации составляет страницы. Диссертационная работа состоит из введения, 4 разделов, заключения и содержит 33 таблицы, 37 рисунков, 4 приложения. Количество источников использованной литературы – 189.

Благодарности. Автор благодарит за помощь в подготовке диссертационной работы научного руководителя – д-р. биол. наук А. А. Онучина, канд. техн. наук М. А. Кореца и канд. биол. наук В. А. Рыжкову – старших научных сотрудников лаборатории ГИС. Автор глубоко признателен сотрудникам лабораторий Института леса им. В. Н. Сукачева за предоставленные натурные и экспериментальные данные.

1 ПРОБЛЕМЫ ОЦЕНКИ ХАРАКТЕРИТИК ЛЕСНОЙ РАСТИТЕЛЬНОСТИ

ПО КОСМИЧЕСКИМ СНИМКАМ

1.1 Космические аппараты для задач лесного хозяйства Ведущие специалисты в области космических исследований отмечают, что в последнее время увеличилось число задач, решаемых c помощью ДДЗЗ, в которых необходимо определить не только качественные, но и, количественные характеристики объектов и процессов природного и техногенного происхождения, динамику их изменения. Возможность дистанционного изучения объектов земной поверхности основывается на объективно существующих связях между характеристиками природной среды и отраженным или собственным излучением земной поверхности [70, 24, 26]. Так в зарубежных публикациях под «Remote Sensing»

понимается наблюдение и измерение энергетических и поляризационных характеристик излучения объектов в различных диапазонах электромагнитного спектра с целью определения их местоположения, вида, свойств и изменчивости. ДДЗЗ предоставляют уникальную возможность получать ценную информацию о земных объектах и явлениях в глобальном масштабе с высоким пространственным и временным разрешением [51].

Наблюдение Земли из космоса началось в 1960-е гг. с американских и советских метеорологических спутников серии "Tiros", "ESSA", "Nimbus", "ITOS", "Метеор". За последующие десятилетия информационные возможности и целевое применение космических аппаратов дистанционного зондирования Земли значительно расширились. На смену метеорологическим искусственным спутникам Земли пришли спутниковые системы, предназначенные для мониторинга окружающей среды и исследования динамики планетарных процессов, совместно с системами изучения природных ресурсов Земли, такими как "Landsat" (США, запускаются с 1972 г.), "SPOT" (Франция, запускаются с 1986 г.), "Ресурс" (РФ, запускаются с 1988 г.).

Большое количество космических съемочных систем, данные которых представлены на международном рынке сегодня, кроме преимуществ, создают и проблемы. Особенно трудно разобраться в этом объеме поступающей информации на фоне больших различий космических снимков по пространственному, радиометрическому, спектральному и временному разрешению, качественным и точностным характеристикам ДДЗЗ, как в отношении их геометрических свойств (определяющих возможность их геопозиционирования), так и в отношении дешифровочных характеристик (возможность выявления целевых объектов и явлений) [51].

Пространственное разрешение снимка является важнейшим параметром, определяющим возможность использования съемки при решении лесных задач. На сегодняшний день отмечаются высокие темпы запусков спутниковых систем сверхвысокого разрешения (до 2 м) (QuickBird, Ресурс-ДК1, GeoEye-1, WorldView-2). Использование снимков с таким разрешением позволяет выявлять лесосеки и их границы, лесные дороги и лесовозные «усы», магистральные и пасечные волоки, погрузочные площадки, территории с изреженным пологом при выборочных рубках (снижение полноты насаждений примерно до 0,7).

Последнее десятилетие в развитии систем дистанционного зондирования Земли отмечено появлением съемочных систем с высоким пространственным разрешением (2-10 м) (IKONOS, FORMOSAT-2, ALOS, RepidEya) [51]. Эти изображения пригодны для пространственного моделирования в масштабе 1 : в соответствии с таблицей 1.1 [51; 21; 57], что примерно соответствует первомувторому разряду лесоустройства [49]. На таких снимках выделяются практически все сплошные и выборочные рубки высокой интенсивности. Размер среднего таксационного выдела составляет 3-15 га [78].

Несмотря на быстрый рост рынка изображений сверхвысокого и высокого разрешений, материалы съемки среднего разрешения (10-30 м) остаются попрежнему незаменимыми при решении задач определения породного состава лесов, инвентаризации и обновлении материалов лесоустройства, оценки состояния лесов. Более низкое разрешение становится преимуществом (а не недостатком) при создании генерализованных картографических моделей средних масштабов : 50 000-1 : 200 000 [1].

Таблица 1.1 – Возможность создания и обновления карт разных масштабов по мультиспектральным снимкам Космический аппарат Пространственное Ширина по- Масштаб Относительно регулярную съёмку России со средним пространственным разрешением осуществляют американские спутники серии Landsat, но в 2003 г. у спутника Landsat-7 начались проблемы с корректором системы сканирования одного из датчиков [74; 82]. Из-за неисправности сканера ETM+ снимки получались с разрывами, которые заполнялись архивными материалами. Такой снимок являлся синтезированным изображением из данных на различные даты съемки. В связи с возникшими проблемами с 2003 г. по 2012 г. была возобновлена оперативная эксплуатация спутника Landsat-5, который успешно функционировал более лет. С нового спутника Landsat 8 уже начали поступать спутниковые изображения в 2013 году.

Эффективной заменой мультиспектральных изображений со спутников серии Landsat во многих странах стали снимки французских спутников серии SPOT (пространственное разрешение 10 м), а также снимки индийских спутников IRS (23,5 м). Однако количество мультиспектральных каналов (семь) и ширина полосы съемки (183 км) у Landsat превосходят четырех канальные спутники IRS и SPOT, имеющие меньшую ширину полосы съемки.

Снимки среднего пространственного разрешения являются одними из главных источников для пространственного моделирования преобладающей породы и породного состава лесов, позволяют выявлять медленные необратимые естественные и антропогенные изменения в лесных массивах, пригодны для проведения лесоустройства более низкой точности (третий разряд) или при обновлении данных лесоустройства [49; 51; 1]. По III разряду лесоустройства минимальная площадь выдела составляет 16 - 35 га [78].

Регулярную съёмку территории России с низким пространственным разрешением (250-1000 м) производят несколько спутников (NOAA, SPOT, AQUA).

Для решения основных задач лесного хозяйства столь низкое разрешение неприемлемо (исключение – обнаружение лесных пожаров) [1].

Материалы радарной съемки в сравнении с оптическими данными характеризуются оперативностью получения данных вне зависимости от времени съемки и наличия облачности. По радиолокационным данным уверенно выделяются лесные и нелесные земли, но определить по ним породный состав насаждений практически невозможно. Считается, что радиолокационная съемка (в отличие от оптической) отражает различия древостоев по полноте (запас фитомассы), позволяя выделять редкостойные и высокополнотные древостои [134].

Многолетнее применение дистанционных методов в различных приложениях к лесному делу привело к большому прогрессу в некоторых направлениях, например, при разграничении классов лесного и земельного покрова, оценке показателей состояния и продуктивности лесов (фитомассы, запаса древостоев, продукции), площади интенсивности нарушений, определению показателей внешней среды [12; 138]. Однако, проблема системного применения ДДЗЗ для решения задач лесного хозяйства в целом пока не нашла удовлетворительного решения в силу:

несоответствия технических возможностей спутниковых датчиков (разрешение, периодичность, измеряемые показатели) целям лесоучетных работ;

ограниченного срока существования спутников;

отсутствия унифицированных подходов к пространственному моделированию организации лесной растительности по данным спутниковых наблюдений [138].

Поэтому, для мониторинга окружающей среды на базе космических средств наиболее продуктивно выбирать и использовать информационные спутниковые системы, которым присущи целенаправленность, преемственность и совместимость.

1.2 Моделирование пространственной организации растительного Общей тенденцией в методологии исследований растительного покрова является развитие и внедрение количественных методов анализа натурной, дистанционной и картографической информации. Причины этого связаны с потребностями получения объективной информации о растительном покрове и развитием технических средств, применяемых для анализа информации о состоянии и динамике лесного покрова.

Несмотря на разнородность лесной территории, леса обладают определенной общностью и повторяемостью свойств и структур, что позволяет устанавливать общие закономерности их строения и территориального распространения, состояния и развития [50].

Применение пространственного моделирования необходимо при исследовании обширных лесных территорий, а также удаленных и малодоступных районов.

