Размещено на http://www.allbest.ru/

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ

Федеральное государственное бюджетное образовательное учреждение

высшего профессионального образования

«КУБАНСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ»

(ФГБОУ ВПО «КубГУ»)

Кафедра геоинформатики

ДОПУСТИТЬ К ЗАЩИТЕ В ГАК

Заведующий кафедрой

д-р геогр. наук, проф.

А.В. Погорелов

ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА БАКАЛАВРА

мониторинг лесной растительности по данным спутниковых снимков

Работу выполнил А.К. Головань

Факультет географический

Направление 021300.62 «Картография и геоинформатика»

Научный руководитель

преп., канд. физ.-мат. наук М.В. Кузякина

Нормоконтролер

доц., канд. геогр. Наук А.Н. Пелина

Краснодар 2015

СОДЕРЖАНИЕ

Введение

1. Подходы к исследованию лесной растительности по данным спутниковой съемки

1.1 Возможность применения космических методов исследования для оценки состояния лесных экосистем горных территорий

1.2 Интеграция алгоритмов обработки космических снимков для автоматизированного дешифрирования лесной растительности

1.3 Картографирование лесостепной растительности

1.4 Анализ структуры, состояния и динамики агролесоландшафтов по материалам аэрокосмического мониторинга

2. Методы оценки пожарной опасности по данным спутниковых наблюдений

3. Оценка последствий лесных пожаров

3.1 Обоснование выбора спутниковых снимков

3.2 Обоснование выбора вегетационных индексов

3.3 Оценка последствий лесных пожаров на примере пожаров в Пермском крае в 2010 г.

Заключение

Список использованных источников

ВВЕДЕНИЕ

Лесная растительность - один из системообразующих компонентов ландшафта, индикатор состояния окружающей среды и ценный природный ресурс. Оперативная и достоверная оценка свойств лесной растительности способствует её рациональному использованию, охране и восстановлению.

В последние годы геоинформационные системы (ГИС) стремительно становятся стандартным инструментом для решения ряда фундаментальных и прикладных проблем метеорологии и климатологии. Благодаря способности хранить, обрабатывать, анализировать и визуализировать в структурированной электронной форме огромные объемы пространственно распределенных разнородных данных, ГИС позволяют быстро генерировать синтетическую информацию в удобной для принимающих решения специалистов форме.

В природоохранных приложениях имеется широкий класс задач, решение которых в значительной степени облегчается или ускоряется при использовании ГИС. К ним можно отнести: раннее оповещение о стихийных бедствиях и опасных погодных явлениях, наблюдения за температурой земной поверхности и Мирового океана, контроль за уровнем поверхности Мирового океана, определение границ снежного покрова, наблюдения за площадями затопления и разлива рек, наблюдения за распространением дыма от лесных пожаров.

Проблема эффективного применения ГИС в подобных задачах состоит в необходимости усвоения и анализа данных дистанционного зондирования, в особенности от метеорологических радиолокаторов и спутников, для исследования различных объектов климатической системы.

Целью дипломной работы - анализ методов и подходов к исследованию лесной растительности по данным спутниковой съемки, в частности, оценка последствий лесных пожаров.

Для достижения цели необходимо решить следующие задачи:

- проанализировать существующие методы и подходы к дешифрированию лесной растительности по данным ДЗЗ;

- проанализировать методы и походы к мониторингу природных лесных пожаров по данным ДЗЗ;

- провести оценку последствий лесных пожаров как мониторинг угнетения лесной растительности по данным ДЗЗ.

1. Подходы к исследованию лесной растительности по данным спутниковой съемки

1.1 Возможность применения космических методов исследования для оценки состояния лесных экосистем горных территорий

В настоящее время одной из важнейших исследовательских задач является оценка состояния лесных ценозов дистанционными методами. Применение данных дистанционного зондирования Земли (ДДЗ) является особенно актуальным для труднодоступных горных территорий, так как они способствуют уменьшению трудоемкости и увеличению степени объективности распознавания характеристик лесных ценозов.

Данные дистанционного зондирования Земли - совокупность сведений о поверхности Земли и объектах, расположенных на ней или в ее недрах, полученные в процессе съемок с помощью аппаратуры космического базирования, позволяющей получать изображения в одном или нескольких участках электромагнитного спектра.

Основой дистанционных методов исследования являются спектральные характеристики природных образований. При этом практический интерес для съемки имеет отраженная энергия - отношение количества отраженной и рассеянной вверх радиации к плотности потока падающей прямой радиации Солнца. Она зависит у древесной растительности от строения клеток мезофилла хвои и листьев. Па красную зону спектра (0,62-0,75 мкм) приходится максимум поглощения солнечной радиации хлорофиллом, а на ближнюю инфракрасную зону (0,75-1,3 мкм) - максимум отражения энергии клеточной структурой листа. Высокая фотосинтетическая активность ведет к более низким значениям коэффициента отражения в красной зоне спектра и большим значениям в ближней инфракрасной. Отношение этих показателей друг к другу позволяет четко отделить растительность от прочих природных объектов.

Оценка факторов возмущающего воздействия на растительность - приоритетная составляющая спутникового мониторинга наземных экосистем, поскольку такого рода воздействия в значительной мере определяют потоки углерода между наземными экосистемами и атмосферой. Спутниковые изображения позволяют определить участки леса, нарушенные вследствие антропогенного воздействия, основные факторы воздействия, выделить лесопокрытые площади, выявить следы лесоразработок и пожаров, а также сельскохозяйственного использования территорий. На основе ДДЗ можно создать информационное обеспечение, необходимое для организации лесного хозяйства и многоцелевого лесопользования. Не менее важным является контроль мест проведения рубок ухода и санитарных рубок не реже 1 раза в 2 года, сравнивая данные о фактических местах сплошнолесосечных вырубок, полученных на основе дешифрирования космических изображений с планами рубок. Это обусловлено тем, что как показывает практика лесопользования, нередко органами лесного хозяйства допускаются отступления от утвержденных планов рубок.

