CC BY
30
УДК 550.3+551.5:629.78
КОСМИЧЕСКОЕ ЗЕМЛЕВЕДЕНИЕ: РЕГИОНАЛЬНЫЕ АСПЕКТЫ
В.В. Козодёров, Е.Д. Никитин, И.А. Ванчуров, В.М. Макеева, О.В. Любченко, Н.Г. Комарова, Е.В. Львова, Л.В. Ромина, Е.П. Сабодина, Т.Ю. Ливеровская, О.В. Мякокина1
Рассматривается создание баз знаний отдельных региональных исследований с учетом особенностей описания физико-географических регионов, природной зональности и почвообразования. Акцент сделан на совместном использовании данных дистанционного зондирования и наземных лесотаксационных и других обследований выбранной тестовой территории. Описаны основные направления исследований и примеры применения соответствующих подходов к реализации методов космического землеведения с использованием экспозиции Музея землеведения МГУ.
Ключевые слова: космическое землеведение, гиперспектральное аэрокосмическое зондирование, наземные обследования, совместный анализ.
REMOTE SENSING EARTH SCIENCES: REGIONAL ASPECTS
V.V. Kozoderov, E.D. Nikitin, IA. Vanchurov, V.M. Makeeva, O.V. Lyubchenko, N.G. Komarova, E.V, L'vova, L.V. Romina, E.P. Sabodina, T.Yu. Liverovskaya, O.V. Myakokina Lomonosov Moscow State University (the Earth Science Museum)
Creation of knowledge bases concerning separate regional studies taking into account descriptions of the physical-geographical regions and natural zoning and soil formation is considered. Emphasis is done on joint use of remote sensing data and forest inventory and similar other observations on a selected test area. Main research directions are outlined together with examples of the related approaches realization as to the remote sensing Earth science methods applying the available exposition in the Earth science Museum of MSU.
Keywords: remote sensing Earth sciences, hyper-spectral air- and space-borne remote sensing, ground-based observations, mutual analysis.
Введение. Космическое землеведение - это междисциплинарное направление научных исследований и технологических разработок, способствующее объединению физико-математических, информационно-технических, биогеохимических и других аспектов использования данных дистанционного аэрокосмического зондирования [8, 9]. Реализация современных методов космического землеведения предполагает создание и эксплуатацию соответствующих систем дистанционного зондирования и измерительных средств, наличие современных вычислительных систем обработки многоспектральных (до десятка спектральных каналов) и гиперспектральных (сотни каналов) изображений (hardware), разработку и совершенствование методов, алгоритмов и программного обеспечения данных дистанционного зондирования (software) [10]. В настоящее время гиперспектральные аэрокосмические системы, сочетающие высокое пространственное разрешение и детальное спектральное разрешение, считаются наиболее перспективными для решения региональных прикладных задач экологии и природопользования [15].
1 Козодёров В.В., Никитин Е.Д., Ванчуров И.А., Макеева В.М., Любченко О.В., Комарова Н.Г., Львова Е.В., Ромина Л.В., Сабодина Е.П., Ливеровская Т.Ю., Мякокина О.В. - сотрудники сектора космического землеведения и рационального природопользования Музея землеведения МГУ им. М.В. Ломоносова, [email protected]
16 Жизнь Земли 38(1) 2016 16-22
Региональные аспекты исследований в области космического землеведения предполагают задействование всех имеющихся подходов (обработка аэрокосмических изображений и летописей природы, информации по особо охраняемым территориям, исследования отдельных компонентов экосистем и др.) к совместному использованию данных дистанционного зондирования и наземных обследований выбранных регионов. Такие подходы реализуются в рамках темы НИР Музея землеведения «Биосферные функции экосистем, их компонентов и рациональное природопользование». Экспозиция залов 24 и 25 этажей Музея землеведения МГУ способствует исследованию отдельных регионов и получению новых знаний, касающихся их физико-географического описания, природной зональности и почвообразования.