Моделирование закономерностей пространственного размещения разнообразия растительных сообществ одно из самых сложных и трудоемких исследований [39], т.к. на формирование и распространение растительности влияют различные факторы окружающей среды: абсолютная высота местности, форма рельефа, почвообразующие и подстилающие породы, почвы и др. Дополнительное негативное влияние на экосистемы оказывают такие естественные и антропогенные нарушения, как пожары, вспышки массового размножения насекомых-вредителей, вырубка леса, ветровалы, которые часто приводят к сменам коренной растительности на производную. На рисунке 1.1 показано воздействие факторов окружающей среды на растительность [166].

пространственную организацию лесной растительности При моделировании растительного покрова необходимо по возможности учитывать вышеупомянутые факторы окружающей среды, воздействующие на нее.

Широкое использование современных информационных технологий открывает новые возможности для исследования пространственной организации растительности и создания тематических карт нового поколения. Вне сомнения, что ближайшее будущее исследований в данном направлении связано именно с созданием ГИС, максимально объединяющих и связывающих все типы геоботанической, эколого-географической информации, оперативных данных дистанционного зондирования, ЦМР, а также последовательной реализации четких алгоритмов обработки этой информации: от анализа первичных данных до автоматизированного формирования пространственных моделей [19; 38; 39].

1.2.1 Классификация спутниковых изображений на основе спектральных данных для оценки лесов Традиционные методы распознавания аэрокосмических изображений основываются на рассмотрении их спектральных характеристик. В литературе накоплен обширный материал по применению различных методов классификации дистанционных данных для оценки породного состава растительности, очагов поражения растительного покрова, площади и интенсивности нарушений и др. [53; 38;

66; 188; 41; 101; 138; 102; 124; 133; 187 и др.]. В большинстве своем, классификация основывается на методах статистического распознавания образов, которые используют функции распределения вероятностей, связанные с классами образов.

Существует две основные группы методов классификации, которые применяются для обработки дистанционных изображений: неуправляемая (без обучения) и управляемая (с обучением) классификации [66].

Использование алгоритма неуправляемой классификации [38; 43; 53; 124; 7] позволяет классифицировать изображение на n классов, которые затем интерпретируются как соответствующие единицы растительного покрова на основе натурных данных или с привлечением различных тематических карт.

При наличии априорной информации выбирают более трудоемкий, но и более точный метод управляемой классификации. Для дешифрирования с обучением используются обучающие выборки. Обучающие выборки – наборы пикселей, которые представляют распознаваемый образ (класс) и служат при его идентификации [129]. При выборе эталонных пикселей используют не только космические снимки, но и априорную информацию, среди основных источников которой можно выделить планы лесонасаждений и данные лесоинвентаризации [106], таксационные базы данных [65; 80; 63], различные тематические карты [131], материалы натурных обследований [188; 133]. Основной характеристикой обучающей выборки является ее репрезентативность, которая показывает, насколько полно выборка описывает основные свойства класса, насколько точно по ее элементам можно оценить параметры этого класса в целом [129]. На основе созданной репрезентативной выборки выполняется управляемая классификация изображений [175].

Точность классификации категорий земель и растительного покрова зависит в основном от спектральных характеристик поверхности, измеренных с одного сенсора, и от использования алгоритмов классификации. Участки с преобладанием определенных древесных пород определяются с разным уровнем достоверности. Основная проблема состоит в том, что, например, разные древесные породы имеют перекрывающиеся спектральные характеристики, по которым их невозможно разделить. Легко отделить друг от друга лиственные и темнохвойные породы, сложнее – лиственные и светлохвойные. Близкие по спектральным характеристикам ель и пихту, сосну и лиственницу, березу и осину, как правило, разделить невозможно [65; 1]. Для повышения достоверности классификации идут по пути увеличения числа признаков, например, используя большее количество каналов при многозональной съемке или используя разновременные снимки [129].

Подходы, учитывающие другие характеристики объектов при распознавании, базируются главным образом на использовании дополнительных данных об интерпретируемом снимке. Используются, например, производные изображения (главных компонент, вегетационные индексы, показатели текстуры и др.), помогающие улучшить разделимость распознаваемых объектов [148; 63; 108; 188; 48;

72; 129; 137; 97 и др.].

Важно отметить, что при использовании различных методов классификации для обработки изображений получается мозаичное изображение распределения классов, которые в дальнейшем необходимо перевести в гомогенные полигоны.

Поэтому при классификации изображений желательно учитывать не только яркости каждого одиночного пикселя (попиксельная классификация), но и его окружение, т.е. необходимо использовать контекстуальную информацию о взаимном расположении пикселей.

1.2.2 Использование ЦМР для косвенного определения характеристик растительности Рельеф земной поверхности во многом определяет пути миграции и зоны аккумуляции веществ, перемещающихся вдоль земной поверхности и в почве под действием гравитации, различные климатические и метеорологические характеристики, свойства почвенного и растительного покрова [170; 178; 132].

В настоящее время при создании пространственных моделей лесной растительности широко используются ЦМР, которые стали доступны и обладают достаточной точностью [83]. ЦМР, или DEM (Digital Elevation Model), представляет собой совокупность значений отметок превышений рельефа, приуроченных к узлам достаточно мелкой регулярной сети, и является цифровым выражением высотных характеристик рельефа на топографической карте.

Компьютерный анализ ЦМР предоставляет возможность использовать производные морфометрические (соотношение между длинами и площадями, площадями и углами наклона, длинами и высотами и т.д.), гидрологические и иные характеристики, полученные путем применения к ЦМР того или иного алгоритма, для косвенного определения характеристик почвы, растительности, микроклимата и других компонентов ландшафта [83; 104; 136; 125; 178].

Морфология земной поверхности является одним из основных критериев при выделении и моделировании природно-территориальных комплексов (ПТК) [83;

124]. ПТК выделяются как генетически однородные участки земной поверхности, характеризующиеся определенным рельефом и взаимосвязанной совокупностью поверхностных горных пород, вод, воздуха, почв, растительного и животного населения. Границы ПТК очень часто совпадают с границами форм или элементами форм рельефа [83; 124].

Благодаря высокой пространственной детальности, ЦМР служат главным образом источником данных при автоматизированной классификации местоположений. В качестве критериев классификации, как правило, выступают топографические (морфометрические) показатели. При этом возможны два подхода к определению конкретных значений критериев выделения территориальных границ. При первом подходе такие критерии определяются, исходя из априорных представлений о градациях структурных линий рельефа и обусловленных рельефом границ [83]. Так, И. Круглов [71] предложил методику полуавтоматизированного выделения ландшафтных границ, которая предусматривает деление склонов на 7 категорий по крутизне, а также на выпуклые и вогнутые; днища долин и вершинные поверхности выделяются, исходя из значений дренажной площади. Схожие методики выделения ПТК на основе морфометрического анализа ЦМР описаны в ряде работ [127; 108; 113; 184].

При другом подходе в основу автоматизированной классификации рельефа и связанных с ним характеристик ПТК кладется статистическая кластеризация параметров рельефа. При этом вместо проведения границ по заранее заданным критериям, выделяются «естественные группировки» местоположений в пространстве атрибутов. Генерализация многомерных данных путем статистического анализа (например, итерационного кластерного анализа) широко используется, в частности, в практике дистанционного зондирования для классификации мультиспектральных изображений [83].

На формирование разнообразия местообитаний и растительного покрова, по мнению многих авторов [185; 163; 59; 186; 126; 100; 60 и др.], влияет ряд основных топографических факторов, таких как абсолютная высота, уклон и кривизна поверхности, экспозиция склона. Так, абсолютная высота определяет вертикальную зональность почв и растительности в горных районах. Крутизна и ориентация склонов контролируют скорость и направление соответственно поверхностных потоков, интенсивность испарения осадков, снеготаяния и некоторые свойства почв [59; 60; 174]. Горизонтальная и вертикальная кривизны в значительной степени контролируют распределение и перераспределение в почве влаги, органического вещества, что в свою очередь, влияет на растительность, микроклимат, водный баланс, экологические условия местопроизрастания [59; 126].