С использованием космических снимков высокого пространственного разрешения можно определить породный состав лесов. Для получения достоверных данных вместе со снимками необходимо иметь набор обучающих эталонов - наземных площадок с известным породным составом для «обучения» алгоритма распознавания в начале работы и проверки итогов в конце. Отдельные группы деревьев и группы пород определяются с разным уровнем достоверности. Легко отделить друг от друга лиственные породы и темнохвойные. Сложнее лиственные от светлохвойных. Близкие по спектральным характеристикам ель и пихту, березу и осину, сосну и лиственницу разделить невозможно.

Для того чтобы отобразить разнообразие растительного покрова, желательно использовать сцены за различные сезоны года. Так зимние сцены позволяют выделить типы растительного покрова еловою второго яруса под пологом мелколиственных пород, весенние сцены - разделить сосновые и еловые леса. Наиболее полную информацию содержат изображения, полученные в сентябре, когда структура спектра хорошо отображает различия в степени пожелтения-покраснения от породного состава и местоположения древостоев.

Следует отметить, что, используя ДДЗ, нельзя провести оперативный мониторинг лесопокрытой территории для выявления несанкционированных рубок в текущий момент времени. Во-первых, получение космического снимка для обработки в лучшем случае требует несколько часов времени при условии, что есть сеть станций для приема спутниковой информации, что весьма затруднительно. Другим фактором, затрудняющим оперативный мониторинг хозяйственной деятельности в лесах, является постоянная высокая облачность над основными лесными территориями России. Из-за значительного количества облаков каждый конкретный участок бывает покрыт безоблачной съемкой лишь несколько раз в году. В связи с этим не стоит говорить о выявлении незаконных лесопользований в реальном времени.

Накопленные к настоящему времени архивы данных спутников Landsat-TM и ЕТМ открывают уникальную возможность использования космоснимков высокого пространственного разрешения для оценки масштабов вырубок лесов. Разрабатываются методы детектирования и классификации изменений в лесных массивах на основе анализа разновременных спутниковых данных Landsat. Одним из важных этапов использованных методов ДДЗ является построение карт лесов и других типов земного покрова на основе классификации спутниковых данных. Получаемые маски лесов различных типов используются для взаимной радиометрической нормализации разновременных изображений с целью компенсации негативного влияния различий в атмосферных условиях, в фенологическом состоянии растительности во время спутниковой съемки.

Применение космических снимков в картографировании позволяет получить картографический материал с разреженной нагрузкой, большим пространственным охватом, отобразить на карте объекты с указанием их специальных характеристик, которых нет на топографических материалах. Следует отмстить, что, чем более комплексно предполагается использовать снимок, тем более выгодным становиться его приобретение. Составлению экологических карт лесопокрытой территории предшествует тщательное изучение растительного покрова, выявление связей растительных сообществ с условиями среды, рельефом, режимом увлажнения. Применение геоинформационных систем способствует более углубленному изучению характера распределения растительных сообществ на фоне условий среды.

Характерным признаком растительности и ее состояния, как было сказано выше, является спектральная отражательная способность, отличающаяся большими различиями в отражении излучения разных длин волн. При дешифрировании данных спутниковой съемки используются значения яркостей в каналах и построенные на их основе индексы. Индексы отражают особенности преобразования солнечной энергии ландшафтных покровов; степень неравновесности поглощения энергии в разных зонах спектра - энтропия Кульбака; биологическую продуктивность - NDVI, TVI, RVI, gNDVI; содержание влаги в растительности - LMT, NDWI. Наиболее популярный и часто используемый вегетационный индекс - NDVI [15].

Для растительности NDVI принимает положительные значения, и чем больше зеленая фитомасса, тем он выше. Для зеленой растительности - от 0,2 до 0,8. Следует отметить, что вегетационные индексы дают только относительные оценки свойств растительного покрова, которые могут быть интерпретированы и с привлечением полевых данных пересчитаны в абсолютные. Значения NDVI для разных типов объектов приведены в таблице 1.

На основе ДДЗ Земли можно получить оценки чистой биологической продуктивности, эксергии - доли солнечной энергии, затраченной на транспирацию и производство биологической продукции. Данные характеристики отражают энергетическое состояние Земли в момент съемки в различных спектральных диапазонах, что необходимо учитывать при планировании лесного хозяйства. В целом леса имеют большую эксергию и сильные различия в доле энергии, идущей на производство продукции. Зарастающие поля характеризуются высокой долей энергии, идущей на производство продукции. Хвойные породы характеризуются большой эксергией и меньшими затратами энергии на производство продукции, чем широколиственные и мелколиственные леса.

Таблица 1 - Значения индекса NDVI

Тип объекта	Отражение в красной области спектра	Отражение в инфракрасной области спектра	Значение NDVI
Густая растительность	0,1	0,5	0,7
Разреженная растительность	0,1	0,3	0,5
Открытая почва	0,25	0,3	0,025
Облака	0,25	0,25	0
Снег и лед	0,375	0,35	-0,05
Вода	0,02	0,1	-0,25
Искусственные материалы (бетон, асфальт)	0,3	0,1	-0,5

Технологии современного дистанционного зондирования позволяют осуществлять мониторинг различных параметров состояния атмосферы, гидросферы и биосферы. Принятие оперативных решений на основе такой информации удобнее всего осуществлять с помощью ГИС-технологий. Между тем, приходится констатировать отсутствие единого методологического подхода к анализу данных дистанционного зондирования атмосферы и подстилающей поверхности для проведения комплексной оценки состояния территорий в контуре ГИС в реальном масштабе времени. Это обстоятельство во многих случаях системно ограничивает возможности оперативного нахождения наилучших решений.