Рассмотрим имеющиеся возможности развития соответствующих приложений по распознаванию природно-техногенных объектов по данным гиперспектрального самолётного зондирования выбранной тестовой территории с использованием наземных лесотаксационных и других обследований. Автоматизация распознавания указанных объектов по их текстурным и спектральным признакам при обработке гиперспектральных аэрокосмических изображений требует оптимизации вычислительных процессов для повышения эффективности используемых компьютерных средств.
На примерах распознавания объектов лесного покрова разного породного состава и возраста по гиперспектральным самолётным изображениям тестовой территории показаны особенности оптимизации вычислений [5]. Оптимизация позволяет отобрать информативные каналы из всего набора данных с учетом возможной корреляции соседних каналов, а также учесть соседство пикселей при текстурном анализе отдельных пикселей, характеризующих заданные классы объектов. При этом мы используем разные классификаторы (вычислительные процедуры) и их модификации для решения задачи распознавания объектов по их гиперспектральным аэрокосмическим изображениям на основе лётных испытаний отечественной гиперспектральной аппаратуры разработки НПО «Лептон», г. Зеленоград [2].
Оптимизация по текстурным признакам сводится к нахождению соседства элементов разрешения (пикселей) первого, второго и более высокого порядков с помощью представлений о Марковских случайных полях2 (близкодействия) для заданного класса объектов. Оптимизация по спектральным признакам способствует объединению соседних каналов без существенного уменьшения точности распознавания таких объектов. Используемые при этом когнитивные технологии (pattern recognition) дистанционного зондирования [6, 13] вбирают в себя опыт предшествующего развития этой дисциплины, связанной с разработкой алфавита классов объектов, словарей их признаков и математических процедур отнесения текущих пикселей к известным априори в машинно-обучающих алгоритмах обработки данных.
Наряду с распознаванием объектов когнитивные технологии дистанционного зондирования позволяют также восстанавливать параметры состояния распознанных объектов [12]. К числу таких параметров для объектов лесного покрова относится объем зелёной фитомассы листвы/хвои и связанный с ней объём биомассы разных фракций лесной растительности [1]. Для решения возникающих прикладных задач создаётся аппаратно-программная система обработки данных гиперспектрального аэрокосмического зондирования [3, 4, 11]. Отрабатываются также элементы валидации
2 Марковским случайным полем, или Марковской сетью (Markov random field) называют графическую модель, которая используется для представления совместных распределений набора нескольких случайных переменных.
(наземного подтверждения) получаемой информационной продукции обработки аэрокосмических изображений с точки зрения сравнения точности решения региональных прикладных задач по данным дистанционного зондирования и наземных обследований [7]. Возникает необходимость понимания информационных возможностей разных классификаторов (вычислительных процедур) [14].
Основные направления региональных исследований в области космического землеведения касаются создания базы знаний совместного использования данных дистанционного зондирования и наземных лесотаксационных, лесотипологических, биогеографических описаний выбранной тестовой территории. Принятые на практике лесотаксационные обследования используют картосхемы предыдущих наземных обследований по отдельным кварталам и выделам внутри них по преобладающей породе древостоев внутри каждого выдела. Лесотипологические обследования характеризуют типичные условия произрастания отдельных пород лесной растительности в соответствии с существующей ее типологией (черничник, брусничник, сфагнум и т. д.). Биогеографические описания охватывают построение трёхмерных моделей местности, включая существование склонов и других эффектов конкретной территории.
Необходимость мониторинга лесных экосистем по данным дистанционного зондирования обусловлена нижеследующими обстоятельствами. Это требования принятия адекватных решений на региональном уровне по управлению лесами; планирование мероприятий по предотвращению воздействий стихийных бедствий (пожары, наводнения и т. п.); выделение районов, в которых наблюдаются аномальные изменения лесной растительности (вследствие загрязнения окружающей среды, возможного стрессового состояния растительности при наличии тяжёлых металлов, накопления нефтегазопродуктов в почве); получение возможного кредита от Международных финансовых организаций на выбросы углеродных соединений (углекислый газ, метан и др.) в атмосферу. Проблема оценки изменений состояния лесов требует периодического проведения полевых обследований. Это высокозатратные работы, а использование данных аэрокосмического мониторинга призвано снизить эти затраты в процессе автоматизации обработки данных дистанционного зондирования. Решение соответствующих прикладных задач на основе обработки регулярно получаемых аэрокосмических изображений способствует развитию отмеченных региональных приложений.
