Содержание к диссертации
Введение
1. Состояние вопроса исследований 11
1.1. Тематическое картирование по данным AVHRR 12
1.2. Тематическое картирование по снимкам MODIS 19
1.3. Тематическое картирование по данным Landsat 26
Выводы по главе 1 32
2. Природные условия и лесной фонд Республики Марий Эл 35
2.1. Территория 35
2.2. Климат 36
2.3. Почвенные условия 38
2.4. Лесорастительное и лесохозяйственное районирование 40
2.5. Типы лесов 40
2.6. Распределение насаждений основных лесообразующих пород 44
Выводы по главе 2 47
3. Программа и объекты исследований 49
3.1. Программа исследований 49
3.2. Объект исследования 50
3.3. Методика закладки тестовых участков 51
4. Методика пошаговой классификации наземного покрова по спутниковым снимкам 53
4.1. Предварительная подготовка изображения 54
4.2. Классификаторы и тип наземного покрова 57
4.3. Тематическая классификация спутниковых изображений 66
4.4. Генерализация растровой тематической карты 72
4.5. Оценка точности тематических карт 74
4.6. Валидация тематической карты наземного покрова Landsat по данным лесоустройства в среде ArcGis 10.3 81
4.7. Модули для сравнения и оценки точности тематических карт 85
5. Тематическое картирование лесов по спутниковым снимкам 91
5.1. Анализ разделимости спектральных классов лесного покрова 91
5.2. Мониторинг и анализ данных классов наземного покрова 97
5.3. Валидация и оценка точности тематических карт 103
5.3.1. Сравнение полученных карт со снимками высокого разрешения. 103
5.3.2. Сравнение полученных карт с данными лесоустройства 109
5.3.3. Сравнение тематических карт Landsat 2001 г. и 2014 с глобальными картами GLC 2000, 2009 и NELC 2005 111
Выводы по главе 5 115
Заключение 119
Список сокращений и условных обозначений 123
Список литературы
- Тематическое картирование по данным Landsat
- Лесорастительное и лесохозяйственное районирование
- Тематическая классификация спутниковых изображений
- Валидация и оценка точности тематических карт
Введение к работе
Актуальность темы исследования. Вопросы приведения к единообразию и автоматизации дешифрирования лесного покрова России на основе данных дистанционного зондирования приобретают все большее значение в связи с ростом численности используемых для этого российских и зарубежных спутников. Кроме того, наличие большого количества разработанных карт растительного покрова разного пространственного разрешения требует разработки алгоритмов оценки их сопоставимости и точности, что может способствовать повышению эффективности лесоустроительных работ. Развитию дистанционного мониторинга для инвентаризации лесов придается приоритетное значение в нескольких государственных директивных документах: «Стратегии развития лесного комплекса Российской Федерации на период до 2020 года» (2008), Федеральной целевой программе "Снижение рисков и смягчение последствий чрезвычайных ситуаций природного и техногенного характера в Российской Федерации до 2015 года" (2011), «Лесном кодексе» (2006) и «Методических рекомендациях по проведению государственной инвентаризации лесов» (2011). Приоритетным направлением в использовании, охране, защите и воспроизводстве лесных ресурсов, обеспечивающих устойчивое управление лесами, является также развитие международного сотрудничества, в том числе на региональном уровне, создание информационной базы данных, содержащей передовой опыт управления.
В связи с этим разработанная методика классификации, а также алгоритм сопоставимости и оценки точности различных тематических карт лесного покрова имеют большое научно-практическое значение в осуществлении автоматизированного мониторинга состояния и динамики лесов, что также определяет актуальность проведенных работ. Использование данных современных спутниковых систем позволит значительно повысить уровень достоверности и оперативности проводимых оценок лесного фонда. Результаты исследования также позволят проводить валидацию оценок лесного покрова на континентальном и глобальном уровнях на основе базы тестовых региональных данных и использования унифицированных алгоритмов распознавания различных классов лесных насаждений.
