Микроволновая и спектрорадиометрическая съемки в исследованиях лесных территорий Им Сергей Тхекдеевич

Содержание к диссертации

Введение

1 Дистанционное зондирование лесных территорий 15

1.1 Исторический экскурс 15

1.2 Космические аппараты ДЗ 22

1.2.1 Серия космических аппаратов "Ресурс Ф1" 22

1.2.2 LANDSAT-7 23

1.2.3 ERS-1,2 25

1.2.4 RADARSAT-1 27

1.3 Теоретические основы применения РЛСА 30

1.4 Исследования в области микроволнового дистанционного зондирования 39

1.4.1 Моделирование 39

1.4.2 Картирование и мониторинг лесов 40

1.4.3 Картирование биомассы и объема стволов 42

1.4.4 Применение в сельском хозяйстве 43

1.4.5 Использование в гидрологии 44

1.5 Методы обработки данных ДЗ 45

1.5.1 Предварительная обработка 46

1.5.2 Классификация 49

1.5.3 Специализированная тематическая обработка 55

1.5.4 Интеграция с ГИС 56

1.5.5 Программное обеспечение для обработки данных ДЗ 56

2 Объекты исследования 62

2.1 Лесные территории западной части Енисейского трансекта 62

2.2 Лесные территории Средней Сибири 64

2.3 Ключевые участки 68

2.3.1 Ключевые участки вдоль левобережья Енисея 68

2.3.2 Ключевой участок - Юрубчено-Тохомское нефтегазовое месторождение 70

2.3.3 Ключевой участок - шелкопрядники Нижнего Приангарья 72

2.3.4 Ключевой участок - экотон лесотундры «Ары-Mac» 73

3 Материалы и методика исследования 75

3.1 Анализ применимости съемки RADARS AT для мелкомасштабного картирования лесных территорий Енисейского меридиана 75

3.1.1 Предобработка 76

3.1.2 Создание и анализ сигнатур классов 77

3.1.3 Генерация классификационных картосхем 82

3.2 Анализ применимости микроволновой и спектрорадиометрической съемок в оценке состояния лесных территорий в зоне антропогенного воздействия (на примере разведки и добычи нефти в Эвенкии) 83

3.2.1 Предобработка 85

3.2.2 Обработка сцены LANDSAT 86

3.2.3 Анализ антропогенной нагрузки 86

3.2.4 Обработка сцены ERS 87

3.2.5 Сравнительный анализ данных ERS и LANDSAT 88

3.3 Анализ применимости спектрорадиометрической и микроволновой съемок в оценке пространственно-временной динамики древостоев в зоне массового размножения сибирского шелкопряда (на примере ключевого участка Нижнего Приангарья) 88

3.3.1 Анализ данных LANDSAT 90

3.3.2 Анализ пространственно-временной динамики древостоев в зоне массового размножения сибирского шелкопряда на ключевом участке Нижнего Приангарья по данным съемки в оптическом диапазоне 93

3.3.3 Анализ снимка RADARSAT и сравнение с данными LANDSAT... 94

3.3.4 Сравнительный анализ данных LANDSAT и RADARSAT 96

3.4 Методика анализа применимости спектрорадиометрической и микроволновой съемок в оценке пространственно-временной динамика экотона лесотундры (на примере ключевого участка «Ары-Mac») 97

3.4.1 Предварительный анализ и обработка 98

3.4.2 Создание классификационных картосхем 102

3.4.3 Оценка точности классификационных картосхем 104

3.4.4 Оценка пространственно-временной динамики лиственничников 105

3.4.5 Взаимосвязь климатических трендов и радиального прироста107

3.4.6 Сравнительный анализ данных RADARSAT и LANDSAT 107

4 Результаты применения микроволновой и спектрорадиометрической съемок в анализе лесных территорий ... 109

4.1 Мелкомасштабная съемка RADARSAT в картировании лесных территорий Енисейского меридиана 109

4.2 Спектрорадиометрическая и микроволновая съемки в оценке состояния лесных территорий в зоне антропогенного воздействия (на примере разведки и добычи нефти в Эвенкии) 111

4.3 Спектрорадиометрическая и микроволновая съемки в оценке пространственно-временной динамики древостоев в зоне массового размножения сибирского шелкопряда (на примере ключевого участка «Нижнее Приангарье») 114

4.3.1 Пространственно-временная динамика лесных территорий ключевого участка шелкопрядников Нижнего Приангарья по данным LANDSAT 114

4.3.2 Применение данных RADARSAT в анализе пространственно-временной динамики лесных территорий ключевого участка шелкопрядников Нижнего Приангарья 117

4.4 Спектрорадиометрическая и микроволновая съемки в анализе пространственно-временной динамика экотона лесотундры (на примере ключевого участка «Ары-Mac») 121

Заключение 127

Общие результаты и выводы 127

Список публикаций по теме диссертации... 129

Список использованных источников 131

Приложение

• Исследования в области микроволнового дистанционного зондирования
• Ключевой участок - Юрубчено-Тохомское нефтегазовое месторождение
• Анализ применимости микроволновой и спектрорадиометрической съемок в оценке состояния лесных территорий в зоне антропогенного воздействия (на примере разведки и добычи нефти в Эвенкии)
• Спектрорадиометрическая и микроволновая съемки в оценке состояния лесных территорий в зоне антропогенного воздействия (на примере разведки и добычи нефти в Эвенкии)

Введение к работе

Актуальность. В России располагается 22% мирового запаса леса, из них 78% в Сибири и на Дальнем Востоке [Всемирный банк, 1997]. Анализ динамики лесных территорий, их тематическое картирование и мониторинг требуют использования материалов дистанционного зондирования (ДЗ), полученных как в оптической, так и в микроволновой частях спектра [Барталев и др., 1999; Сухих и др. 1999; Федотова, 2001; Шмуллиус и др., 2003; Williams et al., 1986; Floyd et al., 1998; Ranson et al., 2000; Henderson, 2001]. Одной из наиболее современных систем зондирования в оптическом диапазоне является серия спектрорадиометров LANDSAT, открывшая новые возможности картирования и мониторинга лесных территорий, обнаружения зон природных и антропогенных воздействий на лесной покров. Пространственное и радиометрическое разрешение современных спектрорадиометриче-ских систем (LANDSAT-TM/ETM+) позволяют проводить среднемасштабное картирование лесных территорий [Hoffer et al., 1979; Williams et al., 1986].

Микроволновая съемка перспективна для решения задач лесной гидрологии (оценка снежного покрова и влажности), а также определении биомассы и сомкнутости древостоев. В отличие от съемки в оптическом диапазоне, активная радиолокационная съемка обладает такими преимуществами, как проникновение сквозь облачность, независимость от солнечного излучения, всепогодность, чувствительность к влажности зондируемого объекта, способность проникать в растительный покров и почву [Максимов и др., 2002; Edwin, 1991; Dobson et al., 1992; Wang et al., 1999; Ranson et al. 1999, 2000; Darie et al., 2001; Henderson et al., 2001; Moran et al., 2002]. Основной недостаток состоит в том, что рельеф оказывает существенное влияние на величины обратного рассеяния и приводит к ряду искажений (эффект наложения,

эффект укорачивания и др.). Радиолокационная съемка чувствительна к диэлектрическим, структурным и текстурным свойствам исследуемого объекта.

Совместный анализ данных микроволнового и оптического диапазонов спектра позволит выявить их преимущества и недостатки в задачах исследования лесных территорий.

Цель работы: анализ применимости микроволновой и спектрорадио-
метрической съемок для обнаружения зон природных и антропогенных воз
действий на лесной покров и картирования лесных территорий Енисейского
меридиана.

Задачи исследования:

1. Анализ применимости мелкомасштабной микроволновой съемки (RADARSAT) для картирования лесных территорий Енисейского меридиана.

2. Анализ применимости микроволновой (RADARSAT, ERS) и спек-трорадиометрической (LANDSAT) съемок для обнаружения и картирования зон антропогенных и природных воздействий на лесные территории (на примерах: 1) влияния разведки и добычи нефти, 2) повреждения лесов сибирским шелкопрядом и 3) воздействия климатических трендов на древес-

_т ные насаждения на крайнем пределе их произрастания).

Объекты исследования.

Возможности микроволновой и спектрорадиометрических съемок анализировались применительно к лесным территориям Енисейского меридиана.

Вдоль Енисейского меридиана расположены основные эколого-зональные комплексы, характерные для бореальных лесов. Леса Енисейского меридиана подвергаются природным и антропогенным воздействиям [Зуй, 1991; Сердюк и др., 1998; Савельева, 2000; Гродницкий и др., 2001А; Vaganov et al., 1999; Kharuk et al., 2003].

Согласно зональному делению территории [Атлас Красноярского края,
1994] подобраны четыре ключевых участка вдоль левобережья Енисея, рас
положенные в зонах тундры, лесотундры и подзонах северной, средней и
южной тайги. Природные воздействия на лесные территории анализирова-
лись на ключевых участках «Ары-Mac» (воздействие климатических трендов
на самый северный лесной массив), «Нижнее Приангарье» (зона массового
размножения сибирского шелкопряда), антропогенные воздействия - на уча
стке «Тохомо» (Юрубчено-Тохомовское нефтегазовое месторождение).
Научная новизна.

3. Предложена методика картирования гидроморфных образований Енисейского меридиана, в том числе: 1) совместное применение ЦМР и мелкомасштабной микроволновой съемки RADARS AT (Л,=5,6 см, ГТ-поляризация); 2) методика ранжировки параметров по информативности на основе расстояния Джеффриса-Матусита.

4. Определен набор информативных признаков для решения задач картирования гидроморфных образований. В порядке убывания диагностической значимости признаки ранжируются следующим образом: (1) высота

_ф над уровнем моря, (2) амплитуда микроволнового сигнала, (3) асимметрия,

(4) дисперсия, (5) среднее Евклидово расстояние и (6) эксцесс в пространстве яркостей пикселей.

3. Предложена методика применения временных рядов съемок, полученных спектрорадиометрами серии LANDSAT (MSS, ТМ, ЕТМ+), для ана-лиза природных воздействий на лесные территории, в том числе: 1) методика оценки скорости пространственной-временной динамики древостоев; 2) методика генерации ЦМР из топографической основы.

4. Ранжированы по информативности спектральные диапазоны оптической части спектра для целей обнаружения и картирования зон природных

и антропогенных воздействий на лесные территории (наиболее информативны средний (1,55-1,75 мкм) и ближний ИК (0,76-0,90 мкм) диапазоны).

5. На основе анализа временных рядов космоснимков установлен феномен возрастания величины сомкнутости и продвижение лиственницы в зону тундры под влиянием климатических трендов, оценена скорость этого процесса.

На защиту выносятся:

1. Методика картирования гидроморфных образований Енисейского меридиана на основе мелкомасштабной микроволновой съемки RADARSAT (к=5,6 см, ГГ-поляризация) и ЦМР.

2. Ранжировка классификационных параметров по информативности для целей картирования гидроморфных образований по материалам съемки RADARSAT (в порядке убывания): (1) высота над уровнем моря, (2) амплитуда микроволнового сигнала, (3) асимметрия, (4) дисперсия, (5) среднее Евклидово расстояние и (6) эксцесс в пространстве яркостей пикселей.

3. Методика применения временных рядов съемок, полученных спектрорадиометрами серии LANDSAT (MSS, ТМ, ЕТМ+) для решения задач анализа природных воздействий на лесные территории.

4. Ранжировка по информативности спектральных диапазонов оптической части спектра для целей обнаружения и картирования зон природных и антропогенных воздействий на лесные территории (наиболее информативны средний (1,55-1,75 мкм) и ближний ИК (0,76-0,90 мкм) диапазоны).

Феномен возрастания величины сомкнутости лиственничников и продвижение лиственницы в зону тундры под влиянием климатических трендов.

Методы исследования. В работе использованы методы анализа данных дистанционного зондирования, реализованные в программном обеспечении ERDAS IMAGINE. При анализе климатических данных использовались методы математической статистики (MICROSOFT EXCEL, STATSOFT

STATISTICA). Для решения поставленных задач, помимо спектральных каналов спектрорадиометров LANDSAT и амплитудных значений RADARSAT-SAR и ERS-SAR, анализировались четыре текстурных признака (среднее Евклидово расстояние, дисперсия, асимметрия, эксцесс) и цифровая модель рельефа (далее - ЦМР).

Практическая значимость. Предложена методика, позволяющая проводить мелкомасштабное картирование гидроморфных образований Енисейского меридиана с помощью съемки RADARSAT и цифровой карты рельефа местности. На основе разработанной методики получены классификационные картосхемы четырех тестовых участков вдоль левобережья Енисея.

Методические приемы, использованные в анализе пространственно-временной динамики природных и антропогенных воздействий на лесные территории, могут быть реализованы в автоматизированных системах с целью ускорения проводимого анализа.

Результаты исследований природных и антропогенных воздействий на ключевых участках («Ары-Mac» - лесотундры, «Нижнего Приангарье» — шелкопрядники и «Тохомо» - нефтегазовое месторождение) используются для оценки состояния и пространственно-временной динамики лесных территорий в контексте глобальных климатических изменений.

Объем и структура диссертации. Диссертация состоит из введения, четырех глав, заключения, списка использованных источников и приложения. Материал диссертации изложен на 145 страницах. Использовано 112 источников, из них 73 на иностранном языке. Приложение на 84 страницах включает 82 таблицы, 31 рисунок и дополнительный материал. В первой главе рассмотрено дистанционное зондирование как инструмент исследования лесного покрова. Во второй приведены географические, лесоводственные и др. характеристики объектов исследования. В третьей главе даны материалы и методики, использованные для решения поставленных задач. В четвертой

главе обсуждаются результаты анализа применения съемки RADARS AT в мелкомасштабном картировании лесных территорий Енисейского меридиана. Анализировались зоны тундры, лесотундры, тайги (подзоны северной, средней и южной тайги). Приведены результаты анализа применения микроволновой и спектрорадиометрической съемок в решении задач: 1) оценки состояния лесных территорий в зоне антропогенного воздействия (на примере разведки и добычи нефти в Эвенкии), 2) анализа пространственно-временной динамики древостоев в зоне массового размножения сибирского шелкопряда

# (на примере ключевого участка Нижнего Приангарья) и 3) анализа простран
ственно-временной динамики экотона лесотундры (на примере ключевого
участка «Ары-Mac»). В заключении подведены итоги, приведены общие ре
зультаты, выводы и список публикаций по теме диссертации.

Публикации и апробация результатов. По теме диссертации опубли-ковано 10 печатных работ (из них 4 в российских реферируемых журналах и одна в международном), две работа приняты в печать. Основные результаты диссертации докладывались на конференции «Аэрокосмические методы и геоинформационные технологии в лесоведении и лесном хозяйстве», посвя-

_# щенной памяти Г. Г. Самойловича» (Москва, 2002 г.), на конференции «Ис
следование компонентов лесных экосистем Сибири» (Красноярск, 2003 г.),
на международной конференции «IGARSS'03» (Тулуз, Франция, 2003 г.), на
международной конференции «ENVIROMIS-2004» (Томск, 2004 г), на все
российской конференции «Структурно-функциональная организация и ди-

# намика лесов» (Красноярск, 2004).

Личный вклад автора. Предложена методика картирования лесобо-лотных комплексов Енисейского меридиана на основе микроволновой съемки RADARSAT и ЦМР. Оценена информативность использованных текстурных признаков, элементов рельефа, и амплитудных значений данных RADARSAT и ERS. Автор самостоятельно проводил обработку данных ДЗ

при проведении анализа пространственно-временной динамики шелкопряд-ников Нижнего Приангарья, экотона лесотундры Ары-Mac, и оценке антропогенной нагрузки, вызванной разработкой Юрубчено-Тохомского нефтегазового месторождения.

Благодарности.

Научному руководителю д.б.н., профессору В. И. Харуку за непосредственное руководство и участие в исследовании.

С. М. Горожанкиной, за предоставление данных наземных обследований, экспертные знания и помощь в обработке и анализе материалов микроволновой съемки RADARSAT.

Д.б.н., с.н.с. Е. В. Федотовой, за сотрудничество в обработке и анализе материалов спектрорадиометрической съемки LANDSAT.

Организации ASF - за консультации и предоставленные материалы радиолокационной съемки RADARSAT.

1 Дистанционное зондирование лесных территорий 1.1 Исторический экскурс

Фотография была изобретена в 1839 году известным французским ученым Франсуа Араго. Дальнейшее развитие человеческой мысли в области физики и химии привело к открытию технологии изготовления цветных фотографий.

Первый ИСЗ был запущен 4 октября 1957 г. Впервые космоснимки были получены 18 августа 1960 г. с локхидовского (Lockheed) спутника-разведчика КН-1 (США). Первый советский автоматический фоторазведчик "Зенит-2" (или "Космос-4") стартовал с Байконура 26.04.1962. Цифровые ДДЗ вышли на сцену в 1972 г. с запуском первого спутника серии LANDSAT. Первые цифровые спутниковые РСА были установлены на спутниках «АЛМАЗ-1» (31.03.1991) и ERS-1 (17.07.1991).

Данные дистанционного зондирования (ДДЗ) использовались в основном в рамках географических информационных систем (ГИС). История развития методов ДЗ и ГИС очень интересна и началась более чем 100 лет назад. Ранние ГИС, еще до появления компьютеров, использовали нарисованные от руки и накладываемые друг на друга слои (кальки) из прозрачного материала, которые содержали информацию о почвах, рельефе и растительности. Разглядывая их на просвет, ландшафтные архитекторы и градостроители могли принимать обоснованные решения о наилучших местах для размещения новых сооружений, учитывая практические потребности и параметры окружающей среды.