1.2 Интеграция алгоритмов обработки космических снимков для автоматизированного дешифрирования лесной растительности

горный лесной картографирование космический

Лесная растительность - один из системообразующих компонентов ландшафта, индикатор состояния окружающей среды и ценный природный ресурс. Оперативная и достоверная оценка свойств лесной растительности способствует её рациональному использованию, охране и восстановлению. Различные методики обработки данных аэрокосмического зондирования, в особенности автоматизированные, - мощный инструмент для исследования лесной растительности. Появление космических снимков со сверхвысоким пространственным разрешением (лучше 1 м) открыло новые возможности в картографировании лесной растительности. Минимальным картографируемым объектом теперь может являться не площадка с растительностью, а отдельные деревья и кустарники.

Эти возможности особенно интересны при изучении экосистем переходных зон (экотонов). Среди них - лесотундра - экотон, занимающий огромные площади в России, Скандинавии и Канаде и являющийся чувствительным индикатором глобальных изменений. В рамках Международного полярного года (2007-2009) современное состояние, пространственные вариации и динамика лесотундровых экосистем детально изучаются в международном проекте PPS Arctic. Работа входит в аэрокосмический блок исследований по проекту, конечной целью которых является циркумполярная характеристика состояния и динамики лесотундры на разных масштабных уровнях. Снимки сверхвысокого пространственного разрешения используются для наиболее детальных исследований в сочетании с полевыми данными [12].

Традиционные методики анализа изображений высокого пространственного разрешения базировались на методах глобального (попиксельного) анализа. В изображениях со сверхвысоким пространственным разрешением большое значение имеют текстурные характеристики и пространственные взаимоотношения между изобразившимися объектами. Эта особенность учитывается при фокальном объектно-ориентированном анализе, исследующем распределение яркости в рамках участков изображения, включающих некоторое количество пикселей. Размер участка определяется в зависимости от размера и характеристик изобразившихся на снимке объектов.

Разработана методика автоматизированной обработки космических изображений, основанная на комбинации глобальных и фокальных алгоритмов обработки снимков [12]. Методика апробирована на примере снимка QuickBird (имеющего разрешение 2.4 м в спектральных зонах и 0.6 м для панхроматического изображения) Съёмка выполнена 28 июня 2006 г. на территорию долины реки Тульок в Хибинском горном массиве, Мурманская область (рисунок 1). Обработка снимка проводилась в программных пакетах ERDAS IMAGINE 9.3 и ESRI ArcGIS 9.3

Методика включает несколько этапов:

- создание многозонального изображения с улучшенным пространственным разрешением путём его объединения с панхроматическим каналом;

- построение классифицированного изображения растительности на основе глобального анализа изображения путём определения пороговых значений для яркостных характеристик (нормализованного вегетационного индекса NDVI, результатов кластеризации снимка в IHS представлении) и текстурных характеристик (дисперсии значений яркости в пределах «скользящего окна») с целью выделения на изображении следующих классов: растительность, тени растительности, прочие объекты;

- фокальный анализ классифицированного изображения с использованием матричных моделей деревьев, изобразившихся на космическом снимке, на основе методики Гринберга и др. [23] для обнаружения деревьев и кустарников с кронами заданных размеров;

- фокальная фильтрация промежуточного изображения, совмещённого с индексным изображением NDVI, в результате которой из двух слишком близко расположенных деревьев или кустарников одинакового размера выбирается дерево или кустарник, имеющий большее значение вегетационного индекса;

- преобразование результатов дешифрирования деревьев в векторную форму для последующей обработки в ГИС- пакете;

- pасчёт высоты деревьев по длинам их теней, измеренным на этапе определения положения стволов;

- заключительный этап фильтрации, в результате которого удаляются меньшие по размеру ложно обнаруженные деревья и кустарники, которые перекрываются кроной больших по размеру деревьев и кустарников;

- оценка достоверности результатов;

- оформление результатов дешифрирования.

Рисунок 1 - Классифицированное изображение, используемое для выделения отдельных деревьев по пространственному сочетанию освещённых и затенённых участков крон

Результатом анализа изображения QuickBird с применением разработанной методики, формализованной в виде двух моделей автоматической обработки снимков (для ERDAS IMAGINE и для ArcGIS), являются электронные карты на ключевой район в долине реки Тульок [12]. Среди них - карты деревьев и кустарников (рисунок 2), границ леса и лесотундры (рисунок 3), проективного покрытия крон, которые рассчитываются для элементарных площадок заданного размера (рисунок 4), Высокая достоверность результатов автоматизированного дешифрирования подтверждена на основе визуального дешифрирования для 16 тестовых участков изображения.

Рисунок 2 - Результат выявления деревьев и кустарников. Фон: космоснимок QuickBird от 28 июня 2006 г

Рисунок 3 - Результат автоматического определения границ леса

Следует отметить, что в изучаемом районе деревья на границе леса часто имеют кустарниковую форму, поэтому деревья и кустарники дешифрируются нами как единый класс объектов.