Степень разработанности темы исследования. Вопрос картирования растительного покрова различных регионов мира широко изучен учеными из США, Китая и Европы. Об этом свидетельствуют результаты проведенного нами анализа научных публикаций. Подобные исследования различаются методикой классификации спутниковых изображений и глобальными базами данных по валидации разрабатываемых тематических карт. Положительным моментом этих исследований является использование одинакового набора классов растительного покрова, что позволяет проводить сравнение существующих карт разных авторов. Для этих целей также используется комбинация различных индексов вегетации и спектральные яркости спутниковых изображений, индекса листовой поверхности лесных экосистем.
В Российской Федерации исследования растительного покрова стали проводиться в основном с начала 90-х годов на основе зарубежных спутниковых данных (NOAA, Landsat, SPOT и т.п.). В последние годы в лесной отрасли начинают также активно использоваться снимки высокого пространственного разрешения, полученные с отечественных спутников (Ресурс-П, Канопус-В), что является важным показателем импортозамещения в высокотехнологичной области космических исследований.
Несмотря на большое количество публикаций по тематическому картированию на глобальном уровне, региональные оценки лесного покрова в России остаются недостаточно проработанными при решении проблем мониторинга и валидации создаваемых карт путем совмещения данных среднего и высокого разрешений. В диссертационной работе были решены все поставленные задачи с высокой детальной проработкой методики исследований, разработкой алгоритма оценки точности тематического картирования и рекомендаций по использованию результатов в научно-практической деятельности.
Цель и задачи исследований. Главная цель - разработать методику оценки и дистанционного мониторинга текущих изменений в лесном покрове по разновременным спутниковым снимкам среднего и высокого пространственного разрешений. Для достижения поставленной цели решаются следующие задачи:
провести анализ существующих подходов в области исследований по данным дистанционного зондирования типов лесного покрова;
разработать методику на основе пошагового анализа классификации наземного покрова по спутниковым снимкам используя подходы международных организаций ФАО, НАСА и российской ГИЛ (Государственная инвентаризация лесов);
осуществить последовательность процедур по обработке серии спутниковых снимков разного пространственного разрешения для проведения мониторинга лесного покрова на примере субъектов федерации в Среднем Поволжье России;
провести оценку точности классификации спутниковых снимков и валидацию полученных результатов с независимыми данными по лесному фонду исследуемого региона;
на основе разработанной методики создать тематические карты и базы данных в ГИС на примере лесного покрова Марийского Заволжья;
подготовить рекомендации по использованию результатов исследований при непрерывной государственной инвентаризации лесов.
Научная новизна работы. Впервые на региональном уровне усовершенствована и апробирована методика оценки лесного покрова на основе обширной базы полевых данных и композитов спутниковых снимков, классифицированных в программных пакетах ENVI-5.3 и ArcGIS-10.3. Получены закономерности разделимости 14 классов наземного покрова от спектральных сигнатур снимков спутника Landsat в пространстве признаков. Создана база спек-
тральных сигнатур растительного покрова на изучаемый регион Среднего Поволжья. Проведена оценка точности созданных тематических карт на основе сети тестовых участков, расположенных на изучаемой территории. Разработанная методика позволяет проводить совмещение карт разного разрешения, полученных на основе данных спектрорадиометров Landsat TM и ETM+, а также MODIS и AVHRR. Полученные в диссертационной работе результаты внесут дальнейший вклад в развитие теории тематического картирования растительного покрова и практику дистанционного мониторинга лесов.
Теоретическая и практическая значимость работы. Зависимости, алгоритмы и модели, полученные на основе спутниковых данных среднего и высокого пространственного разрешения, вносят значительный вклад в теорию и повышение точности автоматизированного дешифрирования (классификации) лесного покрова. Полученные материалы и легенда классов наземного покрова, совмещенные со стратами лесного покрова ГИЛ, могут быть использованы в качестве теоретической базы при обосновании работ по дистанционному мониторингу и устойчивому управлению лесами.
Результаты исследований внедрены в деятельность лесничеств
и министерства лесного хозяйства Республики Марий Эл и Чувашии. Разработанные тематические карты и данные спектральных сигнатур стали составной частью региональной базы данных «Database_CSFM-2.0», а также приняты в качестве базовых в рамках международной инициативы NEESPI и проекта NELDA по изучению Северной Евразии. Результаты работы могут быть использованы при осуществлении лесного мониторинга, реализации лесохо-зяйственных мероприятий по повышению продуктивности, сохранению (приумножению) биоразнообразия и комплексному использованию лесных ресурсов, создании баз данных по запасам углерода в лесах России. Практические и теоретические результаты диссертационной работы внедрены в НИР и учебный процесс во ФГБОУ ВПО «ПГТУ».