При выборе морфометрических характеристик необходимо учитывать особенности рельефа конкретной территории, специфику механизмов его влияния на процессы дифференциации растительного покрова. Информативность разных характеристик исследована еще не достаточно, из-за чего невозможно рекомендовать универсальный список морфометрических параметров, пригодных для любых целей исследования и для любых территорий [59]. Как утверждает Сысуев В. В [126], для выбора объективных морфометрических параметров и оценки возможности их использования в лесном хозяйстве должен применяться комплексный анализ ЦМР, ДДЗЗ и полевых материалов.

Многими исследователями [156; 172; 179; 83; 33 и др.] используются топографические переменные в комбинации со спектральными характеристиками космоснимков для пространственного моделирования преобладающего растительного покрова. На основе этих исследований выяснилось, что различные растительные сообщества часто показывают подобные спектральные характеристики, а их специфическое топографическое местоположение может помочь в отличии одного от другого.

В работе [38] на основе построенной ординационной модели [86; 143; 87; 89], выявлен характер связей растительных сообществ с ведущими экологотопографическими факторами – абсолютной высотой над уровнем моря и экспозицией склонов. Эти выявленные закономерности легли в основу преобразования абстрактной модели ординации в картографическую модель пространственных единиц лесного покрова.

В различных регионах влияние рельефа на дифференциацию свойств растительности проявляется различным образом. Так же следует учитывать, что не все свойства почвенного и растительного покровов связаны с параметрами рельефа, к тому же при переходе от одного масштаба к другому характер этих зависимостей может меняться [59; 124]. Неточности при моделировании организации растительности, которые не могут быть вычислены по топографическим показателям или спектральным характеристикам, могут быть выявлены при использовании дополнительной информации, например, климатических характеристик территории.

лесорастительных условий Наиболее важными показателями климатических условий местности являются данные по режиму температуры воздуха и атмосферным осадкам, от которых зависят многие процессы, определяющие состояние лесных экосистем и отдельных их компонентов.

На климатические условия в горах существенное влияние оказывает рельеф местности. На наветренных склонах возвышенностей, особенно значительно расчлененных, вследствие усиления турбулентности воздушных масс и некоторой задержки в движении последних, увеличивается количество осадков. На подветренных же склонах из-за опускания воздушных масс и уменьшения в них влагосодержания, осадки уменьшаются, достигая минимума в условиях пониженного рельефа (долин, котловин, низменностей) [23; 8; 32]. Формы рельефа оказывают влияние и на суточный ход температуры. Задерживая перенос масс холодного или теплого воздуха, горы создают более или менее резкие разделы в распределении температуры на больших географических пространствах [135].

Также на климатические условия влияют направление горных хребтов и преобладающих ветров, экспозиция склонов относительно стран света, ширина долин и крутизна склонов [135].

На сегодняшний день предоставляется большое количество растровых климатических моделей, которые имеются в бесплатном доступе посредством Интернет. В 2008 году на территорию России и сопредельных стран был представлен агроэкологический атлас [4] включающий около 150 климатических растровых изображений с пространственным разрешением 10х10 км.

Основой для создания карт атласа служили данные наблюдений сети метеостанций на территории бывшего СССР [119; 120]. При создании растровых изображений в основном использовали методику климатического моделирования с элементами интерполяции (кригинга) остатка [161]. Основные факторы, которые учитывались при составлении карт, это влияние морей и крупных водоемов (прибрежные и континентальные станции), абсолютная высота над уровнем моря и географическая локализация станции.

Несмотря на наличие и доступность глобальных климатических моделей они не подходят при исследовании локальных территорий. Зачастую представления о характере пространственного распределения климатических данных базируются на точечных данных метеорологических станций. В случаях, когда сеть метеорологических станций редка и неравномерна, обычные методы интерполяции (полиномы, сплайны, кригинг), используемые для получения пространственно распределенной информации, не всегда адекватны. Как показывает опыт [17; 93; 173] для оценки и анализа особенностей пространственной изменчивости климатических характеристик целесообразно использовать математические модели, в качестве аргументов в которых используются топографические и другие физикогеографические характеристики, обусловливающие процессы энергомасссообмена в нижних слоях атмосферы.

Для центральных районов Красноярского края Онучиным А. А. [96] был проведен анализ значений среднемесячных температур воздуха по данным сети метеостанций. Он показал, что изменение температуры воздуха обусловлено внутригодовой периодической динамикой солнечной радиации, широтой, долготой, абсолютной высотой местности и описывается следующей моделью:

где T – среднемесячная температура воздуха, С;

N – индекс, обозначающий месяц (январь – 1, февраль – 2 и т.д.);

S – широта местности, град. с.ш.;

D – долгота местности, град. в.д.;

H – абсолютная высота местности над уровнем моря, м;

R2 – коэффициент детерминации;

– стандартная ошибка, С;

F – критерий Фишера.

Как утверждает автор [96] в изменении среднемесячных температур воздуха центральных районов Красноярского края наиболее выражена радиационная составляющая, которая зависит от времени года и широты местности. Тенденция понижения температур с увеличением широты местности наиболее отчетливо проявляется в зимние месяцы, летом температурные различия сглаживаются. С продвижением с запада на восток и увеличением континентальности климата наблюдается повышение среднемесячных температур в июне-июле и их снижение в сентябре – марте.

При моделировании пространственного распределения осадков на территории Красноярского края и Прибайкалья исследователи доказали, что связь изменения количества атмосферных осадков с параметрами рельефа и местоположением участков имеет различный характер в зависимости от ландшафтных условий [93; 17; 92]. В процессе моделирования были выделены ландшафты, в каждом из которых наблюдалась своя специфика пространственной дифференциации атмосферных осадков, а в качестве факторов, определяющих их количество, выступали разные характеристики (абсолютная высота, положения по отношению к господствующим воздушным массам, географические широта и долгота местности и др.) Наличие подобного рода моделей и дополнительной информации на основе специальных маршрутных снегосъемок в сочетании с ГИС-технологиями и ЦМР позволяет получать детальные карты пространственного распределения климатических характеристик, необходимые, например, для оценки лесорастительных условий [113; 94].

моделирования организации растительного покрова Экспертные системы состоят из технических и программных средств обработки данных, базы знаний и интерфейсов для решения поставленных задач, где роль эксперта-специалиста сводится к символьной форме задания решающих правил. Основные особенности экспертных систем состоят в возможности воспроизведения имеющихся знаний об исследуемых объектах и явлениях с учетом опыта различных специалистов-интерпретаторов (экспертов) в заданной предметной области.

В качестве примера можно привести экспертную систему, разработанную Knorr [166], для пространственного моделирования растительного покрова. Основная задача, которая стояла перед исследователями – переклассифицировать классы категорий земель в классы растительности. За основу была взята полигональная векторная карта категорий земель Красноярского края и Иркутской области масштаба 1 : 1 000 000 [180].

Моделирование распределения растительности было реализовано с помощью комбинации ДДЗЗ и априорных знаний об изучаемом регионе. В работе использовались растровые слои пожаров; открытых водных поверхностей; растительности (MODIS VCF (Vegetation Continues Field) [160] и AVHRR VCF [153], ЦМР [182], почвенная карта [176], лесоустроительные данные. Используя вышеперечисленные слои в ГИС и наборы специальных решающих правил, был реализован автоматический метод для создания модифицированной картографической модели растительности.

Все исходные данные были преобразованы в растровый вид (пространственное разрешение 500 м), и далее каждый пиксель карты категорий земель последовательно был переклассифицирован в определенный тип растительного покрова, следуя разработанным правилам.

Изначально вся территория была разбита на семь экорегионов: тундра и лесная тундра, северная тайга, средняя тайга, южная тайга, горная средняя тайга, горная южная тайга, степи и лесные степи.

Для определения или уточнения типа насаждений внутри каждого экорегиона растровый слой категорий земель сравнивался с растровыми картами растительности (MODIS VCF и AVHRR VCF). Также было определено топографическое положение объектов, оценивались средняя высота и уклон, определенных по ЦМР. Для уточнения классов использовалась информация о распределении растительности в различных высотных поясах, взятая из литературных источников, а также растровое изображение типов почв [176]. Для определения долинной растительности была построена буферная зона шириной 5 км вдоль рек, основываясь на данных растрового слоя водных объектов.

Последний шаг в процессе переклассификации заключался в уточнении нарушенных территорий. Если на карте категорий земель были выделены «нелесные земли», которые совпадали с пожарами (растровый слой пожаров), то исследуемым классам присваивалось значение «береза», «сосна» или «лиственница» в зависимости от экорегиона, как производные древостои после пожаров.