В 1972 г. был запущен спутник LANDSAT-1. Установленный на нем прибор позволил регулярно получать информацию о подстилающей поверх-

ности в видимом и ближнем ИК диапазонах спектра. Эти данные использовались для картирования различных типов земной поверхности, включая леса [Hoffer et al., 1979; Williams et al., 1986].

Используя полученные в наземных исследованиях зависимости между NDVI и характеристиками растительности, по значениям NDVI осуществлялось слежение за состоянием и динамикой растительного покрова. Так, наземная информация об уменьшении площади лесов в процессе обезлесения (усыхания) в горной части штата Вермонт, США, подтвердилась соответствующим изменением NDVI [Vogelmann, 1988]. В исследованиях тропических лесов также подтверждена информативность красного и БИК каналов датчиков LANDSAT MSS [Sader et al., 1990]. Данные MSS слишком генерализованы для непосредственной инвентаризации лесов, но с их помощью был определен ряд важных параметров, таких, как степень дефолиации. В то же время для тропических лесов взаимосвязь NDVI с биомассой и структурой насаждений оказалась недостоверной. В исследованиях тундры по данным LANDSAT MSS удалось выделить гораздо больше типов поверхности, различающихся значениями NDVI: голые почвы, различные виды тундр, кустарники, воду, ледники [Muller et al., 1998].

На аппаратуре серии LANDSAT ТМ был расширен спектральный диапазон измерений добавлением среднего и теплового ИК каналов, увеличено разрешение на местности до 30 м. Это значительно улучшило качество материалов и расширило круг решаемых задач. В настоящее время снимки систем LANDSAT ТМ и LANDSAT ЕТМ+ являются базой для генерации классификационных картосхем тестовых участков, которые затем используются при составлении глобальных карт земной поверхности на основе мелкомасштабного зондирования. Из отечественных систем ДЗ следует отметить комплекс «Ресурс-01» с приборами МСУ-СК и МСУ-Э с близкими характеристиками. Материалы этих систем использовались совместно с материалами

LANDSAT TM, SPOT для картирования растительного покрова и оценки биомассы в ряде международных проектов [Барталев и др., 1999; Сухих и др., 1999]. Существует несколько спутников ДЗ, работающих/работавших в оптическом диапазоне. Характеристики наиболее известных датчиков ДЗ оптического диапазона спектра приведены в таблице А. 1.

Результаты исследований в области ДЗ оптического диапазона и ее ограниченность привели к возникновению микроволнового ДЗ (МДЗ). МДЗ должно было решать те проблемы, которые были трудно разрешимы или вообще неразрешимы методами ДЗ оптического диапазона. Как показывают литературные источники, по сей день вопрос о практическом применении МДЗ в некоторых областях остается не до конца решенным. Это, прежде всего, связано с трудностью интерпретации данных МДЗ.

Применение радиолокационных данных в лесном хозяйстве развивалось параллельно с развитием самих радиолокационных систем. В течение 1960-80 гг. исследования были направлены на решение проблем картирования природных ресурсов. В последние годы решаются задачи применения радиолокационных данных в целях мониторинга и изучения экосистем и биосферы. Технология радиолокационного дистанционного зондирования развивалась достаточно быстро, по сравнению с другими типами ДЗ. Впервые эта технология была применена в Панаме в целях картирования провинции Дариен (1965-1967 гг.) [Henderson et al., 2001]. Данное событие произошло всего через пять лет после появления в публичной печати первых данных о самолетном методе радиолокационного дистанционного зондирования. В 1970-х годах существовало несколько коммерческих систем МДЗ самолетного базирования. В это время одна из основных задач заключалась в картировании тропических лесов и природных ресурсов. В течение 70-80 гг. коммерческий интерес к радарам фактически исчез. Однако в 80-90 гг., когда был создан полностью цифровой РЛСА STAR-1, интерес вновь возродился.

С начала 80-х годов потенциальные возможности применения спутниковых РЛСА в глобальном мониторинге и моделировании экосистем являлись основной причиной исследований и разработок в области применения радаров. В МДЗ применяются несколько частотных диапазонов (таблица А.2). В различных литературных источниках значения частотных диапазонов могут варьировать.

В 1967 г. технология МДЗ была применена в проекте картирования провинции Дариен (Панама) с применением самолетного РЛБО Westinghouse AN/APQ-97, работающего в К-диапазоне. Впервые были получены данные на территорию, полностью закрытую облачностью. Для создания радиолокационного изображения понадобилось всего лишь четыре часа, тогда как попытки сделать то же самое при помощи аэрофотосъемки в течение 20 лет оставались тщетными. Были созданы карты дренажа, ландшафта, растительности и геологическая карта, исследованная территория составляла -17000 км². Полученные результаты привели к открытию нескольких больших проектов картирования тропических лесов. В 70-е годы в проектах применялись коммерческие системы, работающие в Х- и К-диапазонах (Westinghouse AN/APQ 97, К-диапазон, ГГ-поляризация, реальная апертура, 1969-1973 гг.; Goodyear Electronic Mapping System (GEMS), Х-диапазон, ГТ-поляризация, 1971 г.; Motorolla (MARS) Ltd., Х-диапазон, ГТ-поляризация, реальная апертура, возможность обзора в двух направлениях). Данные, полученные с этих систем, были переведены на пленку и визуально дешифрированы. Их пространственное разрешение составляло ~16 м [Henderson et al., 2001].

Данные проекты возникли из-за необходимости получения информации о природных ресурсах, планирования их использования и непригодности аэрофотосъемки в условиях облачности. А также, новая радарная технология позволяла в кратчайшие сроки получить изображение на обширную территорию. Следует отметить, что проекты картирования возникали, в

большей или меньшей степени, «на лету», а не в результате основательных исследований и разработок. Обычно проекты включали в себя многие дисциплины, такие как геологическое картирование, картирование геоморфологии, растительности, почв и землепользования. Результатом исследований с применением радарной технологии являлись изображения (М 1:400000), мозаики изображений (М 1:250000) и различные карты (от М 1:250000 до М 1:1000000). Однако полученные данные являлись дистанционными, поэтому для получения более точных результатов требовались полевые исследования.

Российские ученые проявили интерес к МДЗ еще в 70-е годы [Сини-цын и др., 1979]. Микроволновые данные впервые были получены с искусственного спутника Земли "Космос-243" в 1968 году в диапазонах 0,8; 1,4; 3,4 > и 8,5 см [Дмитриев и др., 1981].

С 1971 г. по 1976 г. по проекту RADAM в Бразилии были получены микроволновые изображения на территорию в 8,5 миллионов км [Furley, 1986]. Такой же проект проводился в Колумбии с 1973 г. по 1979 г. (при помощи радиолокационной съемки исследовалась территория в 380000 км²) [Sicco, 1975; Travett, 1986]. Используя радарную технологию, получили карты землепользования и растительности на территорию Нигерии в течение 1976-1977 гг. [Travett, 1986]. Также были сделаны карты растительности и для других стран, таких, как Никарагуа, Венесуэла и Того. По оценкам Верле [Werle, 1989], на территории Южной и Центральной Америки, Юго-восточной Азии и Африки свыше 15 миллионов км были исследованы с применением радаров в течение 50 различных проектов.

На следующем этапе развития стали разрабатываться цифровые системы РЛСА, имеющие различные частотные диапазоны и поляризации (например, самолетные системы ERIM SAR и ERIM/CCRS SAR 580). Так как РЛСА не требовали применения больших антенн, то появилась возможность применения спутниковых технологий. Поэтому, исследования конца 1970-х

и начала 1980-х годов были направлены на разработку спутниковых РЛСА. В 1978 году океанографический спутник SEASAT (РЛСА с 25-метровым пространственным разрешением, работающий в L-диапазоне) получил первое радиолокационное изображение из космоса. Полученные данные выявили значительную детальность земной поверхности, что открыло повышенный интерес к возможности применения данных РЛСА в лесном хозяйстве. Первые исследования в области применения РЛСА в лесном хозяйстве (для задач обнаружения вырубок и гарей, типологического картирования лесов, оценки возобновления) были направлены на разрешение вопросов выбора оптимальных параметров РЛСА (частотного диапазона, поляризации, углов наклона, пространственного разрешения и частоты повторного покрытия). В более поздние годы первостепенными стали исследования, направленные на извлечение биофизических параметров экосистем. Разработки улучшенных радарных систем, работающих в различных поляризационных режимах (например, система NASA/JPL AIRSAR, запущенная в 1988 г. и работающая в Р-, L- и С-диапазонах), дали новые возможности в решении поставленных задач.

С появлением возможностей применения различных длин волн и поляризаций стало очевидно, что знания о взаимодействии радиолокационного обратного рассеяния с лесным пологом являются недостаточными. Для полной интерпретации получаемых изображений и для понимания того, как лучше применять имеющиеся в наличии параметры изображений в решении лесных задач, требовались дополнительные исследования. Поэтому, в середине 1980-х годов возник повышенный интерес к моделированию взаимодействия радиолокационного обратного рассеяния с лесным пологом. В 1950-1960 гг. данный вопрос был плохо освещен. Последующее всестороннее изучение процессов взаимодействия радиолокационного обратного рас-

сеяния внесло большой вклад в понимание механизмов взаимодействия радиолокационного сигнала с лесным покровом.

Радиолокационные данные ДЗ стали доступными еще в 1960-е годы, однако только с 1990-х годов они получили широкое распространение. Из года в год все больший интерес проявлялся к длинноволновым диапазонам, начиная с К-диапазона, через Х- и С-диапазоны, до Р-диапазона. Возник спрос на радарные системы, работающие в нескольких частотных диапазонах. Благодаря РЛСА, появилось больше информации о влиянии различных факторов (таких как влажность почвы, рельеф и др.) на величины обратного рассеяния отраженного от лесного полога. Стало возможным проведение исследований и практическое применение данных, полученных в различных частотных диапазонах, при различных поляризациях и углах наклона, в разное время года. С запуском нескольких радиолокационных спутниковых систем открылись возможности по долговременному мониторингу земной поверхности. В настоящее время существует множество задач, связанных с применением радаров, которые следует решить в будущем.

Потенциальными возможностями применения МДЗ с использованием РЛСА являются: мониторинг льдов и ледников; различное картографирование; мониторинг деформации земной поверхности; мониторинг и предсказание плодородия сельскохозяйственных полей; тематическое картирование лесов; анализ спектров морских волн; городское планирование; исследование побережий (эрозии); мониторинг за стихийными бедствиями, такими, как лесные пожары, наводнения, извержение вулканов и разлив нефти; и другие задачи.

В течение 1990-х годов были запущены несколько спутниковых РЛСА: 1) советский ИСЗ АЛМАЗ-1; 2) ИСЗ ERS-1/2 (European Remote Sensing Satellites), запущенные Европейским Космическим Агентством (ESA -European Space Agency); 3) японский ИСЗ JERS (Japanese Earth Resources

Satellites); 4) канадский RADARSAT-1. Определенный интерес представляет РЛСА SIR (Shuttle Imaging Radar) - C/X-SAR, который состоит из радаров L-и С-диапазонов с различными типами поляризаций, и радара Х-диапазона с ВВ-поляризацией. 1 марта 2003 г. был запущен новый европейский спутник ENVISAT-1. Также, планируются запуски спутников RADARSАТ-2 и RADARSAT-3. Основные характеристики спутниковых РЛСА приведены в таблице А.З.

1.2 Космические аппараты ДЗ

1.2.1 Серия космических аппаратов "Ресурс Ф1"

Космические аппараты серии "Ресурс-Ф1" использовались с 1979 года по 1993 год. КА этой серии обеспечивали разномасштабной, многозональной и спектрозональной космической фотоинформацией высокого пространственного разрешения. Информация со спутника доставлялась в спускаемом аппарате [http ://www. ].

Технические параметры:

средняя высота съемки: 240 км;

наклонение плоскости орбиты: 82,3, 72,9 градуса;

высота эллиптической орбиты: 188 - 287 км;

срок активного существования: до 25 суток (19 в режиме съемки);

масса КА: 6300 кг;

ракета-носитель - "Союз";

камеры: 1) КАТЭ-200 - 3 штуки; 2) КФА-1000 - 2 штуки.

"Ресурс-Ф1М" используется с 1997 года. Этот аппарат является модификацией КА "Ресурса-Ф1" и на нем установлены одна камера КАТЭ-200 и три камеры KFA-1000.

Характеристики камеры КФА-1000

полоса захвата: 1) одной камерой - 72 км; 2) двумя - 122 км; 3) тремя-217 км;

фокусное расстояние: 1000 мм;

размер кадра: 300x300 мм;

количество спектральных диапазонов: 1;

спектральный диапазон: 1) ч/б пленка - 450-700 нм; 2) спектрозональная пленка 570-810 нм;

разрешение на местности: 1) ч/б пленка - 4-6 м; 2) спектрозональная пленка 6-10 м;

площадь кадра: 6400 км ;

покрытие: 60%.

При съемке используется цветная спектрозональная пленка - это специальный тип пленки, который имеет два слоя: первый слой чувствителен к длинам волн 570-680 нм, а второй - к длинам волн 680-870 нм. Использование этой пленки позволяет получать цветные снимки, подходящие для дешифрирования наземных объектов.

1.2.2 LANDSAT-7

Спутник Landsat-7 (США) был запущен 15 апреля 1999 г. Это совместный проект Геологической Службы США (USGS), национального аэрокос-

мического агентства США (NASA) и национального агентства по изучению океана и атмосферы (NOAA).

Технические характеристики:

[]:

средняя высота полета: 705 км;

угол наклонения: солнечно-синхронная, 98,2;

узел нисходящий: 10:00 +/- 15 минут;

повторность покрытия: 16 дней, 233 орбиты/цикл;

период обращения: 98,884 минут;

аргумент перигей: 90 (+/- 40).

Информация, поступающая со спутников системы LANDSAT, широко используется при решении множества проблем экономического, научного, политического и военного характера. В частности в географии, океанографии, гидрологии, геологии, изучении природных ресурсов отдельных регионов, стран и Земли в целом, картировании земной поверхности и мониторингом за состоянием окружающей среды.

Основной прибор, установленный на этом спутнике — многоспектральный оптико-механический сканирующий радиометр ЕТМ+ (Enhanced Thematic Mapper Plus). Он рассчитан на получение изображений поверхности Земли в восьми участках видимого и инфракрасного диапазонов спектра (от 0,45 до 12,5 мкм, в том числе в панхроматическом диапазоне - от 0,52 до 0,9 мкм). При высоте полета 705 км радиометром ЕТМ+ обеспечивается обзор Полосы земной поверхности шириной 183 км. Размер элемента разрешения составляет 15 м в панхроматическом режиме, 30 м - в видимом и ближнем инфракрасном, 60 м - в тепловом инфракрасном диапазонах спектра [].

1.2.3 ERS-1,2

ERS-1 был спроектирован для осуществления высокоточных измерений при наблюдении за поверхностью Земли и ее атмосферой. Спутник был запущен 17 июля 1991 г. и за время своего существования передал более 1,5 млн. изображений. Информацию от скаттерометра и высотомера использовали метеорологические службы для кратковременного и долгосрочного прогноза погоды, скоростей ветров и их направлений. Высокой точностью отличались измерения температуры морской поверхности, выполненные при помощи радиометра. При наблюдении за температурными фронтами можно было определить местонахождение рыбы в океане. Спутник следил за циркуляцией океанической воды, перемещением ледяных пластов и айсбергов. Информация со спутника нашла свое место также в лесоводстве, геологии, сельском хозяйстве и т.д. Основная цель полета ERS-1 состояла в наблюдении за океаническим и морским ледовым покровом, что, в свою очередь, дает информацию относительно взаимодействия атмосферы с поверхностью океана, необходимую для моделирования климата. Космический аппарат информировал о циркуляции энергии в океанических водах, позволял провести более точные оценки массового баланса ледяных пластов Арктики и Антарктики, улучшил контроль над динамикой прибрежных процессов и уровнем загрязнения.

На спутнике ERS -1 были установлены следующие приборы: 1) AMI - Active Microwave Instrument. Этот прибор объединяет в себе радиолокатор SAR и ветровой скаттерометр. Для получения информации о погодных условиях на поверхности океана, в полярных регионах, прибрежной зоне и о состоянии суши. В микроволновом режиме SAR выдает изображения поверхности с размерами порядка 5x5 км, содержащие параметры

(размеры, направление движения) океанических волн. Скаттерометр использует три антенны для выявления параметров (скорости и направления) ветра на поверхности океана.

2. RA - Radar Altimeter. Высотомер, обеспечивающий точные измерения уровня моря, различных характеристик ледяного покрова и скорости океанического ветра.

3. ATSR - Along Track Scanning Radiometer. Прибор, состоящий из инфракрасного радиометра и микроволнового излучателя, предназначенный для измерения поверхностной температуры морей, температуры и влажности облаков.

4. PRARE - Precise Range and Range-rate Equipment. Прибор, необходимый для точного определения координат спутника и параметров орбиты, и точной геодезической привязки.

5. LRR - Laser Retro-reflectors. Отражатели, позволяющие определить положение спутника и его орбиту при помощи наземной лазерной станции.

Характеристики ERS-1:

6. солнечно-синхронная орбита с углом наклонения 98,5 и средней высотой полета 758 км;

7. общая масса - 2400 кг (в начале полета);

8. общая длина - 11,8 м;

9. панель солнечной батареи -11,7x2,4 м;

10. SAR-антенна 10,0x1,0 м;

11. диаметр антенны радиовысотомера - 1,2 м;

12. конструктивный срок службы - 2-3 года.