Основные методы исследований. Полевые исследования лесных насаждений, метод классификации и распознавания объектов наземного покрова по спутниковым снимкам среднего и высокого пространственного разрешения, методы математической статистики и оценки точности классификации, многофакторное линейное и нелинейное моделирование, спектральное преобразование снимков методом Tasseled Cap («колпачок с кисточкой»).
Основные положения диссертации, выносимые на защиту:
-
закономерности распределения тематических классов (страт) лесного покрова по спектральным сигнатурам спутниковых изображений Landsat в пространстве признаков;
-
метод распознавания типов лесного покрова на основе анализа пошаговой классификации спутниковых изображений разного пространственного разрешения для решения задач регионального тематического картирования;
3) алгоритм оценки точности тематических карт лесов по независимым тестовым участкам, материалам лесоустройства, глобальным и региональным картам наземного покрова.
Достоверность и обоснованность выводов научных положений диссертации базируется на обширном экспериментальном материале 725 тестовых участков, репрезентативно представляющих объект исследования. В работе применяется комплексный подход к реализации поставленных задач, используются выверенные математические модели и широко известные геоинформационные программные пакеты. Достоверность полученных данных подтверждена соответствующими статистическими критериями, использованием современных методов обработки и интерпретации полученных результатов.
Апробация работы. Основные научные положения диссертации представлены и обсуждены на российских и международных конференциях: ежегодных конференциях профессорско-преподавательского состава Поволжского государственного технологического университета (Йошкар-Ола, 2010-2014); международная конференция в Италии “ENVISAT-2014” (Рива Дель Гарда, 2014); международная конференция NASA и GOFC-GOLD/NEESPI «Влияние аномальной погоды на природные, социально-экономические и искусственные системы: засуха 2010 г. в Поволжье России» (Йошкар-Ола, 2012); V международная конференция Совзонд «Космическая съмка – на пике высоких технологий» (Москва, 2011); международная конференция с элементами научной школы для молодежи «Лесные экосистемы в условиях изменения климата: биологическая продуктивность, мониторинг и адаптационные технологии» (Йошкар-Ола, 2010); международная конференция «Международное сотрудничество в лесном секторе: баланс образования, науки и производства» (Йошкар-Ола, 2009).
По теме диссертации и разработок опубликована 21 работа, в том числе 10 в изданиях, рекомендованных ВАК.
Работа выполнена в рамках федеральной целевой программы «Научные и научно-педагогические кадры инновационной России» на 2009-2013 годы ГК № 02.740.11.5202 Министерства образования и науки Российской Федерации «Региональная оценка методов картирования растительного покрова по спутниковым снимкам», ГК № 02.740.11.0838 «Разработка и реализация алгоритмов передачи, обработки и анализа данных дистанционного зондирования лесных покровов для автоматических расчетов фитомассы растительности и пулов углерода», ГК № 14.B37.21.1245 «Дистанционный мониторинг и прогнозирование состояния лесных насаждений по спутниковым снимкам», тематического плана Министерства науки и образования РФ на 2012-2014 гг. «Оценка, мониторинг и прогнозирование биологической продуктивности лесов по данным спутниковой съемки», «Дистанционный мониторинг устойчивости лесных экосистем» в рамках государственного задания в сфере научной деятельности Министерства образования и науки РФ на 2014-2016 гг.
Личный вклад автора. Автор непосредственно участвовал в сборе полевого материала, подборе и обработке спутниковых изображений, составлении методики исследований, интерпретации полученных результатов, их анализе и обобщении, оценке точности тематического картирования, сформулировал выводы и предложения производству. В работе также были использованы материалы Центра устойчивого управления и дистанционного мониторинга лесов (ЦУДМЛ) ФГБОУ ВПО «Поволжского государственного технологического университета». В ходе исследования соискателем совместно с сотрудниками ЦУДМЛ, а также аспирантами и магистрантами факультета лесного хозяйства и экологии ФГБОУ ВПО «ПГТУ» были заложены и описаны 450 тестовых участков в различных лесных насаждениях исследуемого региона.