Рисунок 4 - Карты проективного покрытия крон для элементарных площадок, соответствующих размеру пиксела на снимках Terra ASTER (15 м), Landsat TM (30 м), Landsat MSS (80 м)

Полученная карта деревьев и кустарников позволяет оценивать количество деревьев и крупных кустарников на единицу площади, с разделением их на несколько классов по высоте, а также расстояние между стволами деревьев и проективное покрытие древостоев. Оценка высот объектов позволяет автоматизировано проводить границу между лесной, лесотундровой и стланиковой древесной растительностью (основные экологические классы в лесотундровом экотоне). Разработанная методика детального картографирования позволяет определять важные морфометрические параметры экотона лесотундры. Результаты детального дешифрирования будут использованы при оценке достоверности картографирования экотона лесотундры по снимкам более низкого пространственного разрешения для обширных территорий [12].

1.3 Картографирование лесостепной растительности

Растительность, благодаря высоким индикационным и физиономическими свойствам, является центральным объектом дистанционного мониторинга природной среды. Важнейшим продуктом, интегрирующим результаты аэрокосмического исследования растительности той или иной территории, является геоботаническая карта [24].

В современных условиях без системы детальных геоботанических карт немыслимы научно-обоснованная разработка классификации и районирования растительного покрова, определение биологического потенциала и ресурсов, выявление закономерностей размещения и формирования растительности, успешная реализация перспективных региональных и локальных проектов по освоению природных ресурсов, мероприятий по охране окружающей среды и формированию сети особо охраняемых природных территорий. Они являются неотъемлемым элементом и базовой основой в решении ряда других научных и практических задач [4]. К концу истекшего столетия возможности картографического метода исследования растительного покрова необыкновенно расширились за счет создания и внедрения геоинформационных технологий (ГИС-технологий), свободного доступа к данным дистанционного зондирования Земли (ДДЗ). Их применение позволяет при наличии адекватной пространственно распределенной информации по региону создавать практически неограниченное число виртуальных тематических карт и анализировать их в самых различных сочетаниях [17]. Как справедливо заметил известный французский картограф П. Озанда «...картографирование растительности является одним из направлений биологии, сделавшим рывок во второй половине XX века и добившимся блестящих достижений» [13].

В Беларуси, например, картография растительности является одним из направлений ботаники активно развивающимся со второй половины XX века. Это было продемонстрировано созданием серии мелко- и среднемасштабных геоботанических карт, внесших значительный вклад в познание структуры растительного покрова Европы. Среднемасштабная (М 1:600 000) карта растительности Белорусской ССР [19], например, единственная карта в СССР, которая была опубликована, вопреки цензуре, в открытой печати [20]. По утверждению одного из крупнейших ботаников-картографов Европы Т.К. Юрковской - это стало сенсационным событием для всех геоботаников СССР [20, 21].

Методологические концепции регионального геоботанического картографирования, которые развивались ботаниками-картографами, еще не исчерпали себя, однако ограниченное узкими задачами картографирования растительности, на рубеже столетий это научное направление стало перед серьезными вызовами научно-технического прогресса.

Во-первых, существенно изменились методические подходы составления геоботанических карт: стремительно обновляется программно-информационная платформа процесса картографирования, стал свободным доступ к материалам аэрокосмической съемки, активно развивается национальный сегмент системы дистанционного мониторинга природной среды.

Во-вторых, карту растительности стали рассматривать не как конечный документ, а скорее как промежуточную площадку, от которой усилия исследователей устремлены в двух направлениях: с одной стороны, на использование карты как средства анализа среды, с другой - на применение полученной при помощи карты информации для реализации практических задач.

Наиболее интересным, с точки зрения концентрации научных проблем, перспектив развития прикладного тематического картографирования, а также востребованности результатов исследований является сегмент крупномасштабного картографирования (М 1:10 000 - М 1:200 000). Именно с ним (крупномасштабным картографированием) связано дальнейшее обсуждение результатов и перспектив использования дистанционного зондирования растительности в научных и практических целях.

Безусловно, техническое совершенство - важная вещь. Особенно в картографировании - ведь карта во многом плод развития технических средств и достижений математики. Но это, прежде всего технические успехи. Задача ботаников-картографов не превратиться в оператора ЭВМ, а развивать научные основы картографирования, создавать новые типы карт растительности, используя современные успехи синтаксономии, экологии [20].

Крупномасштабное картографирование растительности с использованием ДДЗ и ГИС-технологий. В результате выполнения ряда заданий государственных программ научных исследований, международных проектов разработана методика крупномасштабного картографирования растительности с использованием данных дистанционного зондирования [17].

Методика работы состоит из 3 этапов (рисунок 5).

- Предполевой камеральный этап:

а) сбор данных на территорию исследуемого объекта;

б) подбор данных космической съемки с различных спутниковых систем;

в) обработку космоснимков;

г) выполнение визуальной и автоматической классификации снимков объекта исследования;

д) проведение предварительной классификации и создание цифровой прекарты.

Все подготовительные работы начинаются с анализа имеющихся для исследуемой территории проектов лесо- и землеустройства, техникоэкономических обоснований проведения хозяйственных и/или природоохранных мероприятий, обработки документов по освоению лесного фонда. Информация, содержащаяся в указанных документах, является основой баз данных, для создания которых осуществлялись: сканирование, привязка лесоустроительных планшетов и абрисов лесосек, векторизация данных и добавление атрибутивной информации.

Для решения задач геоботанического и прикладного тематического картографирования в наших исследованиях используются космические снимки с пространственным разрешением от 8-15 до 30-50 м, получаемые с помощью съемочных систем Landsat ETM+ и «TERRA» ASTER (США), SPOT (Франция), ALOS (Япония) и др.

Ряд задач по картографированию и оценке состояния растительности решаются с помощью космических систем, имеющих низкое пространственное разрешение (250-1000 м) типа AVHRR (NOAA), MODIS (США) и др.

