Методы предварительной обработки временных рядов спутниковых данных в задачах Land Cover/ Land Use

Задачи «Land Cover», под которыми понимается анализ биофизических атрибутов поверхности Земли, и «Land Use», описывающие изменения подстилающей поверхности в результате антропогенной деятельности, составляют основу большей части исследований Земли из космоса. В настоящее время накопились значительный архивы спутниковой информации, а в состоянии активной работы находится множество различные спутниковых группировок. Инфраструктура методов анализа ДДЗ, с развитием облачных технологий, например Google Earth Engine, Vega и др., кардинально ускорила процессы обработки спутниковых данных. В этих условиях лимитирующей стадией в работах по задачам Land Cover/ Land Use становится формулирование задачи исследования и выбор территорий для анализа. Т.е. действий исследователя, основанных на его опыте и понимании принципов функционирования анализируемых территориальных систем. Подобные знания требуют тесного знакомства исследователя с объектами исследования, что зачастую затруднительно при решении различных задач, особенно на региональном или глобальном масштабе. К тому же, уже проведенные научные и научно-технические работы весьма детально осветили основные проблемы в тематике задач Land Cover/ Land Use и дальнейший прогресс связан с использованием многолетних архивов в новых направлениях, детализирующих наше понимание территориальных процессов.
Таким образом, в настоящее время становятся актуальными предварительные продукты, основанные на архивах спутниковой информации, которые имеют цель дать возможно более детальную информацию о территориальных системах для лучшего понимания экспертом ее состояния и динамики изменений. Целью подобных продуктов является информационная поддержка исследователя для формулирования актуальных задач и выбора тестовых территорий.
При рассмотрении базовых характеристик территориальных систем, в аспекте почвенно-растительного покрова, основными моментами представляются два. Первый, это текущее состояние подстилающей поверхности, под которым понимаются его устойчивые многолетние характеристики, очищенные от краткосрочных искажений погодных условий. Второй, это направленность тенденций современных изменений. Совместно два этих параметра могут достаточно полно характеризовать картину состояния почвенно-растительного компонента подстилающей поверхности и дать лучшее понимание эксперту об особенностях территориальных процессов и основу для формулирования задач и выбора объектов исследования.
Предварительные продукты, имеющие цель представления состояния территориальных систем, лучше организовывать в формате псевдоцветных композитных изображений. Эта хорошо известная в прошлом методика, в начале эпохи использования многозональных спутниковых данных оперировала несколькими каналами одиночных снимков с генерацией псевдоцветного изображения, обычно для экспертной дешифровки. После развития численных методов данный вид обработки спутниковой информации потерял актуальность и стал использовался в основном в учебных целях.
Накопление значительных архивов спутниковой информации привело к новым проблемам численной обработки. Например, обработка временных рядов спутниковых сцен состоящих их сотен и тысяч снимков, которых в рамках ряда методик встречает математические трудности, например при классификации (кластеризации). Все это вынуждает переходить к использованию территориальных характеристик, базирующихся на многолетних архивных данных, например средних многолетних параметрах, многолетних максимумах и пр. При этом возникает смысл возврата к использованию псевдоцветных композитов. Псевдоцветные композиты, построенные на основе многолетних спутниковых данных, могут нести важную для эксперта информацию об особенностях характеристик подстилающей поверхности, что может помочь с формулированием задач исследования и выбором территорий обследования.
В данном исследовании был рассмотрен южный регион Казахстана, общей площадью более 700 тыс. км2. Все работы проводились в системе Google Earth Engine. Временной ряд сцен NDVI Sentinel-2 (разрешение 10 м) за период апрель-октябрь 2018-2022 (около 160 покрытий) служил основой для описания состояния растительного покрова. В качестве дополнительного параметра использовался многолетний максимум индекса засоления почв VSSI (Vegetation Soil Salinity Index). Создавалось псевдоцветное композитное RGB изображение, в котором в канал Red был загружен многолетний максимум индекса засоления почв VSSI, в канал Green многолетний максимум NDVI, а в канал Blue среднее многолетнее значение NDVI за апрель-октябрь. Изображение отображало состояние растительности исследуемого региона, с отделением сельскохозяйственной растительности от естественной и с детальным ранжированием поливной пашни по особенностям развития сельскохозяйственных культур.
Вторым моментом для описания динамики изменений на анализируемой территории была разработана методика, основанная на данных MODISQ13A1_NDVI (16-дневный период обновления, разрешение 500 м) периода март-октябрь 2000-2022 гг. Трендовый тест Манна-Кендалла применялся к пятнадцати 16-дневным окнам, формирующим вегетационный сезон (март-октябрь). Значения теста Манна-Кендала, через пороговые значения +3,4 и -3,4, оценивали динамику временного ряда тремя рангами монотонных трендов. Восходящий тренд, ранг А >+3,4; неопределенный, +3,4 > Ранг Б >-3,4; нисходящий, ранг С <-3,4. Полученные 15 ранговых оценок разбивались на три группы, по 5 оценок в каждой, которые описывали времена года: весна (с 5 марта по 23 мая); лето (с 24 мая по 11 августа); осень (с 12 августа по 30 октября). Описание каждого времени года, состоящее из 5 ранговых оценок, переводилось в численную оценку. Ранг А приравнивался 50 условным единицам, ранг Б – 25; ранг С – 0. Таким образом, каждое время года (весна, лето, осень) могло иметь оценку в диапазоне 0-250, где 0 это пять нисходящих, а 250 это пять восходящих трендов. Полученные оценки служили основой для создания еще одного псевдоцветного композитного изображения. Цветовая RGB-палитра этого изображения строилась как оценка направленности трендов по временам года: Red – весна; Green – лето; Blue – осень. Полученный продукт кодировал в цветовых тонах наличие и направленность монотонных трендов, а также вклад сезонных (весна-лето-осень) компонентов.
Таким образом, предложенные методики анализа текущего состояния почвенно-растительного покрова юга Казахстана на базе спутниковых данных Sentinel-2 (разрешение 20 м) 2018-2022 гг. и монотонных трендов его изменений по данным MOD13Q1A1(NDVI) (разрешение 500 м) 2000-2022 гг. могут дать дополнительную информацию о текущем состояния и современных тенденциях изменений растительного покрова, что важно для эффективного выбора направлений исследований и территориальных объектов для анализа.
Работа выполнена при поддержке грантового и программно-целевого финансирования министерства науки и высшего образования Республики Казахстан, проекты №№ АР14871126, BR10965172, BR18574144.