В оптическом диапазоне длин волн наиболее перспективна реализация этих приложений при объединении установленной на одну платформу аппаратуры гиперспектрального аэрокосмического зондирования и оптического лидара (лазерного локатора) терагерцового диапазона. Первый тип аппаратуры обеспечивает получение изображений с географической привязкой зондируемой местности по горизонтальным координатам. Второй тип аппаратуры открывает новые возможности получения трёхмерной структуры древостоев на выбранной местности. Активная система (лидар) характеризует обратное рассеяние когерентных сигналов в процессе их регистрации приёмниками оптического излучения. Как упомянуто выше, при такой совместной обработке данных учитывается имеющаяся наземная информация, обычно представляемая в лесоведении в форме картосхем отдельных кварталов и выделов внутри них. Выделы в лесоведении включают результаты предшествующих наземных обследований выбранной территории в виде характерных границ лесного покрова с зафиксированной преобладающей породой древостоев. Эти выделы на обрабатываемом аэрокосмическом изображении содержат уже иное качество информации об отдельных полянах несплошного лесного покрова, об условиях затенения и самозатенения фито-18
элементов (крона, межкроновое пространство, листва, хвоя) при определённой высоте Солнца в момент съёмки, о других породах древостоев разного возраста и высоты, об упавших деревьях и т. д.
Методология обработки обоих типов данных совмещенного дистанционного зондирования включает построение трёхмерных тематических карт лесной растительности разного породного состава, возраста и качества древесины (бонитета). При обработке аэрокосмических изображений используются вычислительные процедуры дискриминантного анализа, других возможных классификаторов для распознавания рассматриваемых объектов по тестовой выборке отобранных классов состояния лесной растительности. Выходная продукция обработки таких объединенных данных -попиксельное представление выделенных классов для каждого выдела в терминах таких параметров, как породный состав, качество древесины, высота древостоев, плотность лесного полога.
Автоматизация совместной обработки данных дистанционного зондирования и наземных обследований выбранного региона предполагает увязку разных типов данных. При дистанционном зондировании наблюдениями охватываются одновременно как природные объекты конкретной местности (леса, водоёмы, сельскохозяйственные поля), так и техногенные (дорожная сеть, загрязнение окружающей среды от различных источников). При наземных обследованиях используется своя специфика проведения соответствующих работ (лесные кварталы, выделы внутри них). Необходимость создания такой совместной системы обусловлена высокой потребностью получения объективной информации об экологическом состоянии отдельных регионов. Обеспечение комбинированного использования данных дистанционного зондирования и наземных инструментальных наблюдений увязывается в этой системе с усвоением данных, относящихся к разным объектам поверхности суши (нас интересуют, в первую очередь, лесные экосистемы). Итог реализации соответствующих планов - создание автоматизированной вычислительной среды совместной обработки данных дистанционного зондирования и наземных обследований территории и её применение для параметризации средообразующей роли лесов в моделях климата.
Примеры реализации новых подходов. Возвращаясь к региональным аспектам космического землеведения, отметим, что в секторе космического землеведения и рационального природопользования Музея землеведения МГУ имеются все предпосылки для создания базы знаний по отдельным регионам России и всего земного шара. В этой связи кратко осветим содержание экспозиции отдельных залов 25 и 24 этажей сектора.
Зал №17 «Природная зональность и ее компоненты», а также часть зала №20 характеризуют природные ресурсы земного шара (с рассмотрением биосферных функций экосистем), проблемы их рационального использования и охраны.
Зал №18 «Тундра, лесотундра, леса» дает представление о северных зонах (включая Арктику и Субарктику) и лесной зоне умеренного пояса, возможностях разумного освоения природных богатств данной природной зоны.
Экспозиция зала №19 «Лесостепи, степи и пустыни» характеризует природу и экологическое состояние данных природных зон. Здесь, как и в других залах, представлены натурные экспонаты с фрагментами биогеоценозов.