Структура и объем работы. Диссертация, объемом 165 страниц машинописного текста, состоит из введения, 5 глав, заключения и приложений. Список использованной литературы включает 158 наименований, в том числе 96 иностранных. Текст иллюстрирован 21 таблицей, 35 рисунками, 16 приложениями.
Тематическое картирование по данным Landsat
Американскими учеными (Gebremichael and Barros, 2006) проведена количественная оценка отклонений между данными наземных метеорологических станций и ВПП MODIS GPP (валовой первичной продуктивностью, Gross Primary Productivity). Данные по ВПП, доступные с временным разрешением 8 дней и пространственным разрешением 1 км, были исследованы на примере двух тропических экосистем: смешанных лесов влажных тропиков непальских Гималаев и открытых участков кустарников полузасушливого региона Мексики. Продукты MODIS GPP были сравнены с данными процессно-ориентированной биохимической и гидрологической модели, основанной на потоке данных метеорологических исследований. Результаты исследований показали, что при относительном согласии между моделями наблюдается отклонение между данными MODIS GPP и наземными данными метеорологических станций: положительное отклонение для условий смешанных лесов и отрицательное - для открытых участков кустарников.
Скандинавские ученые использовали данные спектрорадиометра MODIS в комбинации с новыми методами картирования для региональных исследований тропических лесных ресурсов и динамики землепользования в Таиланде, Вьетнаме и Камбоджи (Tottrup et al., 2007). Ими применена управляемая модель принятия решений для картирования различных участков спелых и вторичных лесов, а также нелесных земель с использованием разновременных данных MODIS 250 пространственного разрешения (в качестве объясняющей переменной) и данных изображений высокого разрешения для моделирования зависимых переменных. На основании данных независимой валидации среднее значение абсолютного отклонения созданных тематических карт составило 14,6% для спелого леса, 21,6% для вторичного леса и 17,1% для нелесного покрова.
В работе американских ученых (Turner et al., 2006) приводятся результаты сравнения 9 участков, различающихся по типам биомов и землепользованию. К таким участкам относятся: арктическая тундра, бореальные леса, умеренные хвойные леса, тропические дождевые леса, травяные прерии, пустыня, луга и пахотные земли. Наземные данные по поверхности ВИН (GPP) и ежегодной чистой первичной продуктивности (NPP) были получены путем обработки данных модели углеродного цикла Biome-BGC в пространственно-распределенном виде. Входные параметры для модели по землепользованию и индексу листовой поверхности были получены по данным Landsat. Данные MODIS NPP and GPP не показали существенных отклонений. Между тем они имеют тенденцию к завышению данных на низко продуктивных участках, что вызывается искусственно высокими значениями MODIS FPAR (fraction of photo synthetically active radiation absorbed by the canopy). В то же время данные MODIS имели тенденцию недооценки растительного покрова на высокопродуктивных участках. Все это, по мнению авторов (Turner et al., 2006) исследования, при проведении глобальных оценок требует более точной калибровки параметров алгоритма MODIS NPP/GPP.
Данные показателей индекса листовой поверхности (LAI) MODIS и вегетационного индекса были использованы для определения урожая сельскохозяйственных посадок кукурузы в штате Индиана (Fang et al., 2011). Для моделирования продуктивности кукурузы и оценки эффекта использования различных контрольных переменных в работе были использованы пять ассимиляционных схем: непосредственное использование LAI, EVI и NDVI, и синергетические комбинации LAI, EVI или NDVI. Лучшие результаты и минимальное отклонение (3,5%) от данных департамента сельского хозяйства США показали данные моделирования, основанные на комбинированном использовании LAI, EVI и NDVI MODIS. Использование показателей только LAI, EVI и NDVI показало отклонение от данных департамента на 8,6%, 21% и 13%.