Подобно описанным выше правилам были составлены все решающие правила для переклассификации карты категорий земель в картографическую модель растительности [166].

Разработка и использование экспертных систем могут быть особенно интересны при изучении недоступных и/или обширных территорий с недостаточной натурной информацией.

1.3 Обзор основных типологических классификаций лесов России Информация, сосредоточенная в материалах лесоустройства, на сегодняшний день недостаточна для решения современных экологических задач [139; 115; 138].

Инвентаризация лесного покрова при лесоустроительных работах традиционно проводится по принципу преобладающей или хозяйственно ценной породы, для производных насаждений не указываются их генетические связи. В результате очень сложно по имеющимся материалам однозначно оценить даже общие тенденции и закономерности хода естественного сукцессионного процесса (последовательной, необратимой и закономерной смены одного сообщества другим на определенном участке среды), в разных лесорастительных условиях [112]. Поэтому, для информационного обеспечения запросов экологии необходимо значительно расширить признаки, характеризующие все компоненты лесных экосистем. [122;

115; 69; 81].

Седых В. Н. [115] предлагает разработать новые принципы организации лесного хозяйства на территории Сибири, базирующиеся на региональной ландшафтно-типологической основе, где границы хозяйственных частей и лесных выделов адекватно соответствовали бы границам каких-либо ландшафтных единиц и коренных типов леса. Распределение сведений о лесах в этих границах позволит научно обоснованно рассчитать, в каком объеме и на каких территориях может быть изъята часть лесных ресурсов для хозяйственной деятельности человека, существенно не снижая экологической роли лесов в ландшафтах.

В настоящее время информация, содержащаяся в типе леса, не дает осуществить какой-либо прогноз развития лесов, и, что самое важное, он не может идентифицироваться на аэрокосмических материалах с целью дистанционного слежения за состоянием лесов.

Проблему дешифрирования типов леса на аэроснимках пытались решить многие исследователи [77; 114; 55 и др.], но какой-либо общепринятой методики их идентификации до сих пор не разработано. Это связано с тем, что в традиционно используемом понятии типа леса [123] содержится ограниченное число характеристик, имеющих отображение на аэрофотоснимках.

Тип леса понимается как участки леса, однородные по составу древесных пород, по другим ярусам растительности и фауне, по комплексу лесорастительных условий (климатических, почвенных, гидрологических), по взаимоотношениям между растениями и средой, по восстановительным процессам и по направлению смен в них, а, следовательно, требующие при одинаковых экологических условиях, однородных лесохозяйственных мероприятий [123].

В перечне признаков этого понятия типа леса содержится только один показатель – состав древесных пород, который может быть использован как индикационный признак, что не обеспечивает приемлемую достоверность в распознавании дешифрируемого объекта. При этом показатель состава пород может быть определен на аэроснимках только крупных масштабов. Это резко ограничивает возможность привлечения всего комплекса аэрокосмических снимков различных масштабов и достижения эффекта при применении дистанционных средств в диагностике типов леса. Поэтому для идентификации типологического разнообразия лесного покрова используются косвенные признаки, например, элементы рельефа местности, определяющие определенные лесорастительные условия.

Направление, связанное с систематизацией лесорастительных условий и восстановительной динамикой лесных сообществ получило развитие в рамках географо-генетического подхода [61; 109].

Основная единица географо-генетической классификации Колесникова Б. П.

и его последователей [68; 117; 103; 45; 11; 27; 107; 109] – тип леса – рассматривается как этап лесообразовательного процесса, время существования которого ограничивается жизнью одного поколения главной лесообразующей породы, развивающейся в пределах определенного типа лесорастительных условий, который выделяется с учетом геологического и геоморфологического строения территории. Тип леса по генетической классификации, понимаемый как ряд генетически связанных и последовательно сменяющихся насаждений, развивающихся в лесорастительных условиях определенного класса бонитета, выделяемых по признаку рельефа, с одной стороны, обеспечивает достижение основных целей мониторинга лесного покрова, и, с другой - позволяет решать их дистанционными средствами [115].

Еще Морозов Г. Ф. [85] в труде «Учение о типах насаждений» в прошлом столетии отмечал, что тип насаждений должен быть приурочен к типу рельефа и к определенным почвенно-геологическим условиям. Вопросам возможности использования при лесоустройстве ландшафтной основы для разделения территории на таксационные выделы и проведения лесохозяйственных мероприятий посвящены работы отечественных лесоводов и географов [30; 54;

56; 31; 121; 77; 115]. Ряд исследователей особо подчеркивают ведущую роль геолого-геоморфологических факторов [140; 145], или непосредственно рельефа с его мезо- и микроформами [127] в формировании типов леса и пространственной структуры лесного покрова.

На практике применяются различные классификации типов леса, основывающиеся на признаках насаждений и (или) лесорастительных условий. Чаще всего тип леса определяется по доминантам древесного и травяно-кустарничкового ярусов (например, сосняки бруснично-разнотравные, елово-пихтовые мелкотравно-зеленомошные).

Геологическое и геоморфологическое строение территории во многом определяет формирование комплекса лесорастительных условий и, как следствие, состав и структуру растительного покрова. Породный и типологический состав лесов является отражением природных и антропогенных факторов, действующих в различные периоды времени.

Для классификации и понимания места современной растительности в сукцессионном ряду развития необходимо учитывать лесорастительные условия, которые определяют потенциальную возможность формирования определенных типов растительных сообществ. В естественных условиях смена ассоциаций и почвенных разностей определяется в первую очередь степенью дренированности местообитаний, расчлененностью поверхности, крутизной и экспозицией склонов [109].

В качестве примера можно привести разработанную на основе описанных принципов сопряженную классификацию лесорастительных условий и лесной растительности Большемуртинского лесхоза Красноярского края [109]. В таблице 1.2 [109; 177] представлено соподчинение и относительное соответствие единиц классификаций растительности и лесорастительных условий.

Высшей таксономической единицей классификации лесорастительных условий являются геоморфологические комплексы лесорастительных условий (ГМК), соответствующие определенному высотно-климатическому ландшафтному поясу, в соответствии с таблицей 1.2. Единицы второго ранга указывают на приуроченность участков к определенным элементам мезорельефа, сходным по режимам увлажнения (группы типов лесорастительных условий). Единицы третьего ранга – типы лесорастительных условий – являются основной классификационной единицей и объединяют участки, сходные по топографическому местоположению (степени уклона поверхности и экспозиции) и почвенно-гидрологическим условиям, что предопределяет формирование сходных экологических режимов – климатического, гидротермического. Эти экологически относительно равнозначные местоположения и обуславливают специфику типа лесорастительных условий и формирование в их пределах определенных типов леса, представленных в каждом конкретном случае насаждениями разного возраста. Тип леса понимается как совокупность участков леса, имеющих однородные лесорастительные условия (то есть обладающие сходным лесорастительным эффектом - производительностью) и сравнительно одинаковый тип возрастной и восстановительной динамики главных лесообразующих пород.

растительности и лесорастительных условий Единицы генетической классификации Единицы классификации лесорастительных Тип насаждения (возрастная стадия) Тип условий местопроизрастания Тип леса (коротко-восстановительный Тип лесорастительных условий – участки, ряд растительности, этап естественного сходные по топографическому положению сукцессионного ряда) (степени уклона поверхности и экспозиции) и Группа типов леса (длительно- Группа типов лесорастительных условий – восстановительный или естественный участки на однородных элементах мезорельесукцессионный ряд развития), генетиче- фа (водоразделы, склоны, речные долины, деский ряд типов леса прессии и т.д.) Геоморфологический комплекс типов ле- Геоморфологический комплекс лесорастиса тельных условий – участки, однородные по Элементарные единицы растительного покрова, представляющие собой участки леса, относительно однородные по породному составу и возрасту (в пределах класса возраста: 10 лет для лиственных пород, 20 лет – для хвойных) определяются как тип насаждений и являются возрастными стадиями, из которых формируются восстановительные ряды растительности в пределах типа лесорастительных условий [109].

