Опыт автоматизированного дешифрирования разновременных снимков LANDSAT на территорию Удмуртии

Одним из важнейших источников получения актуальной информации о пространственных изменениях являются материалы дистанционного зондирования Земли. Для целей создания пространственных баз данных на региональном уровне хорошо подходят многозональные снимки среднего разрешения, наиболее популярными из которых являются снимки, выполненные со спутников Landsat (Белоусова, 2018). Съемка проводится в нескольких каналах с подходящей периодичностью и сплошным охватом территории. Кроме того, имеется бесплатный доступ к архиву снимков (с 1984 г.), что позволяет оценить динамику изменений. Например, динамика эрозионных процессов в значительной мере определяется соотношением различных типов земель в общей структуре землепользования. Актуализация количественных данных по изменению структуры землепользования во временном разрезе в течение последних 30-40 лет является важной задачей.
В настоящее время на территории Удмуртии наблюдается затухание эрозионных процессов, что объясняется изменением климатических условий и возрастанием необрабатываемых пахотных площадей в 1990-е годы. Созданная на основе автоматизированного дешифрирования картографическая основа может быть использована для комплексной оценки природных и антропогенных факторов, влияющих на развитие эрозионных процессов (Скрипчинский, Бурым, 2016).
Исследование проводилось на примере участка в южной части Удмуртии, ориентировочной площадью 2300 км2. Подобраны снимки на 3 временных периода: 1989 г., 2013 г. и 2023 г. На каждый рассматриваемый период используются весенне-летние снимки. Снимки 1989 года выполнены спутником Landsat 5, а 2013 и 2023 – спутником Landsat 8. Загрузка снимков производилась в QGIS через меню SCP (Semi-Automatic Classification Plugin). Снимки были обработаны (т.е. была произведена атмосферная коррекция и изменено пространственное разрешение) и в результате созданы новые файлы формата tif. На их основе был сформирован Band set (набор каналов), который позволяет определить один или несколько наборов каналов, используемых в качестве входных данных. Снимки Landsat 5 синтезированы в сочетании 5, 4, 3 каналы, Landsat 8 – 6, 5, 4. Подобная комбинация позволяет увидеть очень много информации и цветовых контрастов. Здоровая растительность выглядит ярко зеленой, а почвы – розовато-лиловыми. Данное цветовое решение дает хорошую возможность для качественного анализа сельскохозяйственных угодий (Иванов, 2019).
Далее следует этап автоматизированного дешифрирования. Он включает задачи классификации изображений, распознавания образов и процедуры машинного обучения, обеспечивающего процесс самообучения алгоритмов распознавания. Во вкладке SCP Dock создается файл, в котором хранится набор эталонов. Затем выделяются области или пиксели, которые являются наиболее характерными для определенного класса объектов. Использование инструмента ROI (Regions Of Interest) позволяет выделять временные полигоны, на базе которых рассчитываются спектральные характеристики объектов.
Для качественной классификации набирается библиотека классов и их цифровых обозначений. Нами выделялись следующие классы земельных угодий: 1) пашня обрабатываемая; 2) пашня не обрабатываемая (залежь); 3) пашня, используемая под многолетние кормовые культуры (не распахивается от 6-8 лет и более); 4) пастбища и луга (сенокосные угодья); 5) лесные земли (залесенные площади, включая болота); 6) застроенные территории (включая селитебные, дорожную сеть, участки под нефтедобычей и др. полезными ископаемыми); 7) водоёмы (пруды, озера, водохранилища и речная сеть).
В ходе выполнения исследования нами было установлено, что использование одного общего набора эталонов может привести к неверной классификации объектов из-за разных цветовых характеристик пикселей. Поэтому для некоторых классов нами подбирались разные комбинации каналов. Так, например, для залесенных земель, охватывающих большую территорию, и имеющих четко различимую структуру и характерный цвет, использовалось сочетание каналов Landsat 8 – 432, то есть “естественные цвета”.
На основе ROI была произведена классификация. Она строится на системе классов или макросклассов. Непосредственно перед классификацией всего растра для определения наиболее оптимальных характеристик был выбран небольшой участок, включающий максимально возможное число имеющихся эталонов. На эту территорию был осуществлен предварительный просмотр классификации. Далее нами была проведена классификация всего растра по системе классов (Class ID) методом максимального правдоподобия. После процедуры векторизации классифицированных областей создаётся отдельный слой с векторными слоями. Далее выполняем экспорт в MapInfo в формате Tab для дальнейшего подсчета площадей классов.
На исследуемый участок территории Удмуртии созданы с помощью автоматизированного дешифрирования 3 разновременные карты - 1989 г., 2013 г., 2023 г. Составленные карты представляют собой изображение, пикселям которого вместо исходного значения яркости присвоены значения цветов конкретного класса. Нами был сформирован векторный полигональный слой и связанная с ней атрибутивная таблица. Таблица содержит в себе идентификационный номер объекта и номер класса, к которому он относится. Для определения площадей объекта был использован калькулятор полей.
Динамика изменения площадей анализируемых угодий в целом соответствует общеизвестным тенденциям, характерным для всей страны. В первую очередь отмечается резкий спад площади обрабатываемых пахотных земель в 90-е годы 20 века и постепенное восстановление в настоящее время. Увеличивается в последние годы площадь лесных угодий, в том числе и за счет зарастания пастбищ, лугов и не обрабатываемых длительное время пахотных земель. Незначительно выросла на исследуемом участке площадь водоемов прежде всего за счет создания новых прудов. Площади населенных пунктов за исследуемый период практически не изменились. Это связано, во-первых, с недостаточным разрешением исходных снимков, не позволяющим четко дешифрировать сельские населенные пункты, во-вторых, с исчезновением ряда мелких населенных пунктов и компенсирующим это ростом более крупных сел и деревень. Для подтверждения сделанных нами выводов планируется проведение аналогичных исследований на других участках на территории Удмуртии. Кроме того, необходимо сравнение полученных результатов со статистическими материалами соответствующих ведомств. Таким образом, использование механизмов автоматического дешифрирования способно увеличить скорость и точность подсчета площадей земельных угодий.

Исследование выполнено при финансовой поддержке Российского научного фонда (проект № 23-27-00194).