Также, на ERS-1 установлен дополнительный набор сенсоров для всепогодного и независимого от времени суток наблюдения за Землей.

Тандемная работа ERS-1 и ERS-2 выявила разнообразие применений данного метода и проложила путь новым запускам, посвященным SAR-интерферометрии.

1.2.4 RADARSAT-1

Спутник RADARSAT-1 был запущен в ноябре 1995 г. После запуска RADARSAT-1 данные с него получаются регулярно, начиная с июня 1996 г., после того как прошла фаза проверки. Радиолокатор, установленный на спутнике, работает в С-диапазоне (длина волны 5,66 см). Для приема данных со спутника существует сеть станций ASF, расположенных в Фэрбэнксе (Fairbanks), Аляска (Alaska), охватывающих территорию радиусом в -3000 км. ASF также получает данные со станции McMurdo, расположенной в Антарктике. RADARSAT-1 несет на себе два записывающих устройства, каждое из них имеет возможность записать 10 минут SAR данных, что позволяет ASF получать данные на территории, находящиеся за пределами покрытия станций ASF. Примером этого является миссия RADARSAT-1 по картированию Антарктики (АММ - Antarctic Mapping Mission). В антарктическом режиме, спутник RADARSAT-1 поворачивался так, что радиолокатор становился смотрящим налево. После этого RADARSAT-1 записывал данные SAR для всего континента Антарктики и пересылал их в ASF для обработки и хранения. Результатом этого стало изображение всего континента Антарктики. РЛСА RADARSAT-1 имеет 7 стандартных режимов работы. Угол наклонения изменяется в диапазоне от 19 до 49 градусов в зависимости от режима работы. При стандартном режиме ширина наземной полосы обзора равна -100 км. ASF обрабатывает данные РЛСА, результатом чего являются сним-

ки с различным разрешением (таблица А.4). Каждая сцена покрывает площадку -100x100 км с расстоянием между пикселями -12,5 м (-25 метровое разрешение) для высокого разрешения и -100 метровым расстоянием между пикселями (-150 метровое разрешение) для низкого разрешения (таблица А. 5). В данном случае пространственное разрешение съемки определялось минимальными размерами объекта, который можно обнаружить при анализе снимка.

Первостепенными задачами для миссии RADARSAT-1, поставленными NASA, были следующие:

1) Картирование антарктической ледовой поверхности.

NASA использует данные RADARSAT-1 для получения первоначальной карты высокого разрешения всей Антарктики. Повторные исследования выявить изменения ледового покрова, которые могут привести к глобальному поднятию уровня моря. Первые карты континента составлены в ноябре 1997 года.

2) Мониторинг ледового покрова для решения задач климатических
исследований и навигации.

Постоянная съемка северных океанов позволит применить методы автоматического слежения за плавучими льдами и изучить их передвижение через всю Антарктику. Дальнейший анализ позволит сделать оценку скорости формирования новых ледников и изучить влияние ледовых поверхностей на климат.

3) Картирование и мониторинг наземной поверхности.

NASA использует RADARSAT-1 для изучения лесов. Получаемые данные могут применяться для дешифрирования лесных поверхностей, оценки биомассы и обнаружения наводнений.

Кроме того, Канадское космическое агентство (CSA - Canadian Space Agency - Канадское космическое агентство) поставила свои задачи:

4. Убедиться в пригодности данных для мониторинга окружающей среды.

5. Создать дневные карты морских льдов по данным РЛСА, собранным на территорию Антарктики.

6. Получить периодические данные РЛСА, покрывающие территорию морских льдов Антарктики.

7. Собрать глобальный набор стереографических РЛСА изображений для решения задач картирования.

8. Получить всеобъемлющую карту ледовой поверхности континента Антарктики, основываясь на изображениях РЛСА.

9. Собрать данные РЛСА (для специфических ключевых участков на определенные моменты времени), для проведения совместно финансируемых научных исследований.

10. Собрать данные РЛСА (для специфических ключевых участков на определенные моменты времени) для поведения экспериментов, финансируемых участниками по проекту ЕАО.

11. Обеспечить общедоступность данных.

12. Разработать методы предобработки данных РЛСА.

13. Всесторонне продвигать данные РЛСА RADARSAT-1 для решения задач в таких областях, как: мониторинг льдов; мониторинг океанов; мониторинг ресурсов Земли; мониторинг окружающей среды; защита человеческой жизни и его собственности от действия природных стихий.

14. Участвовать во всестороннем развитии национального и интернационального коммерчески жизнеспособного дистанционного зондирования.

15. Участвовать в повышении промышленного потенциала Канады и развитии отраслей дистанционного зондирования.

Данные о спутниках серии ERS и RADARSAT получены с сайта «Новости космонавтики» [].

1.3 Теоретические основы применения РЛСА

В МДЗ используются как пассивные методы зондирования, так и активные. В активном методе радар сам излучает волну и принимает ее отражение. Пассивный метод подразумевает регистрацию естественного микроволнового излучения, исходящего с Земли. В дальнейшем будут обсуждаться только активные спутниковые радарные системы. В настоящий момент все спутниковые радарные системы являются радарами бокового обзора с синтезированной апертурой (РСА).

В таблице А.2 приведены основные диапазоны, применяемые в МДЗ.

Взаимодействие радарного сигнала с земной поверхностью зависит от множества факторов, включая: 1) плотность материала поверхности и ее диэлектрические свойства, 2) шероховатость поверхности по сравнению с длиной волны, 3) вариации рельефа относительно величины угла обзора и 4) поляризации сигнала. Другими важными характеристиками, которые значительно влияют на качество получаемого изображения, являются: 1) мощность сигнала, 2) длина и ширина импульса, 4) суммарное время возврата сигнала и 5) время между импульсами. Время, которое необходимо для того, чтобы посланный сигнал отразился обратно и был зафиксирован спутником, определяет расстояние между спутником и исследуемым объектом. Сложная структура сигнала допускает то, что отраженные сигналы обратного рассеяния различаются друг от друга, что определяет максимально достижимое разрешение поперек линии движения (поперечное разрешение, range resolu-

tion). PCA испускает большое количество импульсов, приходящихся на один и тот же участок поверхности (например, PC A ERS посылает 1000 импульсов), при этом анализ отраженных обратных сигналов, различных за счет эффекта Доплера, позволяет достичь неплохого азимутального разрешения (разрешение вдоль направления полета, продольное разрешение, azimuth resolution). Регистрация множества подряд выпущенных сигналов эмулирует (синтезирует) присутствие множества антенн, что эквивалентно одной большой антенне. Апертура (действующее отверстие оптической системы) синтезированной антенны равна расстоянию, которое было пройдено при сборе информации об одном элементарном участке поверхности. На рисунке Б.1 изображены основные технические параметры РСА.

Современные РСА обозревают с одной из сторон (левой или правой относительно оси движения). Угол между направляющей от спутника в точку надира и направлением излучения называется углом обзора (0), а угол между нормалью в точке, куда направлено излучение и направлением излучения называется углом наклонения (a, inclination, рисунок Б.1).

Допустим, что сигнал от радара был послан по направлению к большой горе, причем не сверху вниз, а сбоку, то, как и в случае с солнечным излучением, с противоположной стороны горы появятся тени; фронтальная часть горы, направленная в сторону радара, будет светиться ярко, а позади горы будет присутствовать тень. У радарного сигнала нет возможности отразиться от обратной стороны горы, поэтому сигнал с затененного участка будет очень слабым. Области, которые радар не может обозревать, выглядят как тени. На рисунке Б.2 представлена геометрия взаимодействия микроволнового сигнала с наземным покровом. Эффект радиотеней (shadowing) увеличивается с увеличением угла обзора, аналогично тому, как длина теней увеличивается при заходе Солнца (рисунок Б.2Г).

Время, необходимое для прохода радарного сигнала от спутника до Земли и обратно, используется для вычисления расстояния между спутником и Землей. Расстояние одного прохода сигнала от спутника до Земли равно произведению времени прохода и скорости электромагнитной волны (скорости света). Датчик РСА (прибор, установленный на спутнике для формирования изображения) использует эту информацию для создания изображения: первый появившийся сигнал обратного рассеяния рассматривается как пришедший с наиболее близкого участка, а последующие сигналы обратного рассеяния как идущие с соседних участков. Расстояние от точки надира под спутником до объекта называется тангенциальной или горизонтальной дальностью (г, ground range), а расстояние до объекта исследования, по линии перпендикулярной направлению полета, называется наклонной дальностью (R, slant range, рисунок Б.2А).

Перепады высот в рельефе местности могут привести к ряду искажений. Например, радарный сигнал может достичь вершины, скажем, пирамиды (со склонами более крутыми, чем 23 градуса в случае для ERS-1) раньше, чем ее основания. Таким образом, может получиться так, что обратный сигнал от высоких объектов, расположенных на более далеком расстоянии, придет раньше, чем от низких объектов. Поэтому на изображении вершина пирамиды будет расположена перед ее основанием. Такой род искажения называется эффектом наложения изображений (image layover, рисунок Б.2В).

Другой фактор, который создает искажения, связан с реальными объектами на Земле, а не с предполагаемыми. Для датчика РСА сканируемый участок Земли выглядит плоским, но на самом деле Земля имеет форму эллипсоида. Радар фиксирует площадь основания склона, а не его реальную площадь поверхности, и понятно, что площадь основания меньше фактической площади склона. Обратные рассеяния, отраженные от большинства объектов крутого склона, вернутся примерно в одно и то же время, поэтому

расстояния по наклонной до объектов будут зарегистрированы так, как будто бы они находились в основании склона (рисунок Б.2Б). Этот эффект укорачивания (foreshortening) в сочетании с эффектом наложения изображения приводит к тому, что ближе расположенные стороны гор выглядят очень яркими. Поэтому при рассматривании полученного изображения может показаться, что горы расположены как будто бы "перевернутыми вверх тормашками". Уменьшение угла обзора приводит к усилению этого явления.

Поляризация радарного сигнала также влияет на то, как будет выглядеть получаемое изображение. Антенна может испускать и принимать сигналы различной поляризации. На практике применяются: 1) ГГ-поляризация (т.е. испускается горизонтально поляризованный сигнал и принимается горизонтально поляризованный сигнал), 2) ВВ (посылается вертикально поляризованный сигнал и принимается вертикально поляризованный сигнал), 3) ГВ, 4) ВГ. Режимы ГВ и ВГ применяются как особые дискриминаторы и называют кросс-поляризациями. Объемное рассеивание является главным фактором взаимодействия, которое приводит к деполяризации сигнала (т.е. изменению плоскости колебаний). Например, горизонтально поляризованная волна, направленная на дерево, отразившись обратно от него и пройдя сквозь листву, может измениться на вертикально поляризованную волну. Используя режим ГВ, антенна может принять отраженный вертикально поляризованный сигнал, но величина принятого сигнала будет намного ниже, чем, например, величина принятого сигнала при работе в режиме ГГ.

Поперечное (range) разрешение или разрешение по вертикали (перпендикулярно оси движения) зависит от угла обзора и длительности импульса. Изначально, теоретическое разрешение вдоль прямой по наклонной (по направлению распространения волны) составляет половину длины импульса. Для того чтобы вычислить разрешение по наклонной, нужно умножить длину импульса во времени на скорость электромагнитной волны и поделить на

два. Далее, поделив полученную величину на косинус угла обзора, мы получим поперечное разрешение на местности. Следует отметить, что уменьшение длины импульса улучшает поперечное разрешение, но также влечет за собой уменьшение суммарной энергии импульса, которая ограниченна имеющейся в наличии на спутнике энергией и возможностями системы рассеивания выделяемого тепла. Для датчика ERS-1-SAR (при длительности импульса равной 37,1*10"⁶ секунд и угле обзора 20,35 градуса) поперечное разрешение равно нескольким километрам. Для получения разрешения в 25 метров в передатчике специальным образом модулируют высокочастотное заполнение сравнительно длинного импульса (несколько микросекунд), а отраженный сигнал в приемнике сжимают (укорачивают) [Кашкин и др., 2001, Olmsted, 1993].

Продольное (azimuth) разрешение или разрешение по горизонтали (вдоль направления полета) определяется как Ro*A/D и составляет примерно несколько километров для ERS-1. Использование РСА позволяет обойти это ограничение. Условно говоря, при пролете космический спутник видит объект сначала спереди, а затем сзади. В принципе идея функционирования РСА достаточно проста: используется движение самого спутника и установленной на нем антенны с реальной апертурой (скорость более 7 км/с). Сигналы, принятые антенной, запоминаются и далее суммируются (накапливаются) компьютером, так что сигнал от объекта М, принятый приемником, когда спутник находился в точке Р, в момент времени tj, складывается с сигналом от этого же объекта, который ранее принимался в момент ц_+ь когда спутник находился в точке Pj+i. Для объектов, находящихся ближе к спутнику, используют меньшую синтезированную апертуру, для дальних объектов размер апертуры растет пропорционально росту наклонной дальности. Это позволяет уменьшить мгновенное поле зрения по горизонтали для дальних объектов и делать разрешение не зависимым от дальности, что недостижимо в оптиче-

ском диапазоне [Кашкин и др., 2001]. При расчете суммарного сигнала, отраженного от зондируемого объекта, учитывается эффект Доплера. Теоретически разрешение по горизонтали не зависит от наклонной дальности и длины волны, а определяется размером реальной антенны и равно половине длины антенны [Кондратенков и др., 1983; Olsted, 1993, Lillesand et. al., 1994].

Таким образом, РСА посылает сигналы и принимает их обратно отраженные сигналы. Вся совокупность отраженных сигналов формирует большой массив данных, из которого получается изображение (рисунок Б.З).

Как известно, при цифровой обработке спектр узкополосных сигналов, каковым является отраженный сигнал, целесообразно сдвигать в область видеочастот. Это позволяет уменьшить максимальную частоту обрабатываемого сигнала, и, следовательно, снизить требования по быстродействию к системе обработки. Одновременно необходимо преобразовать действительный сигнал в комплексный аналитический сигнал или траекторный сигнал. Один из вариантов преобразования отраженного радиосигнала от точечной цели U;(t) в комплексную огибающую состоит в том, что сигнал Uj(t) подается на

Два фаЗОВЫХ ДетеКТОра, ОПОрНЫе Напряжения КОТОРЫХ Ui₀n(t)=U₀nCOS(CDot-(Po) и

U2on(t)⁼UonSin((jJot-(po) сдвинуты по фазе на л;/2 друг относительно друга, а в остальном с точностью до амплитуды являются копиями излучаемого сигнала (о)о - угловая частота; фо - начальная фаза; U_on - амплитуда опорных колебаний). В простейшей конструкции фазовых детекторов процесс преобразования включает умножение входных сигналов и низкочастотную фильтрацию результирующего сигнала. На выходах умножителей образуются сигналы Uj_e(t)= Uj(t)* Uion(t) и Uj_S(t)= Uj(t)* іі2оп(0- Тогда комплексная огибающая отраженного сигнала S;(t)= Uj_c(t)+j* Uj_s(t). Составляющие сигнала часто называют синфазной и квадратурной, а сам сигнал - траекторным сигналом одиночной точечной цели [Антипов и др. 1988]. Организация ASF поставляет

некоторые радиолокационные данные в комплексном виде, представленного компонентами I - синфазной составляющей и Q - квадратурной составляющей. Из компонентов Q и I вычисляются амплитуда (равная, квадратному корню из суммы квадратов I и Q) и фаза (равная арктангенсу отношения Q к I) радиосигнала. [Olmsted, 1993].

С появлением тандемной съемки спутников ERS-1/2 все больший интерес проявляется к интерферометрии. Технология радарной интерферометрии используется для формирования рельефа местности по радиолокационным данным за счет учета фазовой составляющей сигнала и позволяет обнаруживать на местности неровности сантиметровой высотой. Радарная интерферометрия - ценный инструмент для мониторинга деформаций сооружений и просадок на земной поверхности, приуроченных к участкам интенсивной эксплуатации нефтяных или водоносных горизонтов, и для мониторинга движений земной коры в геологически нестабильных районах.

Величину отраженного радарного сигнала характеризуют коэффициентом обратного рассеяния Оо (sigma-naught). Величину оо можно определить как "вне-пространственная количественная оценка, характеризующая способность объекта рассеивать падающее на него микроволновое излучение". В различных публикациях можно встретить другие определения о₀. Понятия «эффективная площадь отражения» (ЭПО, radar cross-section) и яркость радарного изображения (radar brightness) являются практически одинаковыми. В российских литературных источниках для обозначения Оо часто используют понятие удельной эффективной площади рассеяния (УЭПР).

Величина Оо измеряется в дБ (dB) и определяется следующим образом []:

с₀ = 10 * log{a₂ * [d² - (a_t * n(r))] + a₃}, (1)

где d - яркость пикселя (цифровое значение от 0 до 255); at - коэффициент шума (noise scaling); аг - коэффициент линейного преобразования (linear conversion); аз - сдвиг (offset); п(г) - шум, как функция от расстояния от спутника до объекта. Указанные параметры равенства (1) поставляются ASF в виде метаданных вместе с радиолокационным снимком.

Некоторые исследователи используют упрощенную формулу О"о = Ю * *log(x), где х - величина яркости пикселя [Harrell et al., 1995].