Для построения восстановительных рядов растительности используется метод пространственно-временных рядов или пространственно-временных аналогий [2; 3 и др.]. Суть его состоит в том, что в пределах однородных условий местопроизрастания насаждения разного возраста, одновременно существующие в пространстве в настоящее время, выстраиваются во временной ряд, который является аналогом возрастного ряда и позволяет проследить особенности восстановительной динамики насаждений на достаточно большом временном интервале. Таким образом, восстановительный ряд является по сути пространственно-временным рядом, позволяющим рассматривать современное состояние насаждения-аналога как будущее состояние изучаемого сообщества. Главным критерием при объединении типов насаждений в восстановительные ряды служит сходство условий местопроизрастания (тип лесорастительных условий) [109].

Сопряженная классификация лесорастительных условий и растительности дает объективную основу для оценки закономерности сукцессионной динамики лесов в пространственном аспекте, поскольку она фиксирует местоположение участка в пространстве и его лесорастительные условия [109].

Таким образом, использование принципов генетической классификации открывает большие возможности для пространственного моделирования восстановительной динамики лесного покрова с использованием ДДЗЗ и ЦМР на основе ГИС.

2 РАЙОН И МЕТОДЫ ИССЛЕДОВАНИЙ

Приенисейской Сибири В качестве района исследований была выбрана южная часть Приенисейской Сибири (рисунок 2.1) в связи с наличием лесоустроительных материалов, данных натурных обследований, космических снимков, тематических карт, а также достаточно большим разнообразием лесов и видов лесопользования. Наличие большого объема картографической информации обеспечило удобство работы с данной территорией при оценке пространственной структуры растительного покрова.

В состав района исследований, площадью 4 871 тыс. га, входят: Большемуртинское, Сухобузимское, Емельяновское и Дзержинское лесничества, часть Таежинского, Пировского, Казачинского, Усольского, Красноярского, Уярского, Канского лесничеств Красноярского края.

Рельеф района исследований По характеру рельефа район исследований долиной р. Енисей делится на две различные западную и восточную части. К западу от Енисея по левобережью простирается довольно однообразная полого-наклонная равнина, представляющая окраинные, несколько приподнятые юго-восточную и восточную части Западно-Сибирской низменности. В наиболее возвышенной части на юге и юго-востоке абсолютные отметки водоразделов достигают 450 м, к северу и северо-западу высоты снижаются до 200 м. Долинами речных систем левых притоков Енисея и правых притоков Оби (реки Кемчуг, Кемь и Кеть) поверхность равнины расчленена на мягкие увалы. Лишь на юге и вблизи долин крупных рек, где эрозионное расчленение интенсивнее, увалы очерчены более резко, поверхность местами всхолмленная.

Территория, расположенная к востоку от Енисея, относится к СреднеСибирскому плоскогорью. Здесь формы поверхности очень разнообразны и представлены несколькими типами. Непосредственно вдоль правого берега Енисея протягивается южная часть Енисейского кряжа, образованная рядом невысоких хребтов и массивов. Средние высоты кряжа составляют 400-450 м над уровнем моря.

На востоке кряж снижается к обширной равнине в бассейнах рек Кана и Усолки. Поверхность равнины характеризуется спокойным рельефом, развитым на рыхлых континентальных отложениях, и составляет резкий контраст с ландшафтами южной части Енисейского кряжа. Здесь наблюдаются самые низкие для Средне-Сибирского плоскогорья абсолютные отметки (300 м по окраинам впадины и менее 200 м в ее центре), наиболее слабое расчленение поверхности и мягкие очертания форм рельефа [13; 14].

Климатические особенности территории Территория южной части Приенисейской Сибири находится сравнительно недалеко от центральной части Азиатского материка, в большом удалении от морских и океанических акваторий. Это обстоятельство предопределяет климатические условия территории, характеризующиеся значительной степенью континентальности, возрастающей по мере движения на восток. В этом же направлении уменьшается и влагообеспеченность территории [23, 76].

Суммарная радиация на исследуемой территории достигает 35 ккал/см2 в год. Среднегодовая температура воздуха изменяется в пределах от минус 2,6 С до плюс 0,9С, средняя температура самого холодного месяца от минус 23,0 С до минус 17,0 С, самого теплого от плюс 16,1 С до плюс 19,9 С [119, 120].

Годовая сумма осадков по данным метеорологических станций достигает мм [119]. Около 65 % осадков выпадает в жидком виде. Продолжительность бесснежного периода достигает 190 дней [99].

Существенное влияние на распределение осадков оказывает рельеф местности. Наветренные склоны даже небольших возвышенностей получают осадков больше, чем долины, равнины и котловины [22]. С повышением местности над уровнем моря количество осадков увеличивается. На 100 м повышения местности годовые суммы осадков увеличиваются на 70-80 мм [63].

В районе исследований наименьшее количество осадков (до 410 мм) отмечается в Большебузимской (пос. Миндерла) и Канской котловинах (пос. Мокруша) [119].

Расположенная в меридиональном направлении южная часть Енисейского кряжа является значительным препятствием на пути господствующего переноса воздушных масс. По данным метеорологических станций на наветренных склонах кряжа выпадает до 540 мм осадков в год. На восточных склонах возвышенностей и на расположенной за ними Канско-Усольской равнине количество осадков уменьшается и составляет 406-490 мм [62; 76; 119].

Речная сеть территории хорошо развита и принадлежит двум бассейнам рек: Оби и Енисея. Относительно крупными водными артериями данной территории являются: Кемчуг, Кемь, Кеть, Кан, Усолка и собственно Енисей. Основным источником питания рек являются атмосферные осадки. Енисей относится к типу рек смешанного питания с преобладанием снегового.

В коренных темнохвойных лесах широко распространены почвы подзолистого ряда. Под сосновыми травяными лесами в пределах эрозионноденудационной Приенисейской равнины формируются серые лесные оподзоленные и дерново-подзолистые, часто со вторым гумусовым горизонтом, почвы [29; 28; 84].

На север и северо-запад от полосы травяных лесов в заболоченной тайге Западно-Сибирской низменности по наименее дренированным участкам водоразделов и долинам рек преобладают заболоченные торфяные почвы с многолетней мерзлотой. По хорошо дренированным склонам залегают светло-серые оподзоленные или дерново-подзолистые почвы [40].

В Красноярской лесостепи представлены серые лесные с подразделением на темно-серые, серые и светло-серые; черноземы выщелоченные и обыкновенные; дерново-подзолистые почвы [116].

Преобладающими почвами Канской котловины являются: в центральной, степной части территории типичные черноземы, в подзоне южной лесостепи выщелоченные черноземы и в подзоне северной лесостепи серые лесные почвы [15].

Растительность Левобережная (по отношению к Енисею) часть района исследований представлена южно-таежными и подтаежными лесами с участками лесостепной растительности и сельхозугодьями [5]. В правобережной части в пределах Енисейского кряжа выделяются два высотно-климатических комплекса типов леса – подтаежный и горно-таежный, восточнее расположена лесостепная зона, окруженная подтаежными лесами.

Типологический фон в подтаежном комплексе образуют сосняки осочковоразнотравные, вдоль водотоков в виде узких полос произрастают ельники разнотравно-зеленомошные и травяно-болотные. Южно-таежные равнинные леса представлены елово-пихтовыми насаждениями мелкотравно-зеленомошной, вейниковой и осочковой групп типов леса. Наличие здесь высокой доли лиственных пород показывает, что темнохвойные леса восстанавливаются через смену пород. Сосна восстанавливается преимущественно без смены пород.

В низкогорной части района неширокая приенисейская полоса отнесена к подтаежному высотно-поясному комплексу сосновых и березовых лесов. Темнохвойные леса горно-таежного высотно-поясного комплекса образованы чаще всего смешанными елово-пихтовыми и пихтово-еловыми насаждениями с примесью кедра. Преобладают мелкотравно-зеленомошные, черничнозеленомошные и крупнотравные типы леса. По набору видов и фитоценотической структуре они сходны с южно-таежными равнинными лесами.

Темнохвойные леса здесь сейчас интенсивно эксплуатируются, поэтому большие площади представлены вырубками разного возраста, где через стадию мелколиственных насаждений восстанавливаются коренные пихтовые и еловые древостои. За последние годы существенно уменьшилась доля хвойных пород и соответственно увеличилась доля лиственных. Уменьшение площади хвойных обусловлено комплексом причин, основными из которых являются рубки главного пользования (1960-1980гг), повреждения насаждений лесными пожарами и вредителями леса, длительные процессы естественного лесовозобновления на вырубках, гарях и шелкопрядниках (1950-1960гг.) [16].