Наиболее оптимальными для целей геоботанического картографирования являются снимки с разрешением лучше 2 м, которые позволяют выявить даже незначительные изменения в растительном покрове. При этом, в последнее время активно развиваются космические системы со сверхвысоким пространственным разрешением (0,3-0,5 м), которые по информативности приближаются к материалам аэрофотосъемки и могут заменить их при инвентаризации и оценке состояния растительного покрова. В этом секторе космических данных дистанционного зондирования лидируют QuickBird, IKONOS, WorldView-1, -2, GeoEye-1 (США), EROS (Израиль), Cartosat-1, -2 (Индия), Ресурс-ДК (Россия) и др.

При изучении растительности на сравнительно больших площадях наиболее привлекательным по соотношению цена/качество являются снимки с разрешением от 2 до 10 м.

Снимки с пространственным разрешением до 1,5 м (в панхроматическом диапазоне) распространяются по достаточно высоким ценам, по данным 2013 г. в среднем примерно 5-20 у.е. за 1 км2 архивной съемки, при минимальной площади заказа 25 км2. Среди снимков высокого разрешения своей «демократичной» ценой выделяются также данные японского спутника ALOS (близкими по качеству являются и космические снимки, полученные с БелКА). Важной сферой применения снимков среднего разрешения является отслеживание долговременных изменений в растительном покрове. Так, спутники серии Landsat работают на орбите с 70-х гг. XX в, т. е уже почти 40 лет. Накоплен огромный архив свободно доступной съемки всей территории суши. Используя ее, мы можем «заглянуть в прошлое» назад, что позволяет в отдельных случаях отслеживать процессы, происходящие в природнорастительных комплексах.

Благодаря приобретшим большую популярность интерактивным вебсервисам типа Google Earth широкая общественность смогла за последние годы познакомиться со снимками сверхвысокого разрешения. Поскольку снимки, представленные в Google Earth, уже ортотрансформированы с использованием грубой модели рельефа, в них внесены неисправимые ошибки. К сожалению, в силу этой причины использование данных материалов ограничено. Максимальную точность могут обеспечить лишь коммерческие данные дистанционного зондирования.

Обработка материалов космической съемки выполняется в программном пакете Scanex Image Processor и включает:

- геопроецирование снимка в географическую систему координат WGS84 проекции UTM;

- корректировку привязки снимка по опорным точкам или точному координатно-увязанному снимку;

- увеличение пространственного разрешения многоканальных (многоспектральных) снимков;

- создание синтезированных цветных изображений из комбинации спектральных каналов космического снимка.

На первом подэтапе камерального предполевого дешифрирования (классификации) территории для удобства дешифрирования серия цветных композитных изображений сопоставлялись с топографической картой участка, что позволило создать предварительную природную классификацию (типологию) территории на ландшафтной основе. При построении данной классификации учитывалась взаимосвязь основных природных компонентов рельефа, почв, растительности. Под природной классификацией понимается выделение с использованием ландшафтного подхода экосистем, или природнотерриториальных комплексов (ПТК).

Рисунок 5 - Схема выполнения работ по созданию карты растительности с использованием данных дистанционного зондирования (на примере лесоболотного комплекса «Морочно», Столинский район Брестской области)

Наиболее значимыми признаками при дешифрировании являются рисунок изображения, его морфологический облик, структурно-текстурные и топологические особенности. Здесь (первый подэтап) не отличается от общепринятых подходов предварительного экспертного дешифрирования территории по аэрофотоснимкам и позволяет создать легенду к карте экосистем, в котором растительность представлена как основной, физиономически информативный компонент [9]. Предварительная легенда ПТК в крупных структурных подразделениях уже представляет каркас будущей окончательной легенды карты растительности.

Второй подэтап камерального периода включает создание неконтролируемой (unsupervised) автоматической классификации с дальнейшей интерпретацией классов и формированием карты. Автоматическую классификацию выполняли с помощью специализированных пакетов ENVI или Erdas Imagine. Количество классов при этой обработке в зависимости от качества снимка и поставленных задач составляет от 10 до 40.

После выполнения указанных процедур было получено цветное изображение - электронная карта (прекарта). Она отражает закономерности распределения определенного (заданного нами) количества классов. Сопоставление данных визуального дешифрирования композитных снимков и прекарты, полученной на основе неконтролируемой классификации, позволяет лучше определить закономерности распределения и разнообразие растительности тестового участка и тем самым более осмысленно подойти к анализу использованных материалов.

- Полевые исследования. Полученная информация позволила наметить расположение точек для сбора фитоценотических описаний с целью более точной интерпретации полученных классов. В ходе полевых описаний проведен сбор данных о состоянии растительности классическими геоботаническими методами, но с использованием GPS-приемника для привязки точек описаний и треков путевых маршрутов. При проведении работ сопоставлялись предварительные результаты дешифрирования космоснимков с наземными данными. В зависимости от полученных результатов ранее выделенные классы могли объединяться или, наоборот, разделяться на несколько независимых. Количество точек описания для каждого класса могло варьировать в зависимости от однородности или неоднородности рисунка растительного покрова. Для всех новых или сложных для интерпретации классов количество точек описания было увеличено, что бы при контролируемой автоматизированной классификации можно было набрать достаточное количество эталонных пикселов [9, 17].

- Постполевой камеральный этап включает несколько этапов:

а) Обработка геоботанических описаний. В камеральных условиях составлялись сводные таблицы описаний фитоценозов с их последующей сортировкой. Помимо флористического состава и структуры сообществ, большое внимание уделялось характеристике древесного яруса. Это было необходимо не только для типизации лесных сообществ, но и для отграничения их от сообществ лесных болот.