Важно также знать, что величина обратного рассеяния напрямую связана с диэлектрическими свойствами исследуемого объекта. Комплексная относительная диэлектрическая постоянная (ДП) определяется как е = е' + + i*e", где е' - удельная емкость (permittivity), е' - удельная проводимость (conductivity); е" = (a/(2*7t*f))*eo, где f - частота, ео - диэлектрическая постоянная вакуума. Диэлектрическая постоянная для природных поверхностей, включая растительный покров, зависит в основном от содержания влаги. ДП сухого растительного материала является относительно низкой (1,5<е'<2; е"<=0,1), а для влажного растительного покрова — высокой (60<е'<80; 20<е"<50 в X и Р диапазонах соответственно) [Ulaby and El-Rayes, 1987]. Юлаби и Эль-Раес предложили модель для определения ДП в зависимости от частоты сигнала и гравиметрического или объемного содержания влаги ("объемное содержание влаги" = ("сырой вес" - "сухой вес") / "сырой вес") и ионной удельной проводимости водного раствора в растениях, которая может быть отнесена к содержанию солей в водном растворе. Установлено, что удельную проводимость водного раствора можно представить в виде константы.

Для активного МДЗ: a_t=a_v+Os/L, где o_t - измеренное обратное рассеяние, o_v - обратное рассеяние от растительного покрова, L - поглощение излучения растительным покровом, при этом a_s = R*a*M_v, где R - шероховатость поверхности, a - переменная, зависимая от влажности почвы, M_v -

объемная влажность почвы. Известно, что R и а изменяются с изменением поляризации, длины волны, угла падения и до сих пор нет подходящей теоретической модели для независимого измерения этих двух величин. Джексон и др. [Jackson and Schmugge, 1991], основываясь на ранее разработанных теоретических моделях [Shutko, 1986; Jackson and O'Neill, 1990], предложили упрощенную модель излучения от растительного покрова в зависимости от объемной влажности, шероховатости поверхности и угла наклонения:

е_с ш і - R (ехр(-2 s W_v sec(a)))², (2)

где R - величина шероховатости поверхности; W_v — величина объемной влажности; а - угол наклонения; s — характеризует угол наклона тренда зависимости W_v от оптической глубины.

Этими же исследователями ранее был предложен параметрический подход для вычисления объемной влажности:

W_v - 78.9 - 78.4 [1 + (е -1)- ехр(0.22 W)], (3)

где W_v - объемная влажность почвы; е - измеренный коэффициент поглоще-ния лучей; W - содержание воды в растительности (кг/м ).

Неровность поверхности можно определить по формуле R = Ro*exp(-h*cos (9)), где Ro - отражение от гладкой поверхности; h - переменная, пропорциональная среднеквадратичному отклонению высот на поверхности; 9 — угол падения [Henderson and Lewis, 2001]. Считается, что поверхность является более или менее ровной, если относительное превышение высот менее 1/8 длины волны деленной на косинус локального угла падения, при этом справедлив закон Рэлея, который утверждает, что интенсивность рассеянно-

го света пропорциональна X , где А, — длина волны, т.е. чем меньше длина волны, тем сильнее рассеяние. Используется также следующий критерий: 1) при среднеквадратичном отклонении высот более 1/25 длины волны деленной на косинус локального угла падения - поверхность неровная: 2) при среднеквадратичном отклонении высот менее 1/4.4 длины волны деленной на косинус локального угла падения - поверхность ровная [Lillesand et. al., 1994]. Если вариации относительной высоты выше, чем длина волны, то угол наклона поверхности, на которую направлен сигнал, также должен учитываться. Например, если сигнал направлен на перпендикулярно расположенную поверхность, то обратное рассеяние будет ярким. Рельеф местности оказывает и более сложное воздействие на обратное рассеяние.

1.4 Исследования в области микроволнового дистанционного зондирования

1.4.1 Моделирование

Для правильной интерпретации микроволновых данных требуется понимание того, как взаимодействует радиолокационный сигнал с наземными объектами. Для этого создаются экспериментальные и теоретические модели. По сути дела существуют несколько таких моделей. Фактически, каждая модель применялась для решения каких-либо частных задач. Например, модель для лесного полога была получена Ф. Т. Улаби и др. [Ulaby et al., 1982; Ulaby et al., 1990]. Также Ю. Ванг, Дж. Дэй и Г. Сан провели различные исследования [Wang et al.,1993]. Моделировалось взаимодействие как с одним деревом, так и с группой деревьев. Как известно, волна может рассеиваться,

поглощаться и деполяризоваться земным покровом. В макромасштабе взаимодействие радиолокационного сигнала с лесным покровом происходит по законам рассеяния Релея и преломления Снелля. Выделяются следующие механизмы взаимодействия радиосигнала с лесным пологом: 1) рассеяние от крон деревьев, включая множественное рассеяние (объемное рассеяние); 2) прямое обратное рассеяние от стволов (угловое рассеяние, обычно малое); 3) прямое обратное рассеяние от земной поверхности (бывает диффузное и зеркальное); 4) обратное рассеяние «крона-земля»; 5) обратное рассеяние «ствол-земля» или двойное рассеяние. Последние два взаимодействия происходят в двух направлениях от дерева к земной поверхности и наоборот [Henderson and Lewis, 1998]. При моделировании учитываются такие параметры, как угол наклонения, поляризация, длина волны и т.д. Модели используются для получения теоретических величин биомассы и других биофизических параметров [Sun and Ranson, 1998; Ranson and Sun, 1999; Totuko and Tateishi, 2001; Sheshang and Svoray, 2002]. Также, моделирование используется для решения сельскохозяйственных задач [Picard and Le Toan, 2002].

1.4.2 Картирование и мониторинг лесов

Одной из важных задач МДЗ в лесном хозяйстве являлось картирование лесов. Как показывают литературные источники, применение радаров в картировании лесов по породному составу было неудачным [Ford and Casey, 1988;, De Molina et al., 1989; Nezry and Mougin, 1992], т.е. большинство типов растительности не дифференцировались.

Сугардиман [Sugardiman, 2002], проведя исследование по картированию гарей в тропических лесах, отмечает, что при совместном применении

данных РЛСА ИСЗ ERS, данных AVHRR ИСЗ NOAA и информации о типах пожаров, характерных для данной местности, можно получить вполне надежные результаты, позволяющие с высокой точностью оценить нанесенный ущерб. Использование самолетных РЛ-систем в сочетании с аэрофотографией и оперативными спутниковыми системами обеспечивает надежную основу мониторинга процессов обезлесения, деградации земель и лесов и изменений земного покрова [Hoekman, 1999].

После запуска в 1995 г. второго европейского ИСЗ ERS 2 открылись новые возможности дистанционного изучения лесных территорий, закрытых облачностью, с помощью радиолокационной съемки. При поддержке ЕС выполняется международный проект SIBERIA (Sar Imaging for Boreal Ecology and Radar Interferometry Applications). Целью проекта является получение информации о состоянии сибирских лесов с помощью радиолокационной съемки, осуществляемой с ИСЗ ERS 2 и создании лесной ГИС. В работе принимают участие специалисты из ФРГ, Австрии, Франции, Великобритании, Швеции, Финляндии, Швейцарии и России. Получаемая с ИСЗ информация позволяет определить площади гарей, фитопатологические изменения лесного покрова и другие характеристики. В качестве контрольного участка служила территория Сибири площадью 100x100 км, расположенная в 47-й зоне проекции UTM. По получаемым данным создаются различные тематические карты-мозаики лесов [Wolfgang, 2000]. Всего сформировано 67 лесных карт (каждая 100x100 км), покрывающих -650000 км территории Сибири.

Ведутся исследования возможностей использования когерентных данных с повторных маршрутов ИСЗ JERS для мониторинга лесов Сибири и сравнение этих данных с результатами анализа когерентной тандемной съемки ИСЗ ERS [Eriksonn et al., 2001].

1.4.3 Картирование биомассы и объема стволов

Пожалуй, одной из главных характеристик древостоя является биомасса. Многие исследования микроволнового ДЗ направлены на извлечение этого параметра из величин обратного рассеяния путем инверсного моделирования [Le Toan et al., 1992; Hussin et al., 1991; P.A. Harrell et al., 1995; Dobson et al., 1992; Le Toan et al., 2002; Quinones and Hoekman, 2002]. Указывается, что съемка ERS-1 применима для этих целей, когда влияние влажности минимально. По результатам Хьюзина и др. [Hussin et al., 1991] кросс-поляризованный сигнал является наиболее подходящим для измерения биомассы. Уландер [Ulander, 1999], сделав анализ данных полученных с помощью самолетного РЛСА CARABAS (диапазон 20-90 МГц), заключает, что обратное рассеяние повышается линейно с биомассой даже для максимального уровня биомассы (375 тонн/га). Определение объема древесных стволов (м /га) дает отличные результаты с точностью того же порядка, что и хорошая наземная инвентаризация, например, 10-20%. Таким образом, РЛСА-система с СВЧ-каналом способна эффективно картографировать биомассу.

Пракс и др. [Praks et al., 2001], проведя исследование поляриметрических РЛСА-изображений L- и С-каналов в сочетании с обширной базой наземных данных, утверждает, что наилучшим параметром для картографирования лесной биомассы является коэффициент обратного РЛ-рассеяния L-канала ГВ-поляризации.

Рэнсон и др. [Ranson et al., 2000], провели анализ результатов наблюдений северных лесов во время выполнения программы SIR-C/X-SAR (апрель и октябрь 1994 г) при температурах замерзания и выше температур замерзания в южных районах северных экосистем. Рассмотрели влияние различных окружающих условий на классификацию лесов и оценку биомассы

по РЛСА-данным в районе Северной Канады. Величины эхо-сигналов были ниже в условиях замерзания деревьев и почвы, что соответствовало результатам других испытаний. Простые линейные регрессионные модели не всегда могли быть использованы для оценки древесной биомассы, но статисти-ческие испытания показали, что отклонения от них невелики и допускают некоторые последующие поправки. Температура окружающей среды оказывало более сильное влияние на результаты классификации лесного покрова, чем на оценку величин биомассы.

1.4.4 Применение в сельском хозяйстве

Немалый вклад микроволновое ДЗ внесло в сельское хозяйство. Радио
локационные данные могут быть использованы для распознавания [Gonzalez
et al.,. 2002; Del Frate et al., 2002a; Blaes et al., 2002], мониторинга сельскохо
зяйственных культур [Ferrazoli et al., 2002; Pearson et al., 2002; Del Frate et al.,
2002b] и восстановления их биофизических параметров [Brown et al., 2002].
Показывается, что, как правило, чем гуще расположены стебли растений, тем
большую частоту следует использовать. Например, для мониторинга пшени
цы, ячменя, риса, рапса, у которых плотность стеблей высока, а диаметр
стебля мал, целесообразно использовать канал С (а также X), а для монито-

* ринга кукурузы и картофеля (меньшая плотность стеблей и больший диа
метр) лучшими являются каналы L и S. Излучение на ГВ-поляризации более
предпочтительно, когда растения имеют много веточек, стручков, черенков,
например, для мониторинга картофеля, кукурузы или рапса. Для культур с
ярко выраженной вертикальной структурой, такой, как пшеница и ячмень,
наиболее подходящей является ВВ-поляризация [Ferrazoli, 2002]. Браун ана-

лизировала данные Х- и С-диапазонов с разрешением 3-6 см на ВВ, ГТ и ВГ поляризациях при изменении угла падения в диапазоне 20-50. По результатам измерений, в частности, были сделаны следующие выводы: 1) радиолокатор «видит» посевы пшеницы как рассеивающую среду, состоящую из 3-х слоев: верхний слой - поникшие листья и колосья, средний слой - стебли, нижний слой - почва, причем наиболее сильное отражение излучения наблюдается от верхнего и нижнего слоев; 2) при больших углах падения растительный покров (пшеница) на ВВ-поляризации более интенсивно отражает излучение обеих полос, чем почва; 3) как правило, на каналах доля почвы в отраженном излучении меньше, чем на канале С; 4) при кросс-поляризации ГВ РЛ-сигнал содержит очень значительную долю излучения, отраженного от почвы [Brown et al., 2002].

1.4.5 Использование в гидрологии

Многие исследования были направлены на установление взаимосвязи между влажностью почв и величиной обратного рассеяния. Так Юлаби с соавторами получили прямую зависимость между величиной объемной влажности и диэлектрической постоянной растительного покрова для С, L и Р каналов [Ulaby and El Rayes, 1987]. Также, рядом авторов проводились исследования по установлению взаимосвязи между величиной обратного рассеяния, получаемого со спутника ERS, и величины влажности земной поверхности [Le Hegarat-Mascle et al., 2002; Borgeand et al., 2002; Tokunaga 2002]. Хоксчайлд с соавторами утверждают, что данные, получаемые с самолетного РСА (SAR-X) в L-диапазоне, могут быть использованы для классификации почвенной влажности [Hochschild et al., 2002]. Дарие с соавторами, анализи-

руя данные ERS-1, показали, что оценка оптимальной величины почвенной влажности возможна с разрешением в 1 га, что является приемлемым для моделирования в масштабе водосбора и может быть использовано в оперативной практике [Darie and Kelly, 2002].

Радиолокационные данные применяются для мониторинга состояния снежного покрова [Hallikainen et al., 2002]. Установлено, что данные РСА, наряду с оптическими данными, эффективны для оценки состояния снежного покрова в период весеннего таяния [Metsamaki et al., 2002]. Использование информации о когерентности открывают гораздо более легкий путь картографирования сухого и влажного снежного покрова, вне зависимости от топографической информации. При этом точность картографирования составит 86%, по сравнению с результатами использования данных LANDSAT [Shi et al., 2001].

1.5 Методы обработки данных ДЗ

Системы обработки ДДЗ имеют схожие черты с программными средствами общего назначения, предназначенными для цифровой обработки изображений (графических редакторов), таких, как Corel PhotoPaint, Adobe PhotoShop и т.п. Оба класса систем имеют много общего: 1) работают с растровой моделью данных, 2) используют базирующиеся на аналогичном математическом аппарате методы обработки изображений. ДДЗ обладают рядом существенных отличий: 1) ДДЗ бывают весьма большого объема, для эффективной работы с которыми, необходимы специальные средства, в том числе особые форматы данных; 2) многомерные ДДЗ не могут в полном смысле трактоваться как RGB изображения; 3) ДДЗ нуждаются в предвари-

тельной геометрической и радиометрической коррекции; 4) ДДЗ - это пространственная информация, имеющая, как правило, координатную привязку [].

Цифровую обработку ДДЗ можно разделить на следующие основные этапы: 1) предварительная обработка; 2) классификация; 3) специализированная тематическая обработка; 4) интеграция с ГИС.

1.5.1 Предварительная обработка

На данном этапе проводят различные типы коррекций, модификаций изображения для облегчения последующего основного этапа обработки. Существуют радиометрическая, геометрическая коррекции и калибровка. Радиометрическая коррекция проводится с целью восстановления количества электромагнитной энергии, принимаемой каждым датчиком, поскольку атмосфера неодинаково пропускает излучение различных участков спектрального диапазона. Калибровка заключается в преобразовании безразмерных данных, получаемых с датчиков, в истинные нормализованные значения отраженной или излучаемой энергии. Еще одна операция радиометрической коррекции связана с устранением искажений, вносимых самими датчиками и устройствами передачи и приема данных (системных искажений).

Геометрическая коррекция предназначена для устранения искажений вызванных кривизной и вращением Земли, а также углом наклона орбиты спутника к плоскости экватора. Этот вид коррекции на первом этапе может выполняться автоматически по информации о параметрах орбиты спутника. Более точное трансформирование и привязка снимка к определенной координатной системе обычно выполняются с использованием интерактивно за-

даваемых опорных точек. В процессе трансформирования происходит пересчет значений пикселей в новую сетку растра, при этом формы объектов на изображении в большей или меньшей степени меняются, а рамка снимка из прямоугольной формы превращается в параллелепипед или в более сложную фигуру с криволинейными границами. Часто для представления и совместной обработки материалов разных видов (типов) съемок, а также разновременных снимков одной и той же территории, используется проекция, называемая ортопланом, которая применяется в мировой практике в качестве обменного стандарта. При геометрической коррекции фотографических изображений высокого разрешения устраняются искажения, возникающие за счет рельефа местности.

Для улучшения зрительного восприятия и последующей компьютерной обработки проводят ряд операций. К первому виду операций относятся преобразования, такие, как контрастирование, фильтрации, текстурный анализ, метод главных компонент, алгебра изображений (например, гидротермальный и вегетационный индексы и др.) и т.д., которые связаны с модификаций яркостей пикселей. NDVI - нормализованный разностный вегетационный индекс - выражается следующей формулой:

M>_{w =} *iz», (4)

chA + chi

где ch3, ch4 - 3-й (0,63-0,69 мкм - красный диапазон спектра) и 4-й (0,76-0,90 мкм - ИК-диапазон спектра) спектральные каналы LANDSAT-7. Чувствительность NDVI к хлорофиллу позволяет дешифрировать и анализировать растительный покров.

НС - гидротермальный индекс состоит из 3-х слоев: слой-1 = ch5/ch7, слой-2 = ch3/chl, слой-3 = ch4/ch3, где chl, ch3, ch4, ch5, ch7 - каналы

LANDSAT. НС имеет смысл использовать при решении задач обнаружения и анализа минерализованных поверхностей.

Наиболее важными для МДЗ являются фильтрации для устранения случайных шумов. Для их устранения в основном применяются медианный фильтр, фильтр Фроста, усреднение и др. [Erdas Field Guide, 1999]. Другой тип операции связан с геометрическими преобразованиями - это построение мозаик и вырезка фрагментов, изменение пространственного разрешения, преобразование в разные проекции. Текстурные характеристики также имеют большое значение для анализа данных МДЗ, так как позволяют учитывать однородность и неоднородность областей соседних пикселей. В программном пакете ERDAS IMAGINE реализованные четыре текстурных признака -это среднее Евклидово расстояние (mean Euclidean distance), дисперсия (variance), асимметрия (skewness), эксцесс (kurtosis). Размер скользящего окна может изменяться от 3 и выше.