Леса данной территории весьма разнообразны по составу и структуре сообществ, особенностям их восстановительной динамики. Они характеризуются сильной нарушенностью и антропогенной трансформацией. На больших площадях в разных лесорастительных условиях наблюдаются ряды возрастных стадий восстановления коренной растительности. Это выдвигает на передний план задачу их инвентаризации по принципам эколого-генетической классификации [109; 110].

изображений Согласно устоявшейся концепции использования ДДЗЗ комплексную обработку аэрокосмической информации признано выполнять в несколько этапов [189; 66; 48]. На первом этапе производится так называемая предварительная обработка, в процессе которой выполняются радиометрическая и геометрическая коррекции, преобразование изображений в заданные картографические проекции, комплексирование разноспектральных данных с целью улучшения их качества, каталогизация материалов съемки и др.

На втором этапе с использованием нормализованных изображений выполняется тематическая обработка [44]. Для этого привлекаются методы классификации и распознавания образов [175; 53; 124].

На третьем этапе обработки ДДЗЗ проводят экспертную оценку полученных данных. В общем случае оценка точности может быть качественной, т.е.

сравнительной, и количественной – с получением конкретных цифр, характеризующих параметры точности полученной модели.

2.2.1 Методы предварительной обработки спутниковых данных ДДЗЗ в исходном виде содержат значительные геометрические искажения по отношению к наблюдаемой сцене [44]. Основными причинами искажений являются кривизна поверхности Земли, влияние сложного рельефа местности, а также технические особенности формирования дистанционных изображений, связанные с полетными характеристиками космических станций или спутников: точность ориентации, скорости, высоты полета и т.д. [53].

Естественная цель предварительной обработки изображений – повышение их качества. В процессе предварительной обработки изображений из данных удаляются систематические радиометрические и геометрические ошибки. Для улучшения изображения его преобразуют в форму, наиболее удобную для визуального и машинного анализа [53; 129].

Как правило, значительная часть предварительной обработки производится в организациях, выполняющих съемку. В результате чего устраняется влияние искажений, связанных с техническими особенностями детектора, орбиты спутника и с различием в расстояниях от дистанционного детектора до земной поверхности [75; 124].

Несмотря на это, иногда требуется дополнительная коррекция изображений с целью устранения аппаратных и атмосферных помех. Для устранения влияния атмосферы необходимо знать такие параметры, как количество водяного пара, распределение аэрозолей и видимость сцены. Поскольку прямое измерение этих атмосферных свойств редко, разрабатываются методы их получения из спектральных значений данных (стандартная абсолютная и относительная коррекции, методы раздельного окна и двойного образа и др.). Но, при выполнении атмосферной коррекции также существуют и серьезные недостатки.

Например, при использовании стандартной абсолютной коррекции есть возможность появления переисправленных пикселей, для реализации стандартной относительной коррекции необходимо наличие на изображении плоских участков хода спектральной кривой и др. Обычно космические изображения суши, значительную часть которых занимает облачность, выбраковываются и нередко дальнейшая обработка оставшихся изображений ведется без атмосферной коррекции [129].

Повышение качества изображений следует проводить с точки зрения конкретной решаемой задачи, т.к. в результате предварительной обработки цифровых изображений исходные значения пикселей преобразуются в некоторые производные значения, которые могут не совсем правильно отображать реальные характеристики земной поверхности. Например, Сухих В. И. [124] рекомендует проводить классификацию по исходным снимкам, а трансформировать уже изображение, созданное в результате классификации, чтобы избежать преобразования истинных значений в производные в процессе передискретизации значений пикселей.

Создание композитного изображения и масок анализа Для визуального анализа спутниковых данных создают композитное изображение сцены, которое включает в себя данные нескольких спектральных каналов. Спектральные зоны многозональных космических снимков синтезируют – выбранные три зоны окрашивают в красный, зеленый и синий цвета (синтез RGB – Red, Green, Blue) и совмещают [47; 124].

Экспериментально установлено, что практически любой цвет, видимый человеком, но не всякий, может быть представлен как сумма трех линейно независимых так называемых основных цветов ( Ei ), взятых с весами m1, m2, m В соответствии с принятой системой RGB основными являются цвета, соответствующие монохроматическим излучениям с длиной волны: 1=0,7 мкм (красный – R), 2=0,5461 мкм (зеленый – G), 3=0,4358 мкм (голубой – B). Здесь множество значений функции f представляет собой трехмерное пространство интенсивностей (m1, m2, m3) основных цветов. Если m1= m2= m3, то в зависимости от m получаются различные оттенки серого цвета – от черного до белого.

Если m1 m2 m3, то изображение окрашено в различные цвета [66].

Еще в 1973 году при использовании снимков EPTC-1 (Earth Resources Technological Satellite) выяснили, что для изучения лесов наиболее эффективен диапазон 0,8-1,1 мкм. Так для синтезированных снимков TM и ETM+, получаемых со спутников Landsat 5, 7 часто применяется комбинация спектральных зон С5:С4:С3 (средний инфракрасный – ближний инфракрасный – красный) [47].

На этапе предварительной обработки на изображениях могут быть выделены маски анализа с целью исключения из последующей обработки областей, не представляющих интереса или отрицательно влияющих на результаты тематической обработки изображений. К таким областям относятся участки покрытия облачностью, тенями и территория за пределами района исследований. Обычно в таких случаях задают пороговые значения яркости, подобранные экспериментальным путем или выделяют участки изображения с низким значением вегетационного индекса (NDVI) [79; 142; 129].

Геометрическая трансформация спутниковых изображений Геометрическая коррекция исправляет ошибки, возникающие в относительном расположении пикселей. Эти ошибки возникают из-за: геометрии обзора сенсора, рельефа снимаемой местности.

Объекты на снимках бывает необходимо сопоставить с географической картой для определения географических координат объектов, тогда функции географической коррекции и географической привязки объединяют в геометрическую трансформацию [129; 53].

Геометрическая трансформация основана на установлении математической зависимости между положением пикселя на изображении и соответствующими координатами на местности (топографической карте). Найденная математическая зависимость может быть использована для геометрической коррекции изображения независимо от знаний о природе самих искажений.

Пусть система координат ( x, y) соответствует спутниковому изображению, а система (u, v) – карте. Требуется найти преобразование uk f ( xk, yk ), vk g ( xk, yk ), устанавливающее соответствия между положением k -го пикселя на изображении и географическими координатами. Так как вид функции f и g заранее известен, то применяется полиномиальная аппроксимация. Обычно используются полиномы первой, второй, третьей степени. Например, для полиномиального преобразования второй степени применяется следующая система уравнений:

Первые члены с коэффициентами a0,b 0 ответственны за сдвиг изображения по x и по y, члены с коэффициентами a1, a2, b1, b2 - за линейное изменение масштаба по x и по y, члены с a3 и b3 – за вращение изображения, члены с a4, a5, b4, b5 – за нелинейное изменение масштаба [53; 129].

Коэффициенты ai и bi определяются из решения системы уравнений (2.2).

На дистанционном растре выбираются входные точки привязки, а на топографической карте - выходные точки. Значения координат входных и выходных точек подставляют в систему уравнений. В качестве контрольных точек удобно использовать элементы гидросети: устья рек, крутые изгибы русла рек, пересечения дорог, объекты населенных пунктов и т.п.

Чем выше порядок аппроксимации полинома, тем точнее обработка изображения, но тем больше для этого требуется опорных точек, по которым будет проводиться аппроксимация. Для полиномов первой степени количество точек привязки не должно быть менее трех, для второго – не менее шести, для третьего - не менее 10. Например, для полинома второго порядка можно ограничиться шестью точками, но желательно, чтобы их было не меньше 12 с распределением по всему полю, это позволяет использовать метод наименьших квадратов и сделать оценку коэффициентов менее зависимой от ошибок в определении координат на изображении и на карте [141; 53; 129].

В большинстве случаев, вместо того, чтобы усложнять тип трансформации (например, переходить к более высоким порядкам полиномиальных преобразований) имеет смысл допустить некоторую среднеквадратичную ошибку (Root Mean Square Error – RMSE). RMSE – расстояние между желаемым положением выходной точки и результатом ее трансформации. Величина допустимой ошибки зависит от типа и точности данных, задачи и точности контрольных точек.

Поэтому, если привязываются данные Landsat, имеющие разрешение 30 м и задача осуществить привязку с точностью не меньше тех же 30 м, то RMSE не должна превышать один пиксель [66].