Обработка геоботанических описаний осуществлялась при помощи компьютерной программы JUICE, при этом алгоритм включал следующие последовательные шаги:

1) обработка (предварительно вручную сгруппированных) геоботанических описаний методом TWINSPAIN;

2) составление синоптической таблицы с константностью и привязанностью видов;

3) анализ колонок постоянства с выделением групп диагностических, константных, доминантных видов;

4) составление характеризующей обзорной таблицы картируемых синтаксонов.

Следует более подробно прокомментировать стремление всесторонне обрабатывать фитоценотические описания. На большинстве обследованных участков происходили разнообразные по характеру и силе антропогенные воздействия, в результате чего большая роль в современном растительном покрове принадлежит разнообразным производным сообществам, которые являются различными стадиями восстановления или деградации естественной растительности. Эти неустойчивые (серийные) сообщества в значительной степени увеличивают пестроту растительного покрова. В связи с этим использование автоматических методов классификации геоботанических описаний (после предварительной сортировки вручную) позволяет выделить группы дифференцирующих видов и соответственно более точно провести демаркацию между картируемыми единицами. Кроме этого, применение специализированных программ (JUICE, PC-ORD) позволяет автоматизировано обработать экологический составляющую описаний (расчет фитометрических индексов, ординация сообществ в пространстве факторов среды и т.д.), что позволяет оперативно использовать информацию для целей фитоиндикационного картографиторования.

б) Разработка легенды геоботанической карты. Структура легенды отражает типологическую дифференциацию растительного покрова. При ее составлении нами используются единицы эколого-физиономической (доминантной) классификации (основывается при выделении единиц всех рангов на экобиоморфе доминантных видов господствующей синузии).

Высшие подразделения легенды соответствуют типам растительности: (лесной, болотной, луговой, прибрежной-водной и т.д.). Самостоятельными разделами приводится типологически разнородная растительность на месте гарей и вырубок, условно названная «пустошной», а также вторичная мелколесная и кустарниковая растительность.

Лесной тип растительности подразделяется на классы формаций: хвойные, широколиственные, мелколиственные производные и лиственные коренные леса на болотах. Картируемые таксоны хвойных (в подавляющем большинстве сосновых) лесов на болотах рассматриваются как градации этих лесов, коренные лиственные леса на болотах выделены в отдельную таксономическую категорию высшего ранга. Это продиктовано стремлением сохранить единство формационной структуры лесной растительности. Лиственные леса на болотах - пушистоберезовые и черноольховые - образуют самостоятельные, сопряженные друг с другом формации, тогда как типы сосняков на болотах составляют часть эколого-фитоценотического ряда сосновых лесов. Подзаголовками следующего ранга для лесной растительности являются формации (сосновые, еловые, осиновые, черноольховые и т.д.). Далее в легенде приводится разделение лесной растительности по таксонам, соответствующим единицам лесотипологической классификации.

Следует заметить, что при создании геоботанических карт многие исследователи не видят серьезной альтернативы эколого-физиономической классификации. Это обусловлено, тем, что единицы доминантной классификации в отличие от флористической, не имеют жестких синтаксономических рамок, что позволяет более адекватно отображать географические, хорологические особенности растительного покрова, а также его динамику при разнообразных антропогенных нарушениях [5].

Затрудняет использованием флористической классификации и сложность с выбором синтаксономического ранга единиц картирования. Обзор литературных источников, показывает, что среди сторонников школы Ж. Браун-Бланке наиболее популярная единица при крупномасштабном геоботаническом картировании является ассоциация [24]. Однако, если жестко придерживаться установки и не покидать рамок созданной синтаксономической схемы растительности Европы, то использование географически обширных ассоциаций, включающих большое количество различающихся между собой сообществ не способствует познанию закономерностей растительного покрова, затушевывает его существенные черты. Можно ли получить достаточную информацию о растительном покрове той или иной территории, имея в легенде, например, Sphagnetum magellanici (Male. 1929) Kastner et Flossner 1933 или Vaccinio uliginosi-Pinetum sylvestris (Hueck 1929) R.Tx.1955? Географический ареал этих ассоциаций огромен и они были бы уместны при картировании растительности Германии, Польши, Беларуси, Литвы или даже европейской части России. Или, как например, с использованием традиций франко-швейцарской школы при картировании болот разделить болотные леса (сосняки сфагновые) и облесенные болота (сосновое редколесье), относящиеся к разным типам растительности (лесному и болотному)? Арсенал флористической классификации предлагает в этом случае только один таксон - Sphagno-Pinetum sylvestris Kobendza 1930. Применение синтаксонов ранга ниже, чем ассоциация (субассоциация, вариант, фация) в наших исследованиях тормозится в связи с отсутствием в доступных литературных источниках достаточного опыта подобных использований.

Не стоит забывать и о прикладной стороне вопроса: пользователь цифровой и (или) аналоговой картографической продукции (лесоустроитель, проектировщик) в подавляющем большинстве случаев не владеет базовыми основами флористической классификаций, в результате чего легенда для него остается зашифрованной и область применения карт растительности в таком случае сокращается только до научных целей. Вместе с тем, мы нисколько не отрицаем, необходимость более широкого использования единиц флористической классификации для крупномасштабного картографирования растительности, и первые исследования нами уже начаты.

в) Создание контролируемой автоматической классификации. На основе экспертной оценки проводится окончательная контролируемая автоматическая классификация и оценивается информативность полученных данных относительно совокупности наших знаний (картографические, полевые, литературные материалы) по установленным эталонам (классам растительности). Анализ полученных результатов и сопоставление их с полевыми данными позволили сделать коррекцию распределения некоторых классов за счет увеличения количества эталонных пиксел, необходимых для проведения классификации.