Среднее Евклидово расстояние представляется в следующем виде [Iron and Petersen, 1981]:

Р =

п п {_ т

пп-\

(5)

где x_ijX - цифровое значение пикселя (i, j) в скользящем окне спектрального

канала X; х_сЯ - цифровое значение центрального пикселя в скользящем окне

спектрального канала X; п — размер окна; m — количество спектральных каналов.

Дисперсия:

(_Xi]-Mf

(6)

п-п-\

1-1 /-1

где М - среднее значение пикселя в пределах скользящего окна = —— .

п-п

Асимметрия:

г-1 /-і

_{22( -}^м₎

7 =

(п-п-l)-^z

(7)

Эксцесс:

і-1 І-]

_22(^

я л

[п-п-і)а^г

(8)

Ряд исследователей указывают на необходимость использования больших размеров скользящих окон для тематического картирования. Например, Блом и Дейли использовали композит, состоящий из трех текстур дисперсий с окнами размером 15x15, 31x31 и 61x61 [Blom and Daily, 1982].

1.5.2 Классификация

Классификация - это тематическая обработка, которая позволяет производить автоматизированное разбиение снимков на однородные по какому-либо критерию области (классы объектов). Получающееся при этом изображение называется тематической картой. Поскольку обычно выделяют содержательно интерпретируемые классы объектов, то классификацию можно

рассматривать как процедуру автоматизированного дешифрирования ДЦЗ. Процедура классификации основывается чаще всего на статистическом анализе различных характеристик изображения: пространственных, спектральных или временных. К простейшим полезным пространственным характеристикам относятся: текстура, контекст, форма и структурные соотношения. Под временными характеристиками следует понимать сезонные изменения земных покровов (особенно растительности), которые могут служить их индикаторами. Принято считать, что основную информацию о природе объектов на земной поверхности содержат их спектральные характеристики. Поэтому в большинстве известных алгоритмов классификации используются спектральные образы типов покрытий.

Различают два основных методологических подхода к проведению рассматриваемой процедуры: классификацию с обучением и автоматическую классификацию. В случае классификации с обучением задача состоит в обнаружении на изображении объектов уже известных типов, что требует некоторых предварительных знаний об исследуемом участке земной поверхности, таких, как планы лесонасаждений, пробные площадки, знания эксперта и т.д. На первом шаге процедуры необходимо интерактивно выбрать на изображении эталонные участки (обучающие выборки), являющиеся характерными (типичными) представителями выделяемых классов объектов. Этап обучения заключается фактически в расчете и анализе некоторого набора статистических характеристик распределения значений пикселей, соответствующих обучающим выборкам. Для оценки качества обучающих выборок используются различные методы (расстояние Бхаттачария, дивергенция, расстояние Джеффриса-Матусита и т.д.). Расстояние Джеффриса-Матусита (Jeffries-Matusita, JM) представляется формулой [Swain and Davis, 1978; Richards, 1993; Erdas Field Guide, 1999]:

Jn - l\Jp(x H ) - Jp(* I to,))dx,

(9)

где p{x\a)_i) и p(x\u)j) — условные вероятности появления пикселя х соответственно в классах а>₁ и cOj, определяются из обучающих выборок.

Для нормально распределенных классов формула приобретает вид:

J^2(l-e^B),

(10)

Я«1/8(т

_->М

(m, -m_;) + l/21n

(11)

где 5 - расстояние Бхаттачари [Kailath, 1967]; I,-, L - ковариационные матрицы обучающих выборок для классов т_і и а>^; [« J> L^y J ~ детерминанты соответствующих, ковариационных матриц; -1 степень — обозначает обратную матрицу; символ t - обозначает транспонирование.

Также, используют формулу вида [Erdas Field Guide, 1999; Swain and Davis, 1978]:

J,=V2(l-e^fl),

(12)

Из расстояния JM невозможно вычислить вероятность ошибки классификатора, но можно вычислить ее верхнюю и нижнюю границы по следующей формуле [Swain and Davis, 1978]:

^(2-JM,²^^ ^1-^1+Ьм/j, (13)

где і, j - номера сравниваемых сигнатур; JM,y - расстояние JM между і и j сигнатурами; Р_е - ошибка классификатора или вероятность того, что пиксель, отнесенный к классу/, на самом деле принадлежит классу і.

Наибольшее распространение среди классификаторов с обучением получил метод максимального правдоподобия, ввиду своей эффективности при использовании современной компьютерной техники. ІСлассифицирующую функцию для метода максимального правдоподобия выражается следующей формулой [Richards, 1993; Erdas Field Guide, 1999]:

giW-lnpioJ-llnlzJ-Kx-mJ^ix-mi), (14)

где р(сді) - априорная вероятность принадлежности пикселя изображения к данному классу щ; Z_i - ковариационная матрица обучающей выборки для i-го класса; [Z,-J - детерминант ковариационной матрицы S_f; х - вектор значений оцениваемого пикселя; m_t — вектор средних значений обучающей выборки класса со_{; (х-т₍У - транспонированная матрица (x-m,); HJ¹ — обратная матрица Е,-.

Пиксель присваивается тому классу, для которого g_t(x) принимает наименьшее значение [Erdas Field Guide, 1999]. Следует отметить, что данный тип классификатора можно использовать, если обучающие выборки классов являются «примерно» нормально распределенными.

Иногда используется метод параллепипеда, который отличается более простой формой и высоким быстродействием, а также автоматически отсекает области, которые заведомо не принадлежат ни одному классу, и не тре-

бует обучающих выборок, имеющих нормальное распределение [Richards, 1993]. Наряду с ним используют классификатор, в котором границы классов в пространстве признаков задаются геометрическими фигурами любого вида.

Другой вид классификации - автоматический, который не требует дополнительной наземной информации и глубокого знания дистанционных методов обработки. Методологической основой автоматической классификации является кластерный анализ, в ходе которого пытаются определить все встречаемые типы объектов при некотором уровне обобщения (выбранных критериях объединения, разделения или числа классов), а задача их интерпретации решается на втором этапе.

Типичным представителем является метод кластеризации ISODATA (Iterative Self-Organizing Data) [Erdas Field Guide, 1999]. Также, его называют методом динамических ядер. Входными параметрами являются N - количество классов; t - предел сходимости; М - максимальное количество итераций. На первом шаге определяются средние значения для каждого из N классов на основе различных алгоритмов [Swain and Davis, 1978]. На втором этапе все пикселя распределяются по классам на основе классифицирующей функции. На третьем этапе происходит пересчет средних значений каждого класса. На четвертом этапе, если это не первая итерации, то подсчитывается количество пикселей, перешедших в другие классы, и если это значение удовлетворяет заданному значению сходимости t, то кластеризация заканчивается. Также, кластеризация прекращается, если количество итераций достигло М.

Существуют гибридные алгоритмы, сочетающие элементы классификации с обучением и автоматической классификации [Richards, 1993].

По способу отнесения отдельных элементов изображения к тому или иному классу объектов различают жесткие и мягкие классификаторы. В случае жестких (традиционных) классификаторов принимается строго опреде-

ленное решение относительно принадлежности пикселей к некоторому классу. Мягкие же классификаторы оценивают вероятность, с которой анализируемый элемент изображения может принадлежать всем рассматриваемым классам покрытий (включая и неизвестные). Современные классификаторы позволяют также вводить элемент неопределенности на разных стадиях процесса, что допускает присутствие смешанных классов покрытий в каждом отдельном пикселе (субпиксельная классификация). Еще один сравнительно новый вид классификации связан с обработкой мультиспектральных данных. Такие данные поступают с экспериментальных систем ДЗ, работающих с очень узкой шириной зон традиционного спектрального диапазона, что увеличивает количество спектральных каналов до десятков и даже сотен. В этом случае для автоматизированного выделения классов объектов покрытий используются библиотеки спектральных кривых различных наземных ландшафтов.

Часто возникает необходимость тематической корректировки результатов классификации, особенно автоматической, выполняемой фактически по информационным характеристикам объектов. Для этого используется целый набор процедур, называемый операциями после классификационной обработки: слияние классов, разделение классов, устранение мелких ложных объектов, сглаживание границ объектов и т.п.

Важным этапом в процессе классификации является оценка точности полученных изображений, которая может выполняться как по данным полевых измерений, так и путем сравнения с соответствующими тематическими картами. Наиболее распространенный метод оценки точности - это каппа-статистика [Hudson and Ramm, 1987; Congalton, 1991]. Коэффициент каппа (обозначается к) определяется по формуле:

' 2-i^Xkk 2-i^Xk+ ' ^X+k

«= Л _v ^k , (15)

¹⁾¹ 2~,^Xk+ '^X+k

где х_ц - элементы матрицы ошибок; х_и = ^дс,_у — сумма всех значений ряда /

матрицы ошибок; x_+j = ^x_tj - сумма всех значений колонки у матрицы оши-

бок.

Значение выражения (15) равно 1 при полном совпадении карты и классифицируемого изображения и приближается к 0, если совпадение случайно. Каппа-статистика может быть рассчитана для каждого выделенного класса [Rosenfield et al, 1986]. Для качественной оценки совпадения карт по результатам оценки каппа-статистики используют следующие соотношения: плохое и очень плохое совпадение при к <0,4, удовлетворительное при 0,4? к <0,55, хорошее при 0,55? к <0,7, очень хорошее при 0,7? к <0,85 и отличное при к ?0,85.

Данная область обработки ДДЗ в настоящее время довольно интенсивно развивается: появляются новые классификаторы, основанные на последних достижениях в области моделирования искусственного интеллекта и других областях прикладной математики, например, нейронные сети и контекстуальные классификаторы [Добрынин и Савельев, 1999].

1.5.3 Специализированная тематическая обработка

К этой группе относятся операции выделения каких-либо специфических природных или антропогенных объектов. Обычно такие объекты детек-

тируются именно по их характерным особенностям. К этому типу относятся, например, операции, предназначенные для обнаружения и выделения линейных или кольцевых структур. Также проводят анализ с использованием рельефа местности.

1.5.4 Интеграция с ГИС

Полученные на предыдущих этапах обработки тематические карты представляют определенный интерес для решения задач ГИС. Тематические карты переводятся в векторный формат и интегрируются как отдельные слои в ГИС программы, такие как ARCVIEW, MAPINFO и ARCINFO. Более того, тенденции развития современных программ обработки ДДЗ все более тесно связываются с ГИС-программами, как по общим форматам данных, там и по направлениям упрощения решения комплексных задач.

1.5.5 Программное обеспечение для обработки данных ДЗ

В настоящее время существует множество программных продуктов, которые позволяют обрабатывать микроволновые данные. Широкое распространение получили такие продукты, как ERDAS IMAGINE, ENVI и IDRISI. Перечисленные программы работают под операционными системами Windows и UNIX. Они позволяют провести анализ фактически любых данных ДЗ. Программный пакет ERDAS Imagine поставляется с модулем Radar Mapping Suite, который был специально разработан для обработки радарных

изображений. На данный момент ERDAS IMAGINE поддерживает широко распространенные форматы данных со спутников ERS, JERS и Radarsat, кроме того, в Radar Mapping Suite реализованы расширенные функции по обработке материалов радиолокационных съемок, позволяющих генерировать цифровые карты рельефа местности.

Программное обеспечение IMAGINE Radar Mapping Suite создано компанией ERDAS Inc. совместно со стратегическими партнерами - Vexcel Corporation (Boulder, СО) и НПО Машиностроения (Москва, Россия) - двух мировых лидеров в области передовых радиолокационных технологий.

В состав Radar Mapping Suite входят следующие модули:

1. IMAGINE Radar Interpreter - Предоставляет основные инструменты, необходимые для обработки и улучшения радиолокационных изображений. Они являются независимыми от типа датчика и включают такие базовые функции, как подавление спекл-шумов, радиометрическая коррекция радиолокационных изображений и др.

2. IMAGINE OrthoRadar - Осуществляет высокоточную геометрическую коррекцию и ортокоррекцию радиолокационных изображений.

3. IMAGINE StereoSAR DEM - Создает цифровые модели рельефа (ЦМР) по стереопарам изображений, полученных радаром с синтетической апертурой.

4. IMAGINE IFSAR DEM - Использует новые технологии обработки, основанные на радарной интерферометрии для создания ЦМР по данным SAR.

Модули, входящие в IMAGINE Radar Mapping Suite, учитывают сложную специфику конкретной модели сенсора SAR. Этот подход позволяет максимально использовать информацию о характеристиках сенсора, режиме съемки, положении спутника на орбите и его ориентации, которая хранится в заголовке файла большинства форматов изображений SAR. Все гео-

метрические расчеты базируются на математической модели геометрии сенсора конкретного SAR, что позволяет получать значительно более высокую точность привязки и трансформирования, чем при использовании более обобщенных методов. Ортоизображения и ЦМР вообще могут быть получены с использованием только данных о модели сенсора, положения на орбите и параметрах ориентации, т.е. использование наземных опорных или тестовых точек является необязательным. Однако использование опорных точек в модели ERDAS SAR позволяет повысить точность привязки и качество ортоизображения и ЦМР, полученных с использованием только орбитальной информации.

Модель ERDAS SAR является общей для большого диапазона источников изображений, полученных радаром с синтетической апертурой. Информация о сенсоре, параметрах орбиты и ориентации без потерь переводится в стандартизованное описание геометрии SAR и хранится в специальной структуре файла изображения. Этот метод позволяет быстро добавлять новые появляющиеся типы и модели сенсоров SAR и при этом не вносить изменений в программное обеспечение для последующих стадий обработки данных. Вся специфика сенсора при этом учитывается на стадии импорта данных и формирования стандартного описания.

Модуль IMAGINE OrthoRadar точно корректирует радарные изображения с синтетической апертурой на основе данных о модели сенсора SAR, основанной на характеристиках спутниковой орбиты и параметрах формирования изображений. Для более точной коррекции есть возможность использования независимых, определяемых пользователем, наземных опорных точек (GCPs - ground control points) и информацию о высотах (ЦМР), если они доступны. Точные наземные опорные точки могут быть использованы не только для боле точного трансформирования снимка, откорректированного по орбитальным параметрам, но и для коррекции орбиты спутника, что по-

зволяет избежать деградации изображения при двукратной передискретизации. ЦМР используется для устранения искажений на снимке, связанных с рельефом местности. Все вместе эти дополнительные источники могут значительно улучшить точность результирующего изображения

Модуль IMAGINE StereoSAR DEM строит рельеф по парам радиолокационных изображений в автоматизированном режиме, используя метод пространственной корреляции с вычислением параллаксов. Модуль IMAGINE IFSAR DEM строит рельеф по радиолокационным данным с использованием технологии радарной интерферометрии, которая, за счет учета фазовой составляющей сигнала, позволяет обнаруживать на местности неровности сантиметровой высоты. Радарная интерферометрия - ценный инструмент для мониторинга деформаций сооружений и просадок на земной поверхности, приуроченных к участкам интенсивной эксплуатации нефтяных или водоносных горизонтов или при мониторинге движений земной коры в геологически нестабильных районах.

В модулях IMAGINE IFSAR DEM и IMAGINE StereoSAR DEM могут быть использованы как автоматические режимы, где значения всех параметров подбираются программой, так и управляемые оператором режимы, позволяющие как начинающему пользователю, так и опытному пользователю создавать цифровые модели рельефа и улучшать качество параметров с учетом индивидуальных особенностей и требований к обработке.

Модуль IMAGINE Radar Interpreter включает в себя хорошо опробованную технологию ERDAS, распространявшуюся в течение многих лет модуль IMAGINE Radar. Он дополняет функциональность системы IMAGINE Radar Mapping Suite, давая возможность осуществлять независимые от типа датчика операции такие как удаление спекл-шумов, текстурный анализ, слияние изображений, радиометрическую и геометрическую коррекцию начального уровня и др. IMAGINE Radar Interpreter, будучи независимым от

источников данных, может работать с любыми типами изображений, полученных радаром с синтетической апертурой, даже если они не сопровождаются всей специфической информацией.

Конкурирующим с ERDAS является программный пакет ENVI, по ряду свойств он даже превосходит ERDAS. Ее разработчиком является компания RSI (Research Systems Inc.), США. В отличие от других пакетов по обработке снимков в ENVI встроен удобный язык программирования IDL (Interactive Data Language), что позволяет расширить функциональные возможности ENVI или создать собственные подпрограммы. Открытая архитектура ENVI обеспечивает удобство обработки данных, полученных со спутников LANDSAT, SPOT, RADARSAT, и др. К достоинствам системы ENVI относятся: широкий выбор входных форматов, обработка изображений с помощью формул и фильтров, кластеризация, векторизация растровых данных, привязка данных к системам координат и картографические проекции, трехмерная визуализация, динамический доступ к данным ГИС и СУБД, подготовка карт, печать высокого качества, обработка гиперспектральных снимков.

Программный пакет IDRISI разработан и распространяется компанией Clark Labs (США) с 1987 года. 32-битная версия IDRISI работает под операционной системой Windows NT. Несомненным преимуществом перед предыдущими упомянутыми системами обработки данных ДЗ являются: встроенные инструменты статистической обработки данных, специальные методы анализа временных рядов снимков, возможность моделирования и решение ГИС задач, и поддержка СОМ-технологии, позволяющей расширять возможности IDRISI.