Для изображений равнинной поверхности и слабохолмистых участков чаще всего достаточно операции геореференцирования снимков. В случае, когда влияние рельефа на геометрию снимков более существенно и требуется высокая степень точности координирования, применяют операцию геометрической коррекции, называемую ортотрансформированием. Ортотрансформирование осуществляется с использованием принципов и подходов цифровой фотограмметрии. Основой для проведения ортотрансформирования является ЦМР изучаемой местности и информация о положении камеры или датчика в момент съемки (элементы внутреннего и внешнего ориентирования).

Алгоритмы, используемые для учета особенностей геометрии сенсора, определения элементов внутреннего ориентирования снимков по опорным точкам, решения задачи триангуляции и ортотрансформирования, позволяют достичь точности, оцениваемой долями пикселей [124; 129].

2.2.2 Методы классификации многозональных изображений Классификация изображений основывается на том, что любой исследуемый объект характеризуется совокупностью количественных признаков его изображений, составляющих образ или сигнатуру. Изображение разбивается на области, связанные с каждым классом так, чтобы любой пиксель изображения, описываемый некоторым вектором в пространстве признаков, мог быть однозначно отнесен к определенному классу объектов [63; 129].

Выбор метода классификации всегда определяется конкретной задачей компьютерной обработки снимка, особенностями объектов дешифрирования (значениями и характером распределения коэффициентов отражения в пространстве спектральных признаков), доступностью наземной информации.

Способы классификации можно разделить на группы по особенностям использования распределения яркостей и по характеру реализации процесса классификации [51; 129].

По особенностям использования распределения яркостей выделяются параметрические и непараметрические способы. Непараметрические способы – наиболее простые. В данных алгоритмах не учитывается характер распределения значений яркости (коэффициентов отражения) внутри одного класса. Для отделения объекта необходимо точно описать границу занимаемой им области в пространстве спектральных признаков. Такие алгоритмы классификации в основном применяются для выделения небольшого числа объектов, хорошо различимых по значениям яркости, таких как водоемы, открытые грунты, облака или для выделения общего контура леса [51].

При необходимости выделить классы со сложными границами в пространстве спектральных признаков, используют параметрические способы классификации. Они основаны на предположении, что значения спектральной яркости внутри однородного класса распределяются по определенному закону, обычно соответствующему закону нормального (Гауссова) распределения. Нормальное распределение является оптимальной моделью для большинства вероятностных процессов, наблюдаемых в природе и регистрируемых на снимках в виде значений спектральных яркостей природных объектов [35].

По характеру реализации процесса классификации выделяются классификации без обучения (неконтролируемая, в международной литературе unsupervised classification) и с обучением (контролируемая, supervised classification) [158; 53; 9; 129]. В методах неуправляемой классификации, основанных в основном на кластерном анализе, пиксели изображения разбиваются на классы без использования априорных знаний о существовании и наименовании этих классов [66; 175]. Количество классов обычно определяют по числу пиков на гистограмме яркостей [171]. При наличии априорных данных, определенных предварительно опытным путем, составляют обучающую выборку, на основе которой формируются статистические сигнатуры (набор статистических характеристик по выборке значений пикселей, попадающих внутрь границ обучающего участка на дистанционном изображении) в многомерном пространстве признаков. По полученным сигнатурам выполняется управляемая классификация изображений [53; 175; 129; 124].

Успешность и эффективность метода классификации с учителем в первую очередь определяется качеством и надежностью обучающей выборки, вовторых, разделимостью используемых интегральных показателей и, в-третьих, эффективностью алгоритмов классификации [18]. При достоверных знаниях о территории исследования, качество такой классификации может достигать 80-90 % [162].

Качество классификации без учителя в основном определяется разметкой сформированных классов, т.е. их привязки к классам земной поверхности. Достоинством этого метода является его простота и скорость вычисления. К недостаткам следует отнести его нечувствительность к объектам, мало отличным по спектральной яркости [171].

На практике находят применение такие известные методы, как метод ISODATA, метод прямоугольников, метод расстояний Махаланобиса, метод максимального правдоподобия, метод минимальных расстояний. Метод максимального правдоподобия показывает лучшие результаты, чем метод, базирующийся на использовании расстояния Махаланобиса, а последний в свою очередь лучше, чем метод, базирующийся на использовании минимального расстояния [105].

Рассмотрим методы управляемой и неуправляемой классификаций наиболее часто используемые при работе со спектрозональными изображениями.

Неуправляемая классификация (метод ISODATA) Алгоритм кластеризации ISODATA (Iterative Self-Organising Data Analysis Technique - итерационная самоорганизующаяся методика анализа данных) предназначен для разделения заданного множества образов на подмножества (кластеры), основанного на близости точек по геометрическому расстоянию.

Сущность его заключается в том, что процесс классификации начинается с задания некоторых начальных условий (количества образуемых кластеров, порога завершения процесса классификации и т.д.). Итеративные методы требуют от пользователя опыта при выборе типа классификационных процедур и задания начальных условий разбиения. Например, выбранное случайным образом число кластеров может не только сильно увеличить трудоемкость, но и привести к образованию «размытых» или мало наполняемых кластеров. Поэтому целесообразно сначала провести классификацию на основании экспертных оценок, а затем уже подбирать начальное разбиение и статистический критерий итерационного алгоритма [143].

Основной параметр, задаваемый перед вычислениями, – число кластеров п, которое необходимо получить. Перед первой итерацией рассчитывают статистические параметры распределения яркости всего снимка в каждой спектральной зоне: минимальное, максимальное и среднее значения, стандартное отклонение. Далее все пространство спектральных признаков делят на n равных диапазонов и назначают средние значения кластеров в центре каждой из образованных областей. Затем проводят первую итерацию кластеризации: для значений яркости всех пикселей рассчитывают спектральные расстояния d ij до средних значении и каждый пиксель относят в определенный кластер по принципу минимального расстояния. После первой итерации рассчитывают реальные средние значения спектральных признаков по полученным кластерам. На второй итерации повторяют кластеризацию с новыми средними значениями и уточняют границы кластеров. По уточненным кластерам рассчитывают новые средние значения, проводят следующую итерацию и т.п. Итерации повторяют до тех пор, пока границы кластеров не стабилизируются, т.е. пиксели не перестанут переходить из кластера в кластер. Обычно задают так называемый порог сходимости, равный от 95 % до 99 % всех пикселей [130; 66]. При определенном распределении значений яркости на снимке такой стабилизации не происходит, поэтому одновременно используют второй ограничивающий параметр – максимальное число итераций [58].

Управляемая классификация - метод максимального правдоподобия В основе метода максимального правдоподобия лежит принцип байесовского распознавания образов [37].

Если обозначить классы, которые необходимо выделить на изображении как i, i = 1,... M, где M – общее количество классов, тогда интересующая нас принадлежность некоторого пикселя x к классу i характеризуется условной вероятностью p(i x), i = 1,... M.

Вектор x – это вектор-столбец значений признаков пикселя. Он характеризует пиксель, как точку в многомерном пространстве признаков. В соответствии с теоремой Байеса [37] для искомых вероятностей p(i x) и рассчитанных по обучающим выборкам вероятностей p( x i ), где p(i) – вероятность того, что класс i присутствует на изображении (априорная вероятность);

p(x) – вероятность нахождения пикселя любого класса в позиции x.

В противоположность априорной вероятности, условная вероятность p(i|x) называется – апостериорной. Классификация пикселей выполнятся по следующему правилу:

где gi x ln p( x i ) pi ln p( x i ) ln p(i ) – дискриминантные функции.

Обычно в задачах классификации изображений предполагается, что функции распределения вероятностей, связанные с обучающими выборками компонентов, представляют собой N-мерные нормальные функции плотности, тогда дискриминантные функции записываются как где mi и i - вектор средних значений и матрица ковариаций для класса i.

Разделяющие поверхности классов в пространстве признаков между классами i и j, определяются на основании равенства g i ( x) g j ( x). Так как конструкция ( x mi )t i1 ( x mi ) в формуле (2.5) является квадратичной функцией от x, разделяющие поверхности классов в методе максимального правдоподобия представляют собой параболы, окружности и эллипсы.