г) Создание картографической модели. На основе систематизации классов (кластеров) полученного классифицированного изображения создается картографическая модель изучаемого участка. Для составлении ведомости площадей картируемых таксонов растительности использовали модуль, встроенный в платформу программы Arc GIS (ESRI, USA). Создание карты сопряжено с созданием единой ГИС, включающей электронный фотоплан, топооснову, материалы обработки космических снимков, прекарту, базы данных (в формате dbf) геоботанических описаний. Анализ и оформление карт осуществляется в программной среде ArcGIS.

В последнее десятилетие нами составлены крупномасштабные карты растительности практически для всех крупнейших объектов природно-заповедного фонда страны, а также 30 км зоны БелАЭС и других природных территорий (рисунок 6). При их составлении использовались, как правило, традиционная доминантная классификация и структурно-динамические принципы построения легенды.

В качестве примера итоговой работы приведем геоботаническую карту нарушенного лесоболотного комплекса «Жада», созданной по итогам комплексного изучения растительности болота в 2010-2013 гг. (рисунок 7, таблица 2) [5].

Вместе с тем важнейшим этапом работ была необходимость «конвертировать» содержимое геоботанической карты в серию прикладных тематических карт. На основе карты актуальной растительности тестового полигона и сопряженной с нею базы данных создавался ряд прикладных тематических карт (рисунок 8).

Не вдаваясь подробно в методические вопросы прикладной геоботанической картографии, которые довольно подробно изложены нами в специальном издании [16], кратко обозначим содержание основных тематических карт.

Карта факторов антропогенного воздействия показывает действие (одного-двух) наиболее значимых факторов на каждый выдел растительности: сплошные и выборочные рубки последних лет, пожары, сенокошение и выпас, подтопление и т.д.

Рисунок 6 - Обобщенные сведения о результатах геоботанического и прикладного тематического картографирования, выполненных с использованием ДДЗ

Таблица 2 - Легенда карты растительности

№	Картируемый таксон	Площадь
		га	%
ЛЕСА	2128,99	43,29
Сосновые и пушистоберезово-сосновые	1613,27	32,80
1	Сосновые кустарничково-долгомошные в сочетании с чернично-зеленомошными	34,20	0,76
2	Сосновые кустарничково-сфагновые	698,86	15,53
3	Сосновые кустарничково-сфагновые леса	485,55	10,79
4	Сосновые и пушистоберезово-сосновые осоково-кустарничково-сфагновые леса	119,38	2,65
5	Сосновые кустарничково-сфагново-зеленомошные	275,28	6,12



Рисунок 7 - Заключительные этапы создания геоботанической карты проектируемого заказника «Жады». А - фрагмент снимка ALOS Avnir и контуры растительности, установленные после контролируемой автоматической классификации; Б - карта растительности

ПРИКЛАДНАЯ ГЕОБОТАНИЧЕСКАЯ КАРТОГРАФИЯ

Рисунок 8 -Тематические блоки прикладного геоботанического картографирования

Карта современного состояния отражает два процесса - деградацию растительности под воздействием антропогенных факторов и восстановительные процессы, развивающиеся после этих воздействий. Выделены 4 градации: слабо-, средне-, сильнонарушенная и полностью уничтоженная растительность.

Фитоиндикационные карты, характеризуют экологические режимы местообитаний (увлажнение, кислотность, трофность, освещение), детектируемые на основе экошкал.

Карта направленности современных процессов в природных экосистемах отражает процессы изменения экологических условий, индицируемых по характеру сукцессий растительности.

Карта изменений условий увлажнения, индицируемых по сукцессиям растительности. Определяет 4 направления изменений условий увлажнения: стабилизация, увеличение (заболачивание), уменьшение (осушение) и разнонаправленные процессы в комплексных местоположениях.

Карты устойчивости природных экосистем: к пожарам - разработана на основе стандартной лесохозяйственной шкалы пожарной опасности; к рекреационному воздействию составлена на основе существующих предельно допустимых рекреационных нагрузок на растительность.

Карта оценки местообитаний с точки зрения поддержания биологического и ландшафтного разнообразия построена на основе выделения таксонов, охраняемых в соответствии с Директивой Евросоюза по местообитаниям.

Карта особо ценных растительных сообществ. На ней отражены:

- редко встречающиеся лесные сообщества;

- природные эталоны, наименее измененные хозяйством антропогенно-природные леса;

- хозяйственные естественные и искусственно созданные леса местных лесообразователей высокой продуктивности и целевого соответствия;

- лесные фитоценозы на болотах, вокруг озер, у истоков рек;

- редкие комплексные болотные сообщества;

- фитоценозы с редкими видами растений;

- ресурсоведческие участки;

- опытные объекты.

Карта а-разнообразия, составленная на основе системы балльных оценок обилия, исходя из видового обилия на единицу площади.

Карты ресурсного потенциала растительности отображают сведения о биологических ресурсах (общих запасов стволовой древесины лесов, урожайности ягод клюквы, запасов лекарственных растений и т.д.).

Карты стоимостной оценки экосистемных услуг и биологического разнообразия отображают:

- интегральную оценку экосистемных услуг;

- экономическую оценку первичной и вторичной продукции;

- стоимостную оценку биологического разнообразия.

Карта экологических функций растительности отражает средообразующий и ландшафтно-защитный потенциал растительности.

Мониторинг лесохозяйственной деятельности. В последние годы при инвентаризации ООПТ значительное внимание уделяется мониторингу лесохозяйственной деятельности.