Менее известным программным пакетом является HESPERUS компании AM Lab (лаборатории прикладной математики). Программа предназначена для визуализации и обработки двумерных данных (цифровых изобра-

жений) любой природы. Сферы применения программы: научные исследования и учебная деятельность, обработка данных, полученных с медицинских и астрономических приборов, обработка данных дистанционного зондирования и т.п. Программа предназначена для работы под Windows 95/98 и Windows NT. Программ является условно-бесплатной.

В последнее десятилетие интенсивно развиваются нейросетевые методы анализ данных ДЗ, которые позволяют проводить более точное тематическое картирование, нежели существующие статистические методы [Lianjun and Chuangmin, 2004; Jia and Zhang, 2001; Добрынин и Савельев, 1999]. Нейросетевые методы реализованы в программных продуктах ScanEx Neris (коммерческая версия, ) и LKNet (свободно распространяемая версия, index.html).

Выводы

5. Разрабатываются новые методики и технологии обработки данных МДЗ, последние из которых связаны с использованием радарной интерферометрии и когерентных данных.

6. Накопленный опыт показывает, что в целом задачи МДЗ являются достаточно сложными и требуют совместного участия многих специалистов. Такие попытки уже есть, например, проект SIBERIA по картированию боре-альных лесов с использованием данных ERS.

7. Одними из актуальных задач являются следующие: 1) анализ и разработка методических основ применения спектрорадиометрической и микроволновых съемок для оценки природных и антропогенных воздействий на лесной покров; 2) анализ и разработка методических основ применения микроволновой съемки для картирования лесных территорий.

2 Объекты исследования

Объектом исследования являются растительные сообщества Енисейского меридионального трансекта. Трансект простирается вдоль Енисея полосой 900 км у северной границы (70 с.ш.) до 560 км на юге (57 с.ш.) и на протяжении около 1200 км пересекает лесотундру и подзоны северной, средней и южной тайги. На западе и востоке границы трансекта совпадает с границами Красноярского края [Лесные экосистемы Енисейского меридиана, 2002]. Анализ проводился на семи ключевых участках: четыре участка вдоль левобережья Енисея, «Ары-Mac» - экотон лесотундры, шелкопрядники Нижнего Приангарья, Юрубчено-Тохомское нефтегазовое месторождение (рисунок Б.4).

2.1 Лесные территории западной части Енисейского трансекта

Енисейский меридиональный трансект включает ряд провинций Западно-Сибирской равнины [Гвоздецкий, Михайлов, 1970]. Протяженность тундровой зоны - более 300 км. В ее пределах встречаются ландшафты всех подзон тундровой зоны: арктической, типичной и кустарниковой. Особенно большие площади занимают моховые и лишайниковые тундры. Лесотундровая зона - Енисейско-Тазовская провинция, расположенная на водоразделе рек Таз и Енисей. Здесь на равнинах обычно развиваются бугристые сфагновые болота, а по склонам холмов и речных долин - лишайниковые лиственничные и елово-лиственничные редколесья, а также заросли кустарников. Часть исследуемого региона (Таз-Енисейское междуречье) сильно заболоче-

на и покрыта множеством озер различных размеров. Лесная растительность на ее северном пределе распространения представлена редколесьями лесотундрового типа из ели сибирской и лиственницы сибирской при участии березы пушистой и сосны сибирской; древостой Va-V6 классов бонитета. К югу редколесья сменяются редкостойными лесами северо-таежного типа, приуроченными к долинам рек, хорошо дренированным холмам, буграм, грядам и их склонам. Древостой образованы преимущественно лиственницей сибирской и елью сибирской с примесью кедра. Широко распространены производные березовые леса [Абаимов и др., 1995].

Следующая зона, занимающая огромную территорию Западной Сибири - лесоболотная. В целом зона отличается большой заболоченностью и широким развитием верховых грядово-мочажинных сфагновых болот. Леса, занимающие менее 40% площади зоны, приурочены к невысоким холмам и увалам междуречий, а также хорошо дренированным долинам рек. Лесоболотная полоса Западно-Сибирской равнины подразделяется на четыре подзоны: северотаежную, среднетаежную, южнотаежную и сосново-мелколиственных, преимущественно сосново-березовых, лесов. Из ландшафтных провинций лесоболотной зоны рассмотрим Приенисейскую и Чу-лымо-Енисейскую.

Приенисейская провинция включает восточные районы западносибирской тайги, прилегающие к Енисею. Она протягивается широкой полосой с севера - от верховьев реки Турухан - на юг - до Чулымо-Кетского водораздела. Провинция - одна из наиболее возвышенных в зоне. В северных районах провинции, где широко распространена вечная мерзлота, растут лиственничные леса и лиственнично-елово-кедровая северная тайга. Южнее они сменяются густой елово-пихтово-кедровой тайгой, а в бассейнах рек Сым и Кеть встречаются сосновые боры. Болот здесь меньше, чем на западе, а крупные болотные массивы вообще отсутствуют.

Чулымо-Енисейская провинция занимает юго-восточную часть лесобо-лотной зоны в пределах Чулымо-Енисейского плато. Разнообразие и приподнятость рельефа, континентальность климата определяют значительные контрасты растительности. На севере преобладают темнохвойные южнотаежные леса и сосняки с травянистым наземным покровом, на юге они сменяются подтаежными березовыми и парковыми березово-осиновыми лесами. На крайнем юге вдоль железнодорожной магистрали значительные площади занимают луговые степи и лесостепные березово-осиновые перелески.

2.2 Лесные территории Средней Сибири

Территория Енисейского трансекта включает западные провинции Средней Сибири [Гвоздецкий, Михайлов, 1970]. В целом Средняя Сибирь занимает территорию между Енисеем и Леной и обрамлена на юге и востоке горами Южной и Северо-Восточной Сибири. Средняя Сибирь занимает огромную площадь, протягиваясь как с севера на юг, так и с запада на восток на 2000 - 2500 км. Отчетливо проявляются сложные изменения природных условий и в долготном, и в широтном направлениях, в результате которых отдельные участки территории сильно различаются по своим природным особенностям. Для всей территории характерен резко континентальный климат и почти повсеместное распространение вечной мерзлоты — сплошное к северу от Нижней Тунгуски и островное в южной половине. Широтные географические зоны выражены менее отчетливо, чем в Западной Сибири, что объясняется преобладанием пересеченного, нередко даже горного рельефа. По этой причине во многих местах хорошо проявляется высотная зональность ландшафтов. Почвенно-растительные зоны представлены в Средней

Сибири арктическими пустынями, тундрами, лесотундрой и тайгой. Подзона мелколиственных лесов отсутствует, а степи и лесостепи встречаются на крайнем юге и востоке страны только в виде островов среди тайги. Значительные колебания высот и сильно пересеченный рельеф обусловливают отчетливо выраженную высотную зональность, особенно типичную для наиболее приподнятых северных провинций страны. В ее пределах преобладает светлохвойная тайга из лиственницы сибирской на западе и даурской на востоке. Темнохвойная тайга оттеснена в крайние западные районы и на повышенные участки южных провинций. Теплое и не очень влажное лето служит причиной более значительного, чем где-либо, продвижения лесов на север: на Таймыре древесная растительность встречается под 7250 с.ш. Ландшафтные провинции образуют две зональные группы: северную и таежную. К интересующим нас провинциям относятся Путоранская, Тунгусская, Енисейского кряжа, Приангарская и Присаянская, а также северные провинции.

Северные провинции (горы Бырранга, Енисейско-Хатангская провинция) располагаются в пределах трех ландшафтных зон: арктических пустынь, тундровой и лесотундровой. В горах Бырранга преобладает арктическая пустыня с бедной и разреженной растительностью на примитивных почвах. На низменностях распространены мохово-лишайниковые и ерниково-ивняковые тундры. Избыточно увлажненные пространства занимают кочкарные пуши-цевые тундры. Енисейско-Хатангская провинция лежит в тундровой зоне. Северная ее часть занята мохово-лишайниковыми, а южная - кустарниковыми (ерниково-ивняковыми) тундрами. В крайних южных районах провинции появляются лесотундровые редколесья из даурской лиственницы.

Северная таежная провинция - Путорана. Путорана располагается в подзоне северной лиственничной тайги. Однако горный рельеф обусловливает большое разнообразие растительности и отчетливо выраженную высотную зональность в распределении основных типов ландшафтов. Долины се-

верных районов провинции до высоты 300 — 350 метров, а на юге и значительно выше, заняты довольно густыми горными лиственнично-еловыми лесами. Выше по склонам тайга постепенно переходит в лиственничное редколесье, которое затем сменяется полосой кустарниковых зарослей, главным образом из кустарниковой ольхи, тощей березки и полярных ив. Выше 500 -600 метров заросли кустарников распадаются на отдельные куртины и начинается своеобразная кустарниковая горная тундра, переходящая на высоте 700-900 метров в каменистую высокогорную тундру с несплошным растительным покровом. Наиболее высокая центральная часть Путорана представляет собой горную арктическую пустыню.

Тунгусская провинция занимает значительную часть территории бассейнов Нижней и Подкаменной Тунгусок. Большая часть провинции располагается в пределах среднетаежной подзоны. Здесь преобладают однообразные леса из сибирской и даурской лиственниц, на западе встречаются массивы темнохвойной елово-пихтово-кедровой тайги и березовые леса. Средне-таежные леса из лиственниц сибирской и даурской редко образуют густые насаждения. Во многих местах распространены вторичные березовые и бере-зово-осиновые леса, занимающие 15 - 18% площади подзоны.

Провинция Енисейского кряжа располагается от района Канска на юге до устья Подкаменной Тунгуски на северо-западе. Территория провинции покрыта темнохвойной тайгой. Наиболее повышенные, расположенные на высоте более 500 — 700 метров, заняты густой темнохвойной тайгой с преобладанием сибирской пихты и значительным участием кедра. В других местах более обычна зеленомошная елово-пихтовая тайга, в которой видную роль играет сибирская ель. На восточных склонах, на высотах ниже 500 м, появляются парковые сосново-лиственничные леса с кустарниковым наземным покровом и обширные участки высокотравных таежных лугов и ерников. На юге, вблизи долины Ангары, преобладают сосновые боры. Наиболее высокие вершины безлесны и заняты каменистыми россыпями,

вершины безлесны и заняты каменистыми россыпями, чередующимися с зарослями ерников или куртинами субальпийских лугов.

Приангарская провинция располагается восточнее Енисейского кряжа. Здесь преобладают южнотаежные ландшафты. Среди покрывающих провинцию лесов доминируют сосновые и сосново-лиственничные боры, обычно негустые, с хорошо развитым ярусом кустарников, преимущественно из даурского рододендрона, и густыми зарослями лугово-лесных трав.

Присаянская провинция расположена на юге Средней Сибири, у подножия северного склона Восточного Саяна. Это самая теплая провинция Средней Сибири. Контрастность условий увлажнения различных элементов рельефа сказывается на распределении ландшафтов: на более влажных междуречьях формируются лесные ландшафты, а в относительно засушливых пониженных участках - лесостепные. Большая часть территории провинции занята лиственнично-сосновыми и сосновыми лесами с напочвенным покровом из различных таежных кустарничков или травянистых растений. Сосна чаще всего поселяется на надпойменных террасах и южных склонах, лиственница - на холодных почвах междуречий и северных склонов. Леса довольно разнообразны, но наиболее типичны бруснично-разнотравные лист-веннично-сосновые боры с подлеском из шиповника, спиреи, ольховника, можжевельника. Среди лесных пространств встречаются значительные по площади лесостепные острова с луговыми степями, остепненными лугами и участками березовых и сосново-лиственничных лесов.

В лесах южной тайги преобладают смешанные древостой. Ландшафты этой подзоны подвержены антропогенному воздействию, типичны старые гари, обычно занятые луговой растительностью или вторичными мелколиственными лесами. Значительные пространства в бассейне Ангары заняты сосновыми лесами. На юге Средней Сибири располагаются острова Ачинской, Красноярской и Канской лесостепи. Для них типичны луговые степи, остеп-

ненные луга и участки березовых и сосново-лиственничных лесов, а на востоке — лиственничных лесов.

2.3 Ключевые участки

2.3.1 Ключевые участки вдоль левобережья Енисея

Анализировалась восточная окраина Западно-Сибирской равнины в границах Красноярского края на отрезке 57 - 69 северной широты. Для проведения анализа мелкомасштабной микроволновой съемки RADARSAT соответственно зональному делению территории [Атлас Красноярского 1994] подобраны четыре тестовых участка (рисунок Б.5), которые расположены вдоль р. Енисей и охватывают полный набор природных зон, включая тундровую, лесотундровую и таежную (раздельно по подзонам северной, средней, и южной тайги). Природные условия участков согласно схеме районирования Д.М. Киреева [Киреев, 1979] характеризуются следующими основными чертами.

Тестовый участок №1 в основном расположен в зоне тундры, захватывая небольшой участок лесотундры, которая здесь значительно продвинута на север по долине Енисея. В целом это возвышенная относительно слабо заболоченная ледниково-морская мерзлая равнина. Фоновая растительность - мохово-лишайниковые тундры в сочетании с плоскобугристыми и крупнобугристыми болотами смешанного и переходного типов водно-минерального питания. Для лесотундры этот перечень дополняется лиственничными мохо-во-лишайниковыми редколесьями, сосредоточенными преимущественно в речных долинах.

Тестовый участок №2 расположен в подзоне северной тайги и охватывает две гипсометрические ступени макрорельефа с относительным превышением более 100 м. Нижняя ступень, формирующая долину р. Енисей, представляет собой мерзлую сильно заболоченную озерно-аллювиальную равнину. Фоновые почвогрунты имеют тяжелый механический состав. Растительный покров чрезвычайно пестрый и мелкоконтурный. Его доминини-рующие компоненты - редкостойные кедровники и лиственничники мохово-лишайниковые в сочетании с плоскобугристыми и крупнобугристыми болотами смешанного и низинного типов питания. Верхняя ступень макрорельефа, переходящая непосредственно в «материк» — относительно лучше дренированная равнина ледникового генезиса, сложенная преимущественно грунтами тяжелого состава. Фрагментами сохранились песчаные ложбины древ-неледникового стока. В отличие от нижней ступени, почвенный криогенез не имеет здесь повсеместного распространения и проявляется преимущественно в полугидроморфных (заболачивающихся) ландшафтах. В растительном покрове доминируют кедровники и лиственничники кустарничково-лишайниково-моховые в сочетании с лишаиниково-моховыми сосняками по днищам ложбин древнеледникового стока.

Тестовый участок №3 охватывает бассейн Сыма и расположен в подзоне средней тайги. По природным условиям эта территория наиболее разнородна. Нижнее левобережье Сыма (на междуречье Сым-Енисей) представляет собой сильно заболоченную водно-ледниковую и аллювиальную преимущественно песчаную равнину, подверженную отрицательной неотектонике (так называемая Сымская неотектоническая впадина). Фоновая растительность — сосняки лишайниково-кустарничково-моховые в сочетании с болотами верхового и переходного типов питания. Среднее и нижнее левобережье Сыма - это комплекс возвышенных эрозионно расчлененных и хорошо дренированных равнин водно-ледникового генезиса, сложенных пре-

имущественно тяжелыми почвогрунтами. В растительном покрове доминируют зональные кустарничково-зеленомошные кедровники и березняки тра-вяно-зеленомошные пирогенного происхождения. Среднее и верхнее правобережье Сыма охватывает умеренно дренированные суглинистые равнины, пересеченные сильно заболоченными песчаными ложбинами древнеледни-кового стока. Соответственно растительный покров имеет двухчленную структуру: 1) зональные кустарничково-зеленомошные кедровники и пост-пирогенные мелколиственные травяно-зеленомошные леса в сочетании с мелкоконтурными болотами переходного и смешанного типов питания на суглинках, и 2) лишайниково-кустарничково-моховые сосняки в сочетании с болотными системами верхового типа питания по песчаными днищам древ-неледниковых ложбин.

Тестовый участок №4 расположен в среднем течении Чулыма (бассейн Оби) в подзоне южной тайги. Это высокая равнина, хорошо расчлененная и дренированная, сложенная суглинками. Зональная растительность представлена темнохвойными (кедрово-елово-пихтовыми) травяно-моховыми лесами, замещенными на большей части территории послепожарными березняками и осинниками травяными. Мелкоконтурные болота переходного и низинного типов питания локализованы преимущественно по днищам водотоков.

2.3.2 Ключевой участок - Юрубчено-Тохомское нефтегазовое месторождение

Территория Юрубчено-Тохомской зоны расположена в пределах Средне-Сибирского плоскогорья и представляет собой приподнятую полого-холмистую равнину, расчлененную густой гидросетью. Абсолютные отметки

водоразделов колеблются в пределах 500 - 600 м. Климат района резко континентальный, с продолжительной холодной зимой (середина октября — середина апреля) и коротким жарким летом (начало июня - конец августа). Среднемесячная температура января составляет от минус 30 до минус 40С (минимальная - минус 60С). Среднемесячная температура июля плюс 16...18С (максимальная плюс 38С), среднегодовая минус 6С. Продолжительность залегания снежного покрова - 180 - 190 дней, средняя высота - 40

60 см (90 см в лесу). Среднегодовое количество осадков — 350 мм, из них 70

80% приходится на теплое время года. Рассматриваемый регион относится к таежной зоне (подзона средней тайги). Преобладает горно-мерзлотно-таежный тип почвообразования и связанные с ним суглинистые и глинистые дерново-подзолистые, местами маломощные щебнистые почвы. В долинах рек развиты болотно-подзолистые и болотные почвы. Встречаются торфяники. Распространены островные участки многолетней мерзлоты, приуроченные, как правило, к долинам рек и северным склонам водоразделов. Толщина многолетне-мерзлотного слоя достигает 40 - 70 м. В летнее время грунты оттаивают на 1-2 м [Зуй и Володько, 1991]. Для района исследований характерно распространение темнохвойных, светлохвойных и смешанных лесов. Преобладают смешанные леса из лиственницы, ели, пихты, березы, редко осины и сосны. В подлеске — тальник, ольха, шиповник. Темнохвойные леса из кедра, ели и пихты распространены преимущественно на суглинистых почвах водораздельных пространств и имеют низкий (V) класс бонитета.