Данные MODIS Terra были использованы для классификации и оценки площадей сельскохозяйственных земель и посевов культур в различных регионах России (Барталев и др., 2005; Савин и др., 2011). В работе приведены алгоритмы классификации, основанные на использовании разновременных спутниковых данных, а также априорные знания о закономерностях динамики сезонного развития различных сельскохозяйственных растений. Результаты оценки площадей сельскохозяйственных угодий показали существенное отклонение от данных государственной статистики. Для работы с полученной базой данных в ИКИ РАН разработан специализированный спутниковый сервис «Вега», который обеспечивает его пользователям возможность самостоятельно проводить оценки состояния сельскохозяйственных земель и оперативного мониторинга растительности для больших территорий (Лупян и др., 2011). В работе бразильских ученых проведена оценка влияния лесной фрагментации ландшафта Амазонии (Ferreira et al., 2010). Было выявлено нарушение ландшафта на территории 3,5 х 106 км2 посредством простого пространственного определения количественных показателей (количества фрагментов, средней площади фрагмента и размера границ) и преобразования основной компоненты. Полученные данные были сравнены с сезонными данными MODIS NDVI и EVI. Было установлено, что наибольшие нарушения наблюдаются в южной части Амазонии, в которой проводится интенсивная вырубка лесов, а также расположена сеть основных дорог. Существенная корреляция между сезонными данными NDVI и нарушением ландшафта выявлена на основе анализа параметров географически взвешенной регрессии (geographically weighted regression). Сезонные отклики EVI имели более сложный характер с существенными вариациями, полученными на нетронутых, слабо фрагментированных участках, что ограничивало возможность оценить происходящие нарушения. Авторы считают, что изменчивость нарушений объясняет 62% сезонной вариации значений NDVI. Подобное распределение наблюдается между прогнозируемыми и реальными сезонными данными NDVI (рисунок 1.6). Другие исследователи также подтверждают высокую корреляцию между текстурой лесного полога и вегетационными индексами (Gamon et al., 1995; Oliveira-Filho and Fontes, 2000; Freitas et al., 2005).
Спутниковые данные NOAA/AVHRR и TERRA/MODIS за 1996-2009 гг. были использованы для картирования и сезонного мониторинга лесного покрова на трех ключевых участках, расположенных в Западном и Восточном Саяне (Пономарёв и др. 2011). В исследовании получена детальная характеристика горных лесных поясов и формаций в контексте их идентификации и изменения спектральных характеристик в течение периода вегетации.
Лесорастительное и лесохозяйственное районирование
По почвенной классификации территория республики относится к зоне таежно-лесных почв. Сложность и многообразие почв обусловлены особенностями развития рельефа территории, а также литологическим составом пород-почвообразователей. Всего на территории Республики Марий Эл можно выделить свыше 20 различных типов почв (Смирнов, 1968).
В целом все почвы республики можно разделить на три типа: бурые лесные, коричнево-бурые лесные и дерново-подзолистые почвы. Бурые лесные почвы сформировались, как правило, на двучленных наносах и имеют лёгкий гранулометрический состав (Газизуллин, 2005). Подстилающие породы и гумусовые горизонты богаты элементами питания, что вкупе с условиями аэрации и увлажнения способствует формированию высокогумусных почв, обладающих высокими свойствами для произрастания лесных пород. Все эти условия способствуют произрастанию на территории республики березы, осины и сосны высоких классов бонитета (I и выше) (Газизуллин, Сабиров, 1990).
Главной характеристикой коричнево-бурых лесных почв является отсутствие оподзоленности. Этот фактор связан с богатством минералогического состава и высокой карбонатностью подстилающих почвообразующих пород. Для данных почв характерна высокая порозность и низкая плотность сложения. Коричнево-бурые лесные почвы на территории Республики Марий Эл обладают высоким содержанием гумуса, которое постепенно снижается с глубиной (Газизуллин, Сабиров, 1997). Данные почвы хорошо подходят для произрастания высокопродуктивных древостоев главных лесообразующих пород и обладают высокими лесорастительными свойствами.
На делювиальных отложениях, расположенных в понижениях рельефа, а также на древнеаллювиальных песках формируются дерново-подзолистые почвы тяжелого или легкого гранулометрического состава соответственно. Благоприятные свойства для роста и развития древесных пород складываются в основном в гумусовом горизонте. При движении вглубь почв условия аэрации ухудшаются, особенно на почвах тяжелого гранулометрического состава. Эти условия могут меняться при смене почвообразующих пород на более легкие. Дерново-подзолистые почвы обладают хорошими условиями для роста и развития основных лесообразующих пород.