Пиксели, для которых значения апостериорной вероятности малы, обычно исключаются из обработки, чтобы снизить ошибку классификации для точек, расположенных в областях перекрытия облаков классов. Для этого вводится порог доверия Ti, для дискриминантных функций, используемых в решающем правиле (2.4): g i ( x) Ti. Если подставить в это неравенство значение g i (x) из выражения (2.5) и выполнить преобразования, то получим где левая часть имеет 2 распределение с N степенями свободы (N – размерность x).

Например, в [66] при обработке изображений со спутника Landsat TM использовался 99 %-й уровень доверия, т.е. из классификации исключались 1 % пикселей. Значение 2 в этом случае должно быть менее 9,488.

Распознавание методом максимального правдоподобия учитывает достаточно большой объем статистических данных и при удачном выборе обучающих выборок и пороге доверия позволяет успешно решать сложные задачи [66;

129; 53; 124]. Однако у него есть ряд ограничений и недостатков. Строго говоря, применение этого метода, как большинства других параметрических методов статистического распознавания образов, обосновано лишь в тех случаях, когда вид основных плотностей распределения известен. Очень редко распространенные параметрические формы соответствуют плотностям распределения, встречающиеся на практике [175; 66]. В частности, все стандартные параметрические плотности распределения одномодальные (имеют один локальный максимум). Из вышесказанного можно сделать вывод, что метод максимального правдоподобия накладывает жесткие требования на качество обучающих данных [66].

Важным также является и то, что количество элементов в обучающей выборке для каждого класса должно быть достаточным, чтобы дать надежную оценку для элементов вектора средних значений, матрицы ковариаций. Для Nмерного пространства признаков, обучающая выборка должна содержать как минимум N+1 элемент, чтобы матрица ковариаций была не вырожденной [66].

В [183] рекомендуемый минимальный размер выборки принимается равным 10N, а желательный – 100N, где N – количество информационных признаков.

2.2.3 Формирование эталонных выборок Стадия формирования эталонных выборок для дальнейшей классификации с учителем является одним из наиболее важных этапов обработки дистанционных изображений. От качества выбора эталонов существенным образом зависят результаты последующей классификации изображений.

Корец М. А. [66; 63] предложил метод автоматизированного формирования эталонных выборок на основании совместного анализа векторной карты лесоустроительных выделов и спутниковых изображений.

Для снижения влияния ошибки совмещения растра с векторными картами выделов из рассмотрения исключаются граничные пиксели выделов, путем проведения буферной зоны шириной в 1-2 пикселя. По тем же соображениям из исходной выборки исключаются выделы с площадью меньшей заданного порогового значения и выделы вытянутой формы. Критерием служит отношение квадратного корня площади выдела к его периметру.

Далее для каждого i-го лесоустроительного выдела рассчитывается ряд статистических характеристик по выборке из ci пикселей, попадающих внутрь границ выдела. При использовании многозональных изображений статистические характеристики выдела рассчитываются отдельно для каждого j-го изображения-признака из вектора признаков размерностью N. При этом в атрибутивной таблице выделов формируются дополнительные поля, содержащие следующую информацию:

ci – количество пикселей, внутри выдела i;

B min i, j – минимальное значение признака j в выделе i;

B max i, j – максимальное значение признака j в выделе i;

Di, j B max i, l B min i, j – диапазон значений j-го признака в выделе i;

mi, j – среднее значение j-го признака в выделе i;

i, j – стандартное отклонение для j-го признака в выделе i.

Корец М. А. [63; 66] ввел понятие сигнатуры выдела, представляющее собой набор статистических характеристик, рассчитанных по множеству многомерных пикселей внутри границ выдела. Вектор значений mi,1, mi,2,...,mi, n называется вектором координат выдела i в N-мерном пространстве признаков, а значение mi, j – координаты выдела i по признаку j.

Сформированная таблица сигнатур выделов затем связывается с таблицей лесотаксационных описаний выделов. Дальнейший сопряженный анализ лесоустроительных и дистанционных данных ведется с использованием этих атрибутивных таблиц.

Лесоустроительный выдел принято считать как однородный участок по комплексу лесотаксационных признаков [49], следовательно, участки мультиспектральных спутниковых изображений внутри выделов также должны быть более или менее однородными по своим спектральным и пространственным характеристикам. Однако на практике при анализе дистанционных изображений лесных территорий условие пространственной однородности выделов не всегда выполняется.

Поэтому для оценки пространственной структуры выделов, возможно, использовать рассчитанные сигнатуры выделов. О степени пространственной однородности выдела i, измеряемой в значениях признака j, можно судить по величине стандартного отклонения ( i, j ). Если значение i, j небольшое, то выдел i однороден по признаку j, и, наоборот, при большом i, j можно предположить, что рассматриваемый выдел неоднороден.

Таким образом, производится ранжирование выделов по значению меры неоднородности ( i, j ) для каждого признака. Далее ранжированные по значениям i, j выделы разделяются на три интервала (класса): однородные, со средней однородностью и неоднородные. Такое деление на классы выполняется по методу естественных границ, когда границы классов выбираются, используя статистическую формулу Дженка [128], в основе которой лежит минимизация суммы отклонений значений внутри каждого класса.

Для формирования эталонной выборки необходимо отобрать выделы, наиболее однородные по своей пространственной структуре, чтобы соответствие между статистическими признаками выдела и дискретными характеристиками (из лесотаксационной базы данных) было по возможности детерминированным.

Учитывая, что классификация выделов по однородности производится отдельно по каждому дистанционному признаку, то необходимо отобрать только те выделы, которые удовлетворяют условиям однородности одновременно для всех признаков. Этот выбор формализуется, как выполнение операции пересечения (выполнение логического «И») для множества однородных выделов по всем признакам.

Далее для формирования информационных классов на основе данных из базы лесотаксационных характеристик множество пространственнооднородных выделов разбивается по качественным категориям (например, по преобладающей породе древостоя). Затем эталонные выделы группируются по принадлежности к информационным классам.

Множество сформированных по лесотаксационной базе информационных классов обозначим k, (k=1, …, M), где M – общее количество классов, которое необходимо выделить на спутниковом изображении. Для каждого информационного класса k рассчитывается количество составляющих их лесоустроительных выделов ( k ), пикселей изображения ( Ck ) и суммарные площади классов ( S k ). В результате формируется таблица информационных классов, в которой помимо значений k, Ck и S k содержатся также средние значения M k и стандартные отклонения D k, вычисленные по векторам спектральных коордиj нат выделов ( mik,1, mik,2,...,mN ), составляющим класс (k). Величина стандартного отклонения D k значений m ij характеризует разброс выделов по признаку j в информационном классе k (i=1,…, N k, где N – количество выделов в классе k).

Более того, рассчитав значения d ik j M i, k mik, j, являющиеся отклонениями координат выдела от центра класса k по каждому признаку j, из эталонных выборок автоматически исключаются выделы, для которых модуль отклонения признака значительно больше стандартного отклонения по информационному классу. Это также повышает качество обучающих выборок для последующей классификации изображения статистическими методами [63; 66].

2.2.4 Анализ разделимости информационных классов Имеется целый ряд процедур по оценке качества выбранных эталонов для обучения и тестирования работы классификаторов. Методы оценки применяются до начала процесса классификации, во время или после определенного этапа классификационных работ [105].

Различные современные программные системы по обработке ДДЗЗ предлагают развитые графические интерфейсы для сравнения сигнатур. Расположение облаков эталонов в пространстве признаков позволяет оценить наличие пересекающихся сигнатур, в которых есть одинаковые по значению пиксели.

Построение гистограмм позволяет увидеть характер распределения значений коэффициентов отражения внутри эталонов. В случае соблюдения условия однородности эталонов, характер распределения коэффициентов отражения внутри должен соответствовать нормальному гауссову распределению (гистограмма имеет один пик). Наличие нескольких пиков (многомодальная гистограмма) означает, что эталон не однороден и может включать не один, а несколько спектральных классов, пусть даже и одинаковых по своей природе. В таких случаях, класс лучше разбить на несколько отдельных классов по количеству пиков гистограммы [51].

Для количественной оценки разделимости сигнатур применяют метод расчета статистической разницы между двумя сигнатурами, величина разницы показывает насколько одна сигнатура отдалена от другой. Этот метод может также использоваться для определения наиболее информативных для классификации каналов многозональных изображений [155].

При расчете расстояния между сигнатурами используют дивергенцию или же трансформированную дивергенцию, критерий Джеффриса-Матусита [175;

48; 124] и др.