Юрубчено-Тохомское месторождение расположено в пределах Камов-ского нефтегазоносного района Байкитской области Лено-Тунгусской провинции (рисунок Б.6). Глубокое бурение на нефть и газ было сделано в 1970 году; первый промышленный приток нефти в пределах Юрубчено-Тохомской зоны получен в феврале 1977 года. В 1988 году получен первый приток газа. Первоначальный ввод - двадцать добывающих скважин, в на-

стоящее время их более сотни. К типичным нарушениям лесных территорий относятся просеки, волоки, буровые площадки, элементы инфраструктуры (дороги, базы, промзоны), а также гари.

2.3.3 Ключевой участок - шелкопрядники Нижнего Приангарья

Анализировалась территория массового размножения сибирского шелкопряда, имевшего место в 1994-1996 гг. в темнохвойных лесах южной тайги (Нижнее Приангарье). Этот регион соответствует оптимуму обитания сибирского шелкопряда, зоне его очагового распространения, и находится в зоне интенсивного лесопользования. На рисунке Б.7 представлено схематичное расположение территории указанного шелкопрядника (черным квадратом). В темнохвойных лесах Нижнего Приангарья поврежденные участки представлены мозаично расположенными очагами и ограниченны 57 и 59 с.ш. и 93 и 98 в.д. Общая площадь вспышки составила около 700 тыс. га, в том числе на ~300 тыс. га насаждения погибли. Рельеф большей части территории представляет слабо всхолмленное плато. Почвы преимущественно подзолистые. Климат континентальный, годовое количество осадков составляет 400 - 500 мм, среднегодовая температура минус 2,6С с абсолютным минимумом минус 54С (декабрь) и максимумом плюс 36С (июль). Период вегетации длится около 100 дней. Древостой сформированы пихтой, елью, кедром, сосной (Pinus silvestris), лиственницей {Larix sibirica), осиной (Populus tremula), березой (Betula pendula). Древостой III-IV классов бонитета, с запа-сом древесины 200 - 230 м /га, средний возраст - 135 лет.

Анализировался репрезентативный фрагмент территории, включавший части Усольского, Первомайского и Чуноярского лесхозов и ограниченный 5713' до 5754* с.ш., и от 9442' до 9558' в.д.

2.3.4 Ключевой участок - экотон лесотундры «Ары-Мас»

Исследовался экотон лесотундры на полуострове Таймыр. Исследуемая территория включала урочище «Ары-Мас» («лесной остров») и была ограничена 7202* и 7240' параллелями по широте, и 101 15* и 10206' меридианами по долготе (общая площадь -35 тыс. га). Лиственничники урочища являются самыми северными в мире древостоями (7228' с.ш., 10140^f в.д.). Впервые это уникальное место было описано А. И. Толмачевым [Толмачев, 1932, 1935], затем подробно исследовано Л. Н. Тюлиной [Тюлина, 1937] и Полярной Комплексной экспедицией Ботанического Института АН СССР [Ары-Мас, 1978]. Сам лесной остров имеет протяженность около 20 км при ширине 0,5 - 4 км и расположен на высокой террасе р. Новой. Остальную часть территории этого участка занимают пятнистые и мелкобугорковые осоково-кустарничково-моховые тундры, полигональные болота, в меньшей степени - ерниковые тундры, долинные кустарники, нивальные луговины и луговые сообщества поймы.

Кроме массива «Ары-Мас», рассматривались лиственничники, расположенные на юго-восточных склонах, обращенных к р. Хатанга (рисунок Б.8, нижняя правая часть). Расстояние между этими участками составляет -45 км; оба массива лиственничников имеют близкие эколого-лесоводственные характеристики. Для удобства изложения рассматриваемая территория будет именоваться в дальнейшем как экотон «Ары-Мас». Указанный экотон сфор-

мирован лиственницей {Larix gmelinii); величина сомкнутости насаждений достигает 0,5, класс бонитета - Va-V6. Климат региона резко континентален (коэффициент континентальности 232 - 251), количество осадков менее 300 мм/год, величина годичного испарения составляет 50 - 100 мм. Продолжительность вегетационного периода - 32 - 65 дней. Глубина сезонного оттаивания почвогрунта достигает 50 - 70 см на минерализованных участках и 10 -30 см под моховым покровом [Ары-Мас, 1978].

3 Материалы и методика исследования

Стандартные методы обработки, использованные в исследовании, описаны в параграфе 1.5. Ниже приводятся специфические аспекты методик, использованных для решения поставленных задач.

3.1 Анализ применимости съемки RADARSAT для мелкомасштабного картирования лесных территорий

Цель исследования заключалась в проведение анализа применимости съемки RADARSAT для дешифрирования: 1) растительности по степени почвенно-грунтового увлажнения (суходольной, заболачивающейся, болотной); 2) суходольной и заболоченной (лесной и тундровой) растительности по типологическому составу; 3) болот по условиям ландшафтного залегания и водно-минерального питания, типологическому составу.

В работе использованы следующие материалы:

1. мозаика из 4-х снимков RADARSAT (длина волны 5,6 см, ГГ-поляризация) с разрешением на местности 100x100 м, дата съемки 27.09.1999, снимки получены из Годдардекого центра космических полетов, США;

2. топографические карты М 1:100000, составленные по материалам съемки 1971, 1972, 1975 гг.;

3. карта «Растительность Западной Сибири», М 1:1500000 [Растительность Западно-Сибирской равнины, 1976];

4) космические снимки М 1:200000 (датированные 15.09.1977;
06.08.1980; 10.09.1984; 22.07.1983), КФА-1000;

5) космические снимки М 1:1000000 (датированные 15.09.1977;
06.08.1980; 10.09.1984; 22.07.1983), КФА-1000;

6. электронная карта лесов М 1:2500000, 1993 г.;

7. рельеф местности GTOPO30 с разрешением на местности 500x500 м;

8. материалы наземных исследований в Томской области и Красноярском крае. Обработка данных дистанционного зондирования проводилась с помощью программного пакета ERDAS IMAGINE. Microsoft EXCEL использовался для статистической обработки данных.

Анализировались четыре ключевых участка, расположенные на восточной окраине Западно-Сибирской равнины вдоль левобережья р. Енисей.

3.1.1 Предобработка

Включала следующие этапы: 1) фильтрация мозаики RADARSAT медианным фильтром с окном 3x3; 2) создание 4-х слоев текстурных характеристик (Евклидово расстояние (ц), дисперсия (о), эксцесс (є), асимметрия (г|)) с проходным окном 3x3; 3) интерполяция рельефа местности GTOPO30 от разрешения 500x500 м к 100x100 м; 4) создание композита, состоящего из мозаики RADARSAT и 4-х текстурных характеристик (далее пятислойный композит); 5) создание композита, состоящего из мозаики RADARSAT, 4-х текстурных характеристик и интерполированного рельефа местности (далее шестислойный композит).

3.1.2 Создание и анализ сигнатур классов

Составлялись и классифицировались сигнатуры классов (обучающие выборки) и выполнялся их статистических анализ. Все обучающие выборки формировались с учетом природной структуры растительного покрова - типологического состава и территориальной представленности типов. Минимальный размер сигнатуры составил 18 пикселей, максимальный — 8270, в среднем - 862; известно, что минимальный размер обучающей выборки должен быть больше, либо равен числу используемых параметров [Swain and Davis, 1978]. Обучающие выборки природных комплексов создавались на основе топографических карт, экспертных оценок и карты растительности. Для 3 и 4 участков дополнительно использовались материалы космической съемки LANDSAT и КФА-1000. Области обучения генерировались методом наращивания областей.

Ключевой участок №1

В целом выделено 7 классов растительности и 9 соответствующих им сигнатур: 1) луга злаковые; 2) ивняки пойменные с ольхой; 3) редколесья лиственничные лишайниково-моховые (различаемые по абсолютной высоте местоположения -1,2); 4) лиственничные редколесья лишайниковые в сочетании с лишайниково-моховыми тундрами; 5) тундры ерниковые (различаемые по абсолютной высоте местоположения -1,2); 6) тундры лишайниково-моховые; 7) тундры лишайниковые. В среднем на каждую сигнатуру приходилось 11 выборок, 185 пикселей. В таблице А.6 представлены характеристики обучающих выборок.

Ключевой участок №2

Условно разделен по абсолютной высоте на два фрагмента, соответствующие: 1 — долине Енисея; 2 - материковой поверхности.

Для фрагмента 1 выделены следующие классы: 1) сырые ивняково-лесные комплексы низкой поймы Енисея; 2) болотистые ольховники высокой поймы Енисея; 3) сырые кустарниково (ивняково-ольхово)-лесные комплексы долин притоков Енисея (различаемые по абсолютной высоте местоположения — 1, 2, 3); 4) лиственничники с березой кустарничково-зеленомошные суходольные (различаемые по абсолютной высоте местоположения - 1, 2); 5) березово-темнохвойные (елово-кедровые) леса кустар-ничково-зеленомошные суходольные; 6) сосново-березовые леса лишайни-ково-зеленомошные суходольные (различаемые по абсолютной высоте местоположения -1,2); 7) темнохвойные (елово-кедровые) леса кустарничко-во-мшистые сырые; 8) темнохвойно-лиственничные кустарничково-сфагновые заболоченные леса; 9) лесо-болотные мерзлотно-бугристые комплексы; 10) болота травяно-моховые переходного типа питания; 11) болота грядово-мочажинные смешанного типа питания (различаемые по абсолютной высоте местоположения - 1, 2); 12) болота сосново-кустарничково-сфагновые верхового типа питания (сосновые рямы); 13) болота крупнобугристые в сочетании с плоскобугристыми (различаемые по абсолютной высоте местоположения - 1, 2). В среднем на каждую сигнатуру приходилось 17 выборок, 293 пикселя. В таблице А.7 представлены характеристики сигнатур классов.

Для фрагмента 2: 1) лиственнично-темнохвойные редколесья кустар-ничково-зеленомошные суходольные (различаемые по абсолютной высоте местоположения - 1, 2, 3); 2) лиственнично-темнохвойно-березовые редколесья зеленомошно-лишайниковые суходольные; 3) лиственнично-сосновые редколесья зеленомошно-лишайниковые (различаемые по абсолютной высоте местоположения - 1, 2); 4) лиственнично-темнохвойные леса кустарнич-ково-мшистые сырые; 5) лиственнично-темнохвойно-березовые леса кустар-ничково-долгомошные суходольные; 6) сосняки зеленомошно-

лишайниковые суходольные в сочетании с сосновыми рямами; 7) болота травяно-моховые переходного типа питания (различаемые по абсолютной высоте местоположения - 1, 2, 3); 8) болота грядово-мочажинные смешанного типа питания (различаемые по абсолютной высоте местоположения — 1, 2, 3, 4); 9) болота крупнобугристые в сочетании с плоскобугристыми. В среднем на каждую сигнатуру приходилось 13 выборок, 309 пикселей. В таблице А. 8 представлены характеристики обучающих выборок.

Ключевой участок №3

Выделены следующие классы растительности: 1) пойменные луга злаковые влажные; 2) пойменные ельники кочкарноосоковые мокрые; 3) леса темнохвойные (елово-кедровые) кустарничково-зеленомошные суходольные; 4) березняки травяно-зеленомошные суходольные; 5) березово-темнохвойные (елово-кедровые) леса кустарничково-зеленомошные суходольные; 6) сосняки лишайниковые суходольные; 7) сосняки бруснично-зеленомошные суходольные; 8) сосняки сложные (с подпологовым ярусом темнохвойных) чернично-зеленомошные суходольные; 9) вырубки сосновые лишайниковые; 10) болота травяно-моховые переходного типа питания; 11) топи транзитные грядово-мочажинные переходного типа питания; 12) болота сфагновые верхового типа питания; 13) болота грядово-мочажинные верхового типа питания. В среднем на каждую сигнатуру приходилось 9 выборок, 2358 пикселей. В таблице А.9 представлены характеристики сигнатур классов.

Ключевой участок №4

Выделены следующие классы: 1) первичные пойменные луга влажные разнотравно-злаковые; 2) вторичные луга разнотравно-злаковые свежие; 3) пойменные ельники кочкарноосоковые мокрые 4) болота пойменные травя-но-гипновые низинного типа питания (различаемые по абсолютной высоте местоположения - 1, 2); 5) болота березово-сосновые переходного типа пи-

тания; 6) леса темнохвойные (кедрово-пихтовые) травяно-зеленомошные суходольные (различаемые по абсолютной высоте местоположения - 1, 2); 7) березово-темнохвойные (кедрово-пихтовые) леса травяно-зеленомошные суходольные (различаемые по абсолютной высоте местоположения - 1, 2); 8) березняки травяные суходольные (различаемые по абсолютной высоте местоположения - 1, 2) 9) болота внепойменных местоположений травяно-сфагновые переходного типа питания (различаемые по абсолютной высоте местоположения - 1, 2, 3). В среднем на каждую сигнатуру приходилось 7 выборок, 1320 пикселей. В таблице АЛО представлены характеристики сигнатур классов..

Исследования в области микроволнового дистанционного зондирования

Фотография была изобретена в 1839 году известным французским ученым Франсуа Араго. Дальнейшее развитие человеческой мысли в области физики и химии привело к открытию технологии изготовления цветных фотографий.

Первый ИСЗ был запущен 4 октября 1957 г. Впервые космоснимки были получены 18 августа 1960 г. с локхидовского (Lockheed) спутника-разведчика КН-1 (США). Первый советский автоматический фоторазведчик "Зенит-2" (или "Космос-4") стартовал с Байконура 26.04.1962. Цифровые ДДЗ вышли на сцену в 1972 г. с запуском первого спутника серии LANDSAT. Первые цифровые спутниковые РСА были установлены на спутниках «АЛМАЗ-1» (31.03.1991) и ERS-1 (17.07.1991).

Данные дистанционного зондирования (ДДЗ) использовались в основном в рамках географических информационных систем (ГИС). История развития методов ДЗ и ГИС очень интересна и началась более чем 100 лет назад. Ранние ГИС, еще до появления компьютеров, использовали нарисованные от руки и накладываемые друг на друга слои (кальки) из прозрачного материала, которые содержали информацию о почвах, рельефе и растительности. Разглядывая их на просвет, ландшафтные архитекторы и градостроители могли принимать обоснованные решения о наилучших местах для размещения новых сооружений, учитывая практические потребности и параметры окружающей среды.

В 1972 г. был запущен спутник LANDSAT-1. Установленный на нем прибор позволил регулярно получать информацию о подстилающей поверхности в видимом и ближнем ИК диапазонах спектра. Эти данные использовались для картирования различных типов земной поверхности, включая леса [Hoffer et al., 1979; Williams et al., 1986].

Используя полученные в наземных исследованиях зависимости между NDVI и характеристиками растительности, по значениям NDVI осуществлялось слежение за состоянием и динамикой растительного покрова. Так, наземная информация об уменьшении площади лесов в процессе обезлесения (усыхания) в горной части штата Вермонт, США, подтвердилась соответствующим изменением NDVI [Vogelmann, 1988]. В исследованиях тропических лесов также подтверждена информативность красного и БИК каналов датчиков LANDSAT MSS [Sader et al., 1990]. Данные MSS слишком генерализованы для непосредственной инвентаризации лесов, но с их помощью был определен ряд важных параметров, таких, как степень дефолиации. В то же время для тропических лесов взаимосвязь NDVI с биомассой и структурой насаждений оказалась недостоверной. В исследованиях тундры по данным LANDSAT MSS удалось выделить гораздо больше типов поверхности, различающихся значениями NDVI: голые почвы, различные виды тундр, кустарники, воду, ледники [Muller et al., 1998].

На аппаратуре серии LANDSAT ТМ был расширен спектральный диапазон измерений добавлением среднего и теплового ИК каналов, увеличено разрешение на местности до 30 м. Это значительно улучшило качество материалов и расширило круг решаемых задач. В настоящее время снимки систем LANDSAT ТМ и LANDSAT ЕТМ+ являются базой для генерации классификационных картосхем тестовых участков, которые затем используются при составлении глобальных карт земной поверхности на основе мелкомасштабного зондирования. Из отечественных систем ДЗ следует отметить комплекс «Ресурс-01» с приборами МСУ-СК и МСУ-Э с близкими характеристиками. Материалы этих систем использовались совместно с материалами LANDSAT TM, SPOT для картирования растительного покрова и оценки биомассы в ряде международных проектов [Барталев и др., 1999; Сухих и др., 1999]. Существует несколько спутников ДЗ, работающих/работавших в оптическом диапазоне. Характеристики наиболее известных датчиков ДЗ оптического диапазона спектра приведены в таблице А. 1.

Результаты исследований в области ДЗ оптического диапазона и ее ограниченность привели к возникновению микроволнового ДЗ (МДЗ). МДЗ должно было решать те проблемы, которые были трудно разрешимы или вообще неразрешимы методами ДЗ оптического диапазона. Как показывают литературные источники, по сей день вопрос о практическом применении МДЗ в некоторых областях остается не до конца решенным. Это, прежде всего, связано с трудностью интерпретации данных МДЗ.