Механический состав почв республики меняется незначительно и составляет супесчаные и песчаные разности, распространенные в южной части республики. Кроме того, зачастую встречаются болотистые почвы, особенно в районе Заволжской низменности и в поймах рек. В северной части изучаемой территории преобладают глинистые почвы и суглинки.
К почвообразующим породам региона относятся водно-ледниковые мономинеральные пески, обладающие недостатком элементов минерального питания и низкой способностью к удержанию влаги. Зачастую такие почвы чередуются с супесчано-суглинистыми отложениями.
Лесорастительное и лесохозяйственное районирование Лесорастительное районирование обуславливает главные теоретические предпосылки для рационального природопользования. Районирование основано на географических явлениях и взаимосвязях, влияние которых прослеживается на имеющейся древесной растительности.
Согласно приказу Министерства природных ресурсов Российской Федерации от 28 марта 2007 г. №68 «Об утверждении перечня лесорастительных зон и лесных районов» территория Республика Марий Эл относится к зоне хвойно-широколиственных лесов европейской части РФ. При этом лесохозяйственную деятельность внутри лесного фонда ведут 20 лесничеств, которые относятся к Министерству лесного хозяйства Республики Марий Эл.
По мнению группы исследователей (Чистяков, Денисов, 1959), всю лесную территорию республики можно разделить на пять районов, которые различаются спецификацией лесов и целевым использование лесных ресурсов: - район лиственных лесов вдоль пойм крупных рек; - район сосновых лесов, расположенных на территории заволжской песчаной низменности;
Данный тип лиственных лесов произрастает в поймах крупных рек, к которым относятся р. Волга и её притоки: Большая и Малая Кокшага, Рутка, Илеть, Ветлуга. Пойменные леса произрастают в сложных почвенно-гидрологических условиях, что способствует формированию неприхотливых лиственных насаждений. Незначительные участки хвойных пород встречаются на повышениях рельефа: на буграх или гривах, которые не подвержены или подвержены кратким затоплениям. Такое своеобразие условий произрастания древесных пород обусловлено периодическим затоплением территорий, накоплением и отложением наносов, а также гумификацией и водной эрозией. Интенсивность подобных процессов на разных территориях отличается, потому и лесорастительные условия оказываются довольно разнообразными.
Район сосновых лесов, расположенных на территории заволжской песчаной низменности Этот район является наиболее лесистым в Республике Марий Эл. Он покрыт дерново-подзолистыми песчаными почвами на древнеаллювиальных песках, что способствует быстрому росту и развитию сосновых насаждений. Сосняки этого района образуют сплошные крупные массивы. Они располагаются на всей территории песчаной низменности от поймы р. Волги до трассы г. Йошкар-Ола - пгт. Килемары. Исходя из характера лесорастительных условий, можно определить, что сосняки в условиях боров и сосново-еловые насаждения в суборях являются коренными типами лесов для данной территории.
Тематическая классификация спутниковых изображений
Следующим этапом работ по разработке методики было создание классов растительного покрова для проведения тематического картирования изучаемой местности. В основу формирования классов легенды для тематических карт была положена методика международного проекта NELDA (Northern Eurasia land dynamics analyses) и FAO (Food and Agricultural Organization) LCCS (Land Cover Classification System) (Система классификации..., 2005). Предложенная методика классификации позволяет сравнивать классы (лесные страты) различных тематических карт наземного покрова, независимо от их масштаба, типа растительного покрова, метода сбора данных и географического местоположения. Кроме того, использование этой методики позволит приблизить стандарты классификаций, применяемые различными странами, и обеспечить сопоставимость данных лесного покрова для взаимодействия между растущим количеством совместных международных совместных программ, в которых Российская Федерация принимает активное участие (Курбанов, Воробьев, 2014).