Выявление новых лесосек проводится путём сравнения свежих данных космической съёмки со снимками годичной (и более) давности. Лесосеки на снимках выглядят как объекты повышенной яркости на фоне более тёмного нетронутого леса. Основное отличие лесосек от похожих объектов - пожаров и ветровалов - состоит в наличии связанной инфраструктуры (лесовозные дороги, погрузочные площадки, магистральные и пасечные волоки) [11].

Основным признаком, по которому лесосеки разделяется на классы выборочных и сплошных рубок, выступает текстура. Если для сплошных вырубок характерна практически полная её однородность, то более выраженная текстура выборочных рубок обусловлена наличием волоков, дорог, погрузочных площадок, «окон» в пологе в сочетании с нетронутой частью насаждений. Чем выше пространственное разрешение, тем лучше различимы элементы инфраструктуры внутри лесосеки, в первую очередь волоки (технологические коридоры). Так, на снимках SPOT (разрешение 10 м) различимы лишь самые наезженные волоки, тогда как на более детальных данных IRS-P5 (разрешение 2,5 м) и EROS B (разрешение 0,7 м) видны не только большинство волоков, но и кроны отдельных деревьев [11].

Другими важными отличительными признаками для разделения выборочных и сплошных рубок выступают яркость и форма объектов. Сплошные вырубки обычно имеют правильную прямоугольную форму. Исключение могут составлять санитарные рубки, например, после пожара. Яркость сплошных свежих вырубок, как правило, велика за счёт большого процента открытой почвы [11].

При выборочных рубках форма лесосек может сильно варьировать, особенно в случае рубок ухода или незаконных самовольных рубок. При промышленной заготовке древесины форма лесосеки обычно более правильная. Яркость выборочных рубок варьирует в широких пределах и зависит от ряда факторов: сезона съёмки, выраженности рельефа, освещённости склона, на котором распложена рубка, давности и интенсивности рубки, доли темнохвойных и мягколиственных пород в составе древостоя, наличия и сомкнутости второго яруса и подлеска, а также степени их повреждения при рубке. Надо отметить, что возможность достоверно выявлять выборочные рубки, в том числе и на местности с выраженным рельефом, позволяет проводить мониторинг нарушений в защитных лесах различных [5].

На основе анализа результатов исследования составляются карты [8, 11, 17].

- Нарушения правового режима особо охраняемых природных территорий (ООПТ). Примером данного типа нарушений являются:

а) проведение сплошных рубок на участках где они запрещены в пределах заповедников, национальных парков, заказников;

б) гибель насаждений в результате нарушения режима хозяйственного использования земель.

Кроме этого, анализ сопоставление карт плановых и фактически выполненных хозяйственных и природоохранных мероприятий на территории ООПТ позволяет составить карты и сводные ведомости нарушений хозяйственной и природоохранной деятельности.

- Нарушения правового режима водоохранных зон и особо защитных участков леса (берегозащитных полос). Мониторинг проведение рубок в водоохранных зонах и особо защитных участков леса (берегозащитных полос) актуальная проблема. Высокодетальные снимки с пространственным разрешением 2,5 м и выше позволяют выявить данный тип нарушений, так как на столь детальных снимках хорошо просматриваются русла ручьёв и небольших рек. Это позволяет (с помощью ГИС) построить вдоль русел буферные водоохранные зоны и берегозащитные полосы заданной ширины и, соответственно, выявить факты рубок в водоохранной зоне.

- Превышение предельно допустимых параметров лесосек. По данным космической съёмки высокого разрешения можно надёжно определять такие нарушения правил заготовки древесины, как превышение предельно допустимой площади, ширины лесосеки и нарушение сроков примыкания лесосек.

- Дистанционный мониторинг незаконных рубок. Борьба с незаконными рубками на сегодняшний день не является одной из важнейших задач, однако, наличие в арсенале методов оперативной ревизии лесного фонда, является надежным инструментов профилактики подобных нарушений законодательства.

Схема выполнения работ включает 5 этапов [8].

- Подготовительные работы включают обработку разрешительных документов: проектов освоения лесов, лесных деклараций, лесорубочных билетов, абрисов лесосек. Информация, содержащаяся в разрешительных документах, является электронной базы данных мониторинга, для создания которой осуществлялись:

а) сканирование;

б) привязка планшетов и абрисов лесосек;

в) добавление атрибутивной информации о лесосеках

- Приобретение и обработка космических снимков.

- Дешифровочные работы материалов космической съемки и анализ разрешительных документов Дешифровочные работы осуществляются визуально-интерактивным методом. В процессе анализа проводилось измерение площадей лесосек, выявление нарушений, формирование ведомости нарушений, расчет ориентировочной суммы вреда в денежной эквиваленте. Незаконно вырубленные лесосеки формируются в отдельный векторный слой.

- Проведение выборочной полевой проверки. Выборочная полевая проверка проводится с применением GPS-приемника и в количестве не менее 3% от числа лесосек с выявленными нарушениями лесного законодательства.

- Составление итоговой карты и ведомости наущений лесного законодательства

С использованием стандартных функций, реализованных в большинстве существующих ГИС, разработаны ряд оригинальных методик определения негативного воздействия антропогенных и естественных факторов и масштабов экономического ущерба (рисунок 9).

Технической (аппаратной и программной) основой для геоботаническо- го и экологического картографирования является многофункциональная многоуровневая геоинформационная система (ГИС), обеспечивающая совместимость и агрегирование разнородных данных.

При создании ГИС используются следующие виды базового программного обеспечения:

а) системы обработки данных дистанционного зондирования Земли ENVI, Scanex Image Processor;

б) геоинформационные платформы MapInfo, Quantum GIS, ArcGIS;

в) системы управления базами данных MS Access;

г) электронные таблицы MS Excel;