Зал №20 «Пустыни, субтропики, высотные зоны и жаркие страны» дает информацию о ландшафтах, формирующихся при недостатке атмосферной влаги и отличающихся низким биоразнообразием.
Зал №21 посвящен природным особенностям и ресурсам территории Русской равнины, окружающим ее горам - Уральским, Крымским и Карпатам, омывающим морям - Балтийскому и Каспийскому. Экспозиция зала включает подробное описание Кольского полуострова, Карелии и Поволжья.
Экспозиция зала №22 «Общий обзор мира и России. Кавказ, Средняя Азия», включающая множество графических и натурных экспонатов, посвящена характеристике природы и природных ресурсов (включая основные пути их использования) мира, нашей страны, а также Средней Азии, Казахстана, Кавказа и Закавказья.
Зал №23 «Сибирь и Дальний Восток» раскрывает многообразие природных условий и ресурсов восточных районов России от Уральских гор до Тихоокеанского побережья, включая территорию Западной Сибири. Дано детальное описание региона, показаны его особенности и геоэкологические проблемы; приведена информация о гидроэлектростанциях на великих сибирских реках.
Зал №24 «Материки и части света» завершает экспозицию 24 этажа и Музея землеведения в целом. Некоторые стенды зала посвящены полярным районам земного шара - Антарктике и Арктике, истории освоения этих регионов.
Современные инновации в области космического землеведения включают рассмотрение физико-географических описаний отдельных регионов в дополнение к известным инициативам по обеспечению пользователей космическими снимками на основе геоинформационных технологий и создания региональных геопорталов для валидации информационной продукции обработки аэрокосмических изображений.
Так, на территории Тверской области проводится отработка новейших технологий использования данных дистанционного аэрокосмического зондирования для решения региональных задач природопользования и лесного хозяйства, включая лётные испытания отечественной гиперспектральной аппаратуры и создание программно-алгоритмического обеспечения обработки данных многоспектральной и гиперспектральной съёмки совместно с наземными обследованиями выбранных участков территории. Участники работ: НПО «Лептон» (г. Зеленоград) (разработка и совершенствование гиперспектральной аппаратуры); Тверской государственный университет (установка комплекса аппаратурных средств на летательные аппараты, сбор, анализ и систематизация наземных данных, взаимодействие участников работ); МГУ им. М.В. Ломоносова (сектор космического землеведения и рационального природопользования) и Институт вычислительной математики РАН при участии Московского государственного университета леса (МГУЛ) (обработка полученных данных аэрокосмического зондирования и наземных наблюдений на основе разрабатываемого оригинального программного обеспечения).
Заключение. В проблеме космического землеведения рассмотрены особенности региональных приложений совместного использования данных дистанционного зондирования и наземных обследований выбранных территорий. Даны ссылки на имеющиеся публикации по этой теме в российских и зарубежных изданиях с использованием оригинального алгоритмического и программного обеспечения обработки данных гиперспектральных съёмок с помощью отечественной гиперспектральной аппаратуры. Показаны основные направления исследований с акцентом на распознавание лесной растительности разного породного состава и возраста. При создании соответствующих баз знаний региональных исследований в области космического землеведения акцент также сделан на имеющуюся экспозицию 25 и 24 этажей Музея землеведения МГУ. 20
ЛИТЕРАТУРА
1. Козодеров В.В., Дмитриев Е.В. Дистанционное зондирование лесного покрова: инновационный подход // Вестник Московского государственного университета леса - Лесной Вестник. 2012. № 1(84). С. 19-33.
2. Козодеров В.В., Кондранин Т.В., Дмитриев Е.В., Казанцев О.Ю., Персев И.В., Щербаков М.В. Обработка данных гиперспектрального аэрокосмического зондирования // Исследование Земли из космоса. 2012. № 5. С. 3-11.
3. Козодеров В.В., Дмитриев Е.В., Каменцев В.П. Система обработки данных самолетного зондирования высокого спектрального и пространственного разрешения // Исследование Земли из космоса. 2013. № 6. С. 57-64.