Классификация наземного покрова по системе FAO LCCS предполагает формирование системы иерархичности классов легенды согласно господству жизненных форм. Преобладающие жизненные формы -это жизненные формы верхнего яруса растительности, представленные как деревьями, так и кустарниками и травянистыми растениями. Иерархичность построения легенды классов заключается в том, что на высшей ступени находится класс деревья и далее по мере уменьшения значимости (от высоких к низким формам растительности) в структуре наземного покрова (Губаев и др., 2011). Другим важным классификатором является «покров» (cover), который может варьировать от сомкнутого до открытого (LCCS). При этом покров более 65% относится к категории «сомкнутый», а в пределах 65% - 15% - к категории «открытый». Следует отметить, что, согласно вышеупомянутой легенде, участки с древесным покровом, не превышающим 15%, будут отнесены к категории «лишенные растительности» и «покрытые редкой растительностью», если только преобладающая растительность не представлена травами или кустарником. Формируемые классы должны иметь два уровня классификаторов - базовый уровень легенды и возможные дополнительные характеристики. К базовым классификаторам относят тип покрова - хвойные, широколиственные, смешанные, открытые участки, скудная растительность, снег и лед, вода. По сомкнутости покрова LCCS различает открытый (open) и сомкнутый (closed) (рисунок 4.4). К дополнительным классификаторам относят: особенности покрова, жизнеспособность, породный состав, заболоченность (увлажненность), характеристика подпологовой растительности, режим ведения хозяйства, лесовозобновление, наличие построек более 15%, обрабатываемые земли и т.п. Растения выше 5 м (в некоторых случаях от 3 м) обычно классифицируются как деревья.
Для приближения разрабатываемых классов к практике лесоводства и лесоустройства в работе при создании легенды классов была использована единая схема стратификации ГИЛ РФ (Государственная инвентаризация лесов) и единая шкала окраски актуализированных карт-схем лесных страт (приложения 1 и 4 к «Методическим рекомендациям по проведению государственной инвентаризации лесов). В результате в зависимости от полноты, площади, породного состава и возраста насаждения для исследуемого региона были сформированы 18 основных классов наземного покрова, использованные для картирования изучаемой сцены Landsat (таблица 4.2). Большая часть этих классов представлена древесными породами. В разрабатываемую методику диссертационной работы, помимо основных, включено несколько дополнительных классов, которые не характерны для общей традиционной классификационной шкалы LCCS, но являются вполне актуальными в исследуемом регионе: «лесовозобновление», «лесные гари средней и сильной степени повреждения».
Разработанные классы наземного покрова сравнивались с соответствующими стратами, применяющимися для стратификации лесов Российской Федерации при проведении государственной инвентаризации лесов (Методические рекомендации ..., 2011). На основе этих классов была получена тематическая карта наземного покрова изучаемого региона. Кроме того, для приближения и сравнения тематического картирования, полученного по спутниковым снимкам Landsat, с данными грубого разрешения (GLOBCOVER, MODIS IGBP) проводится объединение этих классов по их отношению к доминирующей жизненной форме (LFT -dominant life form type). Например, все тематические классы, которые относятся к древесной растительности, объединяются в один обобщенный класс - деревья. Для исследуемого региона были получены пять основных классов наземного покрова: деревья, кустарники, трава, не покрытые растительностью земли, водные объекты.
Валидация и оценка точности тематических карт
Сравнение тематической карты на 5 классов Landsat 2014 с картами Канопус-В 2014 и Rapid Eye 2011, которые были получены в рамках данной диссертационной работы, также показывает приемлемые результаты в соответствии со статистиками матрицы неточностей. Для пяти доминирующих классов наземного покрова наблюдается высокое соответствие по классу «Т» (деревья) и «\У»(вода). Для карты Канопус-В значение точности пользователя по классу «Т» достигает 96,6%, в то время как коэффициенте Каппа для всей карты составляет 0,65 (приложение 16). В этом случае класс «S» также показывает слабое согласие между оцениваемыми картами, ошибочно перераспределяясь между тематическими классами «Т» и «Н».
Значение показателя точности пользователя для тематической карты Rapid Eye имеет несколько меньшее значение (UA= 93,6%) при каппа = 0,67. Тематический класс Н (травянистый покров) также показывает соответствие с данными вновь полученной карты Landsat 2014 (UA= 70,3%; PA =57,4%). Более низкие значения показателей общей точности и Каппа объясняется тем, что с увеличением пространственного разрешения спутникового снимка повышается мозаичность изображения при комбинации пикселей в различные страты (классы) растительного покрова на тематической карте. В программе Comparer_CSFM@RS_1.0 это приводит к тому, что отдельные «чистые пикселы» - пикселы, не соответствующие ее требованиям, отклоняются от дальнейшей обработки.