Применение радиолокационных данных в лесном хозяйстве развивалось параллельно с развитием самих радиолокационных систем. В течение 1960-80 гг. исследования были направлены на решение проблем картирования природных ресурсов. В последние годы решаются задачи применения радиолокационных данных в целях мониторинга и изучения экосистем и биосферы. Технология радиолокационного дистанционного зондирования развивалась достаточно быстро, по сравнению с другими типами ДЗ. Впервые эта технология была применена в Панаме в целях картирования провинции Дариен (1965-1967 гг.) [Henderson et al., 2001]. Данное событие произошло всего через пять лет после появления в публичной печати первых данных о самолетном методе радиолокационного дистанционного зондирования. В 1970-х годах существовало несколько коммерческих систем МДЗ самолетного базирования. В это время одна из основных задач заключалась в картировании тропических лесов и природных ресурсов. В течение 70-80 гг. коммерческий интерес к радарам фактически исчез. Однако в 80-90 гг., когда был создан полностью цифровой РЛСА STAR-1, интерес вновь возродился. С начала 80-х годов потенциальные возможности применения спутниковых РЛСА в глобальном мониторинге и моделировании экосистем являлись основной причиной исследований и разработок в области применения радаров. В МДЗ применяются несколько частотных диапазонов (таблица А.2). В различных литературных источниках значения частотных диапазонов могут варьировать.

Ключевой участок - Юрубчено-Тохомское нефтегазовое месторождение

Поляризация радарного сигнала также влияет на то, как будет выглядеть получаемое изображение. Антенна может испускать и принимать сигналы различной поляризации. На практике применяются: 1) ГГ-поляризация (т.е. испускается горизонтально поляризованный сигнал и принимается горизонтально поляризованный сигнал), 2) ВВ (посылается вертикально поляризованный сигнал и принимается вертикально поляризованный сигнал), 3) ГВ, 4) ВГ. Режимы ГВ и ВГ применяются как особые дискриминаторы и называют кросс-поляризациями. Объемное рассеивание является главным фактором взаимодействия, которое приводит к деполяризации сигнала (т.е. изменению плоскости колебаний). Например, горизонтально поляризованная волна, направленная на дерево, отразившись обратно от него и пройдя сквозь листву, может измениться на вертикально поляризованную волну. Используя режим ГВ, антенна может принять отраженный вертикально поляризованный сигнал, но величина принятого сигнала будет намного ниже, чем, например, величина принятого сигнала при работе в режиме ГГ.

Поперечное (range) разрешение или разрешение по вертикали (перпендикулярно оси движения) зависит от угла обзора и длительности импульса. Изначально, теоретическое разрешение вдоль прямой по наклонной (по направлению распространения волны) составляет половину длины импульса. Для того чтобы вычислить разрешение по наклонной, нужно умножить длину импульса во времени на скорость электромагнитной волны и поделить на два. Далее, поделив полученную величину на косинус угла обзора, мы получим поперечное разрешение на местности. Следует отметить, что уменьшение длины импульса улучшает поперечное разрешение, но также влечет за собой уменьшение суммарной энергии импульса, которая ограниченна имеющейся в наличии на спутнике энергией и возможностями системы рассеивания выделяемого тепла. Для датчика ERS-1-SAR (при длительности импульса равной 37,1 10"6 секунд и угле обзора 20,35 градуса) поперечное разрешение равно нескольким километрам. Для получения разрешения в 25 метров в передатчике специальным образом модулируют высокочастотное заполнение сравнительно длинного импульса (несколько микросекунд), а отраженный сигнал в приемнике сжимают (укорачивают) [Кашкин и др., 2001, Olmsted, 1993].

Продольное (azimuth) разрешение или разрешение по горизонтали (вдоль направления полета) определяется как Ro A/D и составляет примерно несколько километров для ERS-1. Использование РСА позволяет обойти это ограничение. Условно говоря, при пролете космический спутник видит объект сначала спереди, а затем сзади. В принципе идея функционирования РСА достаточно проста: используется движение самого спутника и установленной на нем антенны с реальной апертурой (скорость более 7 км/с). Сигналы, принятые антенной, запоминаются и далее суммируются (накапливаются) компьютером, так что сигнал от объекта М, принятый приемником, когда спутник находился в точке Р, в момент времени tj, складывается с сигналом от этого же объекта, который ранее принимался в момент ц+ь когда спутник находился в точке Pj+i. Для объектов, находящихся ближе к спутнику, используют меньшую синтезированную апертуру, для дальних объектов размер апертуры растет пропорционально росту наклонной дальности. Это позволяет уменьшить мгновенное поле зрения по горизонтали для дальних объектов и делать разрешение не зависимым от дальности, что недостижимо в оптическом диапазоне [Кашкин и др., 2001]. При расчете суммарного сигнала, отраженного от зондируемого объекта, учитывается эффект Доплера. Теоретически разрешение по горизонтали не зависит от наклонной дальности и длины волны, а определяется размером реальной антенны и равно половине длины антенны [Кондратенков и др., 1983; Olsted, 1993, Lillesand et. al., 1994].

Таким образом, РСА посылает сигналы и принимает их обратно отраженные сигналы. Вся совокупность отраженных сигналов формирует большой массив данных, из которого получается изображение (рисунок Б.З).

Как известно, при цифровой обработке спектр узкополосных сигналов, каковым является отраженный сигнал, целесообразно сдвигать в область видеочастот. Это позволяет уменьшить максимальную частоту обрабатываемого сигнала, и, следовательно, снизить требования по быстродействию к системе обработки. Одновременно необходимо преобразовать действительный сигнал в комплексный аналитический сигнал или траекторный сигнал. Один из вариантов преобразования отраженного радиосигнала от точечной цели U;(t) в комплексную огибающую состоит в том, что сигнал Uj(t) подается на Два фаЗОВЫХ ДетеКТОра, ОПОрНЫе Напряжения КОТОРЫХ Ui0n(t)=U0nCOS(CDot-(Po) и U2on(t)=UonSin((jJot-(po) сдвинуты по фазе на л;/2 друг относительно друга, а в остальном с точностью до амплитуды являются копиями излучаемого сигнала (о)о - угловая частота; фо - начальная фаза; Uon - амплитуда опорных колебаний). В простейшей конструкции фазовых детекторов процесс преобразования включает умножение входных сигналов и низкочастотную фильтрацию результирующего сигнала. На выходах умножителей образуются сигналы Uje(t)= Uj(t) Uion(t) и UjS(t)= Uj(t) іі2оп(0- Тогда комплексная огибающая отраженного сигнала S;(t)= Ujc(t)+j Ujs(t). Составляющие сигнала часто называют синфазной и квадратурной, а сам сигнал - траекторным сигналом одиночной точечной цели [Антипов и др. 1988]. Организация ASF поставляет некоторые радиолокационные данные в комплексном виде, представленного компонентами I - синфазной составляющей и Q - квадратурной составляющей. Из компонентов Q и I вычисляются амплитуда (равная, квадратному корню из суммы квадратов I и Q) и фаза (равная арктангенсу отношения Q к I) радиосигнала. [Olmsted, 1993].

Анализ применимости микроволновой и спектрорадиометрической съемок в оценке состояния лесных территорий в зоне антропогенного воздействия (на примере разведки и добычи нефти в Эвенкии)

В процессе трансформирования происходит пересчет значений пикселей в новую сетку растра, при этом формы объектов на изображении в большей или меньшей степени меняются, а рамка снимка из прямоугольной формы превращается в параллелепипед или в более сложную фигуру с криволинейными границами. Часто для представления и совместной обработки материалов разных видов (типов) съемок, а также разновременных снимков одной и той же территории, используется проекция, называемая ортопланом, которая применяется в мировой практике в качестве обменного стандарта. При геометрической коррекции фотографических изображений высокого разрешения устраняются искажения, возникающие за счет рельефа местности.

Для улучшения зрительного восприятия и последующей компьютерной обработки проводят ряд операций. К первому виду операций относятся преобразования, такие, как контрастирование, фильтрации, текстурный анализ, метод главных компонент, алгебра изображений (например, гидротермальный и вегетационный индексы и др.) и т.д., которые связаны с модификаций яркостей пикселей. NDVI - нормализованный разностный вегетационный индекс - выражается следующей формулой: где ch3, ch4 - 3-й (0,63-0,69 мкм - красный диапазон спектра) и 4-й (0,76-0,90 мкм - ИК-диапазон спектра) спектральные каналы LANDSAT-7. Чувствительность NDVI к хлорофиллу позволяет дешифрировать и анализировать растительный покров.

НС - гидротермальный индекс состоит из 3-х слоев: слой-1 = ch5/ch7, слой-2 = ch3/chl, слой-3 = ch4/ch3, где chl, ch3, ch4, ch5, ch7 - каналы LANDSAT. НС имеет смысл использовать при решении задач обнаружения и анализа минерализованных поверхностей.

Наиболее важными для МДЗ являются фильтрации для устранения случайных шумов. Для их устранения в основном применяются медианный фильтр, фильтр Фроста, усреднение и др. [Erdas Field Guide, 1999]. Другой тип операции связан с геометрическими преобразованиями - это построение мозаик и вырезка фрагментов, изменение пространственного разрешения, преобразование в разные проекции. Текстурные характеристики также имеют большое значение для анализа данных МДЗ, так как позволяют учитывать однородность и неоднородность областей соседних пикселей. В программном пакете ERDAS IMAGINE реализованные четыре текстурных признака -это среднее Евклидово расстояние (mean Euclidean distance), дисперсия (variance), асимметрия (skewness), эксцесс (kurtosis). Размер скользящего окна может изменяться от 3 и выше.

Среднее Евклидово расстояние представляется в следующем виде [Iron and Petersen, 1981]: где xijX - цифровое значение пикселя (i, j) в скользящем окне спектрального канала X; хсЯ - цифровое значение центрального пикселя в скользящем окне спектрального канала X; п — размер окна; m — количество спектральных каналов. Дисперсия:

Ряд исследователей указывают на необходимость использования больших размеров скользящих окон для тематического картирования. Например, Блом и Дейли использовали композит, состоящий из трех текстур дисперсий с окнами размером 15x15, 31x31 и 61x61 [Blom and Daily, 1982].

Классификация - это тематическая обработка, которая позволяет производить автоматизированное разбиение снимков на однородные по какому-либо критерию области (классы объектов). Получающееся при этом изображение называется тематической картой. Поскольку обычно выделяют содержательно интерпретируемые классы объектов, то классификацию можно рассматривать как процедуру автоматизированного дешифрирования ДЦЗ. Процедура классификации основывается чаще всего на статистическом анализе различных характеристик изображения: пространственных, спектральных или временных. К простейшим полезным пространственным характеристикам относятся: текстура, контекст, форма и структурные соотношения. Под временными характеристиками следует понимать сезонные изменения земных покровов (особенно растительности), которые могут служить их индикаторами. Принято считать, что основную информацию о природе объектов на земной поверхности содержат их спектральные характеристики. Поэтому в большинстве известных алгоритмов классификации используются спектральные образы типов покрытий.

Различают два основных методологических подхода к проведению рассматриваемой процедуры: классификацию с обучением и автоматическую классификацию. В случае классификации с обучением задача состоит в обнаружении на изображении объектов уже известных типов, что требует некоторых предварительных знаний об исследуемом участке земной поверхности, таких, как планы лесонасаждений, пробные площадки, знания эксперта и т.д. На первом шаге процедуры необходимо интерактивно выбрать на изображении эталонные участки (обучающие выборки), являющиеся характерными (типичными) представителями выделяемых классов объектов. Этап обучения заключается фактически в расчете и анализе некоторого набора статистических характеристик распределения значений пикселей, соответствующих обучающим выборкам. Для оценки качества обучающих выборок используются различные методы (расстояние Бхаттачария, дивергенция, расстояние Джеффриса-Матусита и т.д.). Расстояние Джеффриса-Матусита (Jeffries-Matusita, JM) представляется формулой [Swain and Davis, 1978; Richards, 1993; Erdas Field Guide, 1999]

Спектрорадиометрическая и микроволновая съемки в оценке состояния лесных территорий в зоне антропогенного воздействия (на примере разведки и добычи нефти в Эвенкии)

Анализ информативности каналов LANDSAT указывает, что наиболее значимыми являются 5 (дает наименьшую ошибку классификатора по срав- нению с другими каналами, равную 11,1%), 4, 7 и 3 каналы, которые соответствуют среднему, ближнему, дальнему ИК и красному спектральным диапазонам. При совместном использовании этих четырех каналов средняя ошибка классификатора составляет 2,9%. Остальные каналы (2-й и 1 -й) вносят незначительный вклад, при их дополнительном вовлечении в анализ ошибка уменьшается еще на 0,6%. Непосредственному антропогенному воздействию подвержен только 1% исследуемой территории (буровые площадки и элементы инфраструктуры, соответствующие сильно минерализованным поверхностям). Всего удалось обнаружить 54 (80%) из 68 имеющихся на исследуемой территории буровых площадок. Основной источник воздействия на лесные территории - пожары, большинство из которых антропогенного происхождения. С учетом гарей величина антропогенного воздействия в зоне пробной добычи нефти составляет 14% территории, что в 2 раза превышает среднюю для данного региона величину. Анализ данных ERS показал, что по порядку диагностической значимости параметры ранжируются следующим образом: 1) амплитуда микроволнового сигнала ERS; 2) среднее Евклидово расстояние; 3) дисперсия; 4) асимметрия; 5) эксцесс (таблица А.35). Интересным фактом является то, что среднее Евклидово расстояние оказалось наиболее информативным среди текстурных характеристик, для данных RADARSAT он оказывался на третьем месте. Каппа-статистика для картосхемы ERS (рисунок Б. 15) указывает на неудовлетворительную общую точность, относительно данных LANDS AT (к=0,35, таблица А.40). На рисунке Б. 16 представлена сравнительная классификационная картосхема. На удовлетворительном уровне выделяются минерализованные поверхности (к=0,54), хотя показания ошибка пропуска находится на неудовлетворительном уровне, 75%. Достоверно выделяется водная поверхность (к=1,00). Возможными причинами неудовлетворительной точности классификации являются: 1) радиометрическая коррекция проводилась без учета рельефа местности; 2) пространственное разрешение не является достаточным для обнаружения буровых площадок; 3) частотный диапазон датчика не позволяет дифференцировать рассмотренные классы. Неспособность данных ERS к разделению древостоев по породному составу отмечается рядом авторов [Шмуллиус и др., 2003; Максимов и др., 2002]. Применение текстурных характеристик, реализованных в программном обеспечении ERDAS, дало значительное уменьшение вероятности ошибки классификатора, с -31% до -21% (на -10%, таблица А.35). Однако этого оказалось недостаточно для разделения лесных территорий по породному составу и обнаружения антропогенно нарушенных участков с достаточной точностью. С другой стороны, при учете рельефа местности, данные ERS применимы для индикации минерализованных поверхностей. В проведенном исследовании не использовались данные о рельефе, т.к. их не было в наличии. Применение гипсометрических данных позволило бы провести радиометрическую коррекцию с учетом крутизны склона и положения радиолокатора, что позволило бы устранить некоторые ошибки, упомянутые в параграфе 1.4. 1. Съемка Landsat-7 позволяет обнаруживать и оценивать степень антропогенного воздействия на лесные территории, обусловленного эксплуатацией нефтегазовых месторождений. При этом дешифрируются буровые площадки и элементы инфраструктуры (дороги, волоки, промзоны). 2. Микроволновая съемка в С-диапазоне с ВВ-поляризацией малоэффективна в обнаружении буровых площадок, однако позволяет дешифрировать минерализованные поверхности (к=0,54). 3. Непосредственному антропогенному воздействию в зоне пробной эксплуатации нефтегазовых месторождений подвержен -1% территории. 4. Основной источник воздействия на лесные территории - пожары, большинство из которых антропогенного происхождения. С учетом гарей величина антропогенного воздействия в зоне пробной добычи нефти составляет 14% территории, что в 2 раза превышает среднюю для данного региона величину.

Похожие диссертации на Микроволновая и спектрорадиометрическая съемки в исследованиях лесных территорий

Риск медико-санитарных последствий в чрезвычайных ситуациях, технология организации медицинского обеспечения населения : по материалам исследования территории Чувашской РеспубликиПетров Вячеслав Петрович

Исследование закономерностей накоплениязагрязняющих веществ на территориях с высокой антропогенной нагрузкой (на примере г. Ярославля)Васильева, Наталья Валерьевна

Исследование радоноопасности грунтовых оснований зданий и территорий застройкиЗаболотский Борис Юрьевич

Разработка и исследование методов создания высотных сетей на территории ВьетнамаЛе Чунг Тьон

Исследование влияния автотранспортной системы на экологическую безопасность городской территории в условиях нечеткой информацииМурадов Азиз Алхеят Оглы

Разработка и исследование методов построения наземных пространственных геодезических сетей на территории САРАбдул Разак Аед Аджадж

Параллельная реализация математической модели атмосферной диффузии для исследования распределения первичных и вторичных загрязнителей воздуха над урбанизированной территориейБеликов Дмитрий Анатольевич

Разработка и исследование системы совместного отведения ливневых и дренажных сточных вод с урбанизированных территорий : На примере г. ПензыФомичева Галина Ивановна

Исследование влияния тепловых энергетических предприятий городской инфраструктуры на состояние воздушной среды урбанизированных территорийЧебанова Светлана Александровна

Исследование прочностных и деформативных свойств покрытий из бетонных блоков при проектировании, строительстве и эксплуатации портовых территорийГоренко, Александр Викторович