4. Козодеров В.В., Кондранин Т.В., Дмитриев Е.В. Методы обработки многоспектральных и гиперспектральных аэрокосмических изображений. Учебное пособие. М.: Изд-во МФТИ,
2013. 224 с.
5. Козодеров В.В., Кондранин Т.В., Дмитриев Е.В. Распознавание природно-техногенных объектов по гиперспектральным самолетным изображениям // Исследование Земли из космоса.
2014. № 1. С. 35-42.
6. Козодеров В.В., Дмитриев Е.В., Каменцев В.П. Когнитивные технологии обработки оптических изображений высокого пространственного и спектрального разрешения // Оптика атмосферы и океана. 2014. Т. 27. № 7. С. 593-600.
7. Козодеров В.В., Кондранин Т.В., Дмитриев Е.В., Каменцев В.П. Валидация информационной продукции обработки самолетных гиперспектральных изображений // Исследование Земли из космоса. 2015. № 1. С. 32-43.
8. Садовничий В.А., Козодеров В.В. Современные методы космического землеведения // Жизнь Земли. 2014. Вып. 35/36. С. 5-18.
9. Садовничий В.А., Козодеров В.В., Никитин Е.Д., Ванчуров И.А., Макеева В.М., Люб-ченко О.В., Комарова Н.Г., Львова Е.В., Ромина Л.В., Сабодина Е.П., Ливеровская Т.Ю., Мякоки-на О.В. Космическое землеведение в фокусе исследований физико-географических регионов и природного зонирования // Жизнь Земли. 2015. Вып. 37. С. 53-62.
10. Kozoderov V.V., Kondranin T.V., Dmitriev E.V., Sokolov A.A. Retrieval of forest attributes using optical airborne remote sensing data // Optics Express. 2015. V. 22. № 13. P. 15410-15423.
11. Kozoderov V.V., Kondranin T.V., Dmitriev E.V., Kamentsev V.P. A system for processing hyperspectral imagery: application to detecting forest species // International Journal of Remote Sensing. 2014. V. 35. № 15. P. 5926-5945.
12. Kozoderov V.V., Dmitriev E.V., Sokolov A.A. Improved technique for retrieval of forest parameters from hyperspectral remote sensing data // Optics Express. 2015. V. 23. № 24. P. A1342-A1353.
13. Kozoderov V.V., Kondranin T.V., Dmitriev E.V., Kamentsev V.P. Bayesian classifier applications of airborne hyperspectral imagery processing for forested areas // Advances in Space Research. 2015. V. 55. № 11. P. 2657-2667.
14. Kozoderov V.V., Dmitriev E.V., Sokolov A.A. Cognitive technologies in optical remote sensing data processing // Climate & Nature. 2015. № 1(2). P. 5-45.
15. Kozoderov V.V., Dmitriev E.V. Testing different classification methods in airborne hyperspectral imagery processing // Optics Express. 2016. V. 24. № 10. P. A956-A965.
REFERENCES
1. Kozoderov V.V., Dmitriev E.V. Remote sensing of forest cover: an innovative approach. Lesnoj Vestnik. 1 (84). 19-33 (2012) (in Russian).
2. Kozoderov V.V., Kondranin T.V., Dmitriev E.V., Kazantsev O.Yu., Persev I.V., Tscherbakov M.V. Hyper-spectral air- and space-borne data processing. Issledovanie Zemli iz Kosmosa. 5. 3-11 (2012) (in Russian).
3. Kozoderov V.V., Dmitriev E.V., Kamentsev V.P. A system for air-borne data processing of high spectral and spatial resolution. Issledovanie Zemli iz Kosmosa. 6. 57-64 (2013) (in Russian).
4. Kozoderov V.V., Kondranin T.V., Dmitriev E.V. Methods of multi-spectral and hyper-spectral air-space imagery processing. 224 p. (Moscow, MIPT Publ., 2013) (in Russian).
5. Kozoderov V.V., Kondranin T.V., Dmitriev E.V. Natural and anthropogenic objects recognition using hyper-spectral air-borne images. Issledovanie Zemli iz Kosmosa. 1. 35-42 (2014) (in Russian).