В целом отечественные спутниковые снимки высокого разрешения Канопус-В являются прекрасной основой при валидации и оценке точности тематических карт среднего разрешения, полученных с помощью системы спутников Landsat. Кроме того, снимки Канопус-В и Rapid Eye хорошо себя зарекомендовали при оценке различного вида недропользования и при оценке городских лесов (Воробьев и др., 2015; Воробьев, Курбанов, 2015).
В работе проведен сравнительный анализ полученной тематической карты Landsat 2014 г. с данными лесоустройства на примере двух лесничеств - участкового Нолькинского (РМЭ) и Чебоксарского (ЧР). При этом были использованы только 5 страт (классов) лесного покрова, которые удалось выделить на обеих картах. Для этого предварительно на основе «Методических рекомендаций по проведению государственной инвентаризации лесов» была проведена генерализация существующих лесоустроительных данных. На лесном плане лесничеств были выделены лесные страты ГИЛ путем объединения лесотаксационных выделов. Генерализация (группировка классов наземного покрова по данным лесоустройства) проводилась в среде ArcGIS на основе ранее принятой легенды (таблица 4.2), на базе которой ранее были получены тематические карты по спутниковым снимкам среднего и высокого разрешений.
Как видно из таблицы 5.6, по показателю точности пользователя (UA) наибольшее совпадение приходится на страты TNECM (светлохвойные средневозрастные среднепроизводительные), TBDCMaO (мелколиственные спелые и перестойные среднепроизводительные), ТМСМ (смешанный средневозрастные). В то же время общая точность проведенного сравнения составляет 70%, а коэффициент Каппа достигает 0,60, что свидетельствует о значительной степени согласованности исследуемых тематических карт.
Сравнение карт Landsat 2014 и Чебоксарского лесничества по матрице неточностей (таблица 5.7) также показывает высокую общую точность классификации 71% при коэффициенте Каппа в 0,57. Наилучшее совмещение произошло по классам TNECMao (светлохвойные спелые и перестойные среднепроизводительные), TNECM (светлохвойные средневозрастные среднепроизводительные), TBDCM (мелколиственные средневозрастные среднепроизводительные). Точность пользователя для них составила 94,1%, 88,9% и 81,4% соответственно.
В целом стоит отметить, что для повышения точности совмещения (сравнения) тематических карт, созданных на основе спутниковых данных и лесоустроительных данных, требуется более детальная работа по генерализации данных выделов на лесных планах в страты ГИЛ. Тем не менее, полученные результаты уже свидетельствуют о приемлемой точности полученных тематических карт.
Одним из важных этапов оценки точности классификации полученных тематических материалов является их сравнительный анализ с уже известными или широко используемыми картографическими данными на территорию исследования, а также с имеющимися отчетами по оценке лесного фонда, сельскохозяйственных земель и динамики их изменений.
Процедура валидации карты, полученной по снимкам среднего разрешения Landsat, проводилась с использованием существующих тематических карт на базе снимков низкого разрешения MODIS (500 м). Сравнение позволило выявить основные моменты соответствия или расхождения по пяти классам наземного покрова. Сопоставляемые карты имеют общую точность выше 0.8, а статистика Каппа 0,67 показывает значительную степень согласованности (таблица 4.6). Высокая степень соответствия наблюдается для классов «деревья», «трава» и «вода». Ошибка допуска 15% была минимальна для класса «вода», а ошибка пропуска 7,9% -для класса «деревья». Большую точность совпадения с данными Landsat 2001 показала карта NELC 2005 (каппа 0,75). Показатели по точности производителя 87% и точности пользователя 95,4% для класса «деревья» также были выше, чем при сравнении с картой GLC-2000 (таблица 5.8).
Анализ сравнения чистых пикселей показывает еще более высокую точность сопоставляемых карт. Хуже всего в процессе сравнения себя показывает класс «кустарник», который полностью отсутствует при сравнении чистых пикселей на картах Landsat 2001 и GLC-2000 (таблица 5.9). Следует отметить, что метод чистых пикселей повышает точность оценки дешифрирования снимков. Например, для класса «деревья» точность производителя достигает 98,8%, а точность пользователя 99,3%.