6. Kozoderov V.V., Dmitriev E.V., Kamentsev V.P. Cognitive technologies of optical imagery processing of high spatial and spectral resolution. Optika atmosfery i okeana. 27 (7). 593-600 (2014) (in Russian).
7. Kozoderov V.V., Kondranin T.V., Dmitriev E.V., Kamentsev V.P. Validation of information products of air-borne hyper-spectral imagery processing. Issledovanie Zemli iz Kosmosa. 1. 32-43 (2015) (in Russian).
8. Sadovnichii V.A., Kozoderov V.V. Updated methods of remote sensing Earth sciences. Zhizn' Zemli. 35/36. 5-18 (2014) (in Russian).
9. Sadovnichii V.A., Kozoderov V.V., Nikitin E.D., Vanchurov I.A., Makeeva V.M., Lyubchenko O.V., Komarova N.G., Lvova E.V., Romina L.V., Sabodina E.P., Liverovskaya T.Yu., Myakokina O.V. Remote sensing Earth sciences as focused on physical-geographical and natural zoning research. Zhizn'Zemli. 37. 53-62 (2015) (in Russian).
10. Kozoderov V.V., Kondranin T.V., Dmitriev E.V., Sokolov A.A. Retrieval of forest attributes using optical airborne remote sensing data. Optics Express. 22 (13). 15410-15423 (2014).
11. Kozoderov V.V., Kondranin T.V., Dmitriev E.V., Kamentsev V.P. A system for processing hyperspectral imagery: application to detecting forest species. International Journal of Remote Sensing. 35 (15). 5926-5945 (2014).
12. Kozoderov V.V., Dmitriev E.V., Sokolov A.A. Improved technique for retrieval of forest parameters from hyperspectral remote sensing data. Optics Express. 23 (24). A1342-A1353 (2015).
13. Kozoderov V.V., Kondranin T.V., Dmitriev E.V., Kamentsev V.P. Bayesian classifier applications of airborne hyperspectral imagery processing for forested areas. Advances in Space Research. 55 (11). 2657-2667 (2015).
14. Kozoderov V.V., Dmitriev E.V., Sokolov A.A. Cognitive technologies in optical remote sensing data processing. Climate and Nature. 1 (2). 5-45 (2015).
15. Kozoderov V.V., Dmitriev E.V. Testing different classification methods in airborne hyperspectral imagery processing. Optics Express. 24 (10). A956-A965 (2016).
УДК 565.33/551.762.22
САРАТОВСКОЕ ПОВОЛЖЬЕ В ПОЗДНЕМ БАЙОСЕ (СРЕДНЯЯ ЮРА): ПАЛЕОГЕОГРАФИЯ, РЕКОНСТРУИРОВАННАЯ ПО ОСТРАКОДАМ
Я.А. Шурупова, Е.М. Тесакова, Н.Н. Колпенская, В.Б. Сельцер, А.В. Иванов1
В результате анализа систематического распределения остракод в верхнем байосе (средняя юра) разреза Сокурской скважины (северо-западная окраина Саратова), анализа соотношения кривых разнообразия и численности, а также анализа распространения по разрезу остракод с разными температурными предпочтениями, установлено точное время первого контакта Среднерусского и Печоро-Гренландского морей - низы зоны тккаккп, слои с Сатр1осу1кегг ¡р. 1. Показано, что связь с северными акваториями была эпизодической и имела разную интенсивность. Выделены интервалы, отвечающие открытию коридоров с
1 Яна Андреевна Шурупова - магистр Московского государственного гуманитарного университета им. М.А. Шолохова, [email protected]; Екатерина Михайловна Тесакова - д.г.-м.н., в.н.с. геологического ф-та МГУ им. М.В. Ломоносова, [email protected]; Наталья Николаевна Колпенская - к.г.-м.н., зам. зав. отделом отделения нефтяной геологии ФГУНПП «Геологоразведка», [email protected]; Владимир Борухович Сельцер - к.г.-м.н., доц. геологического ф-та Саратовского государственного университета им. Н.Г. Чернышевского, [email protected]; Алексей Викторович Иванов - к.г.-м.н., декан ф-та экологии и сервиса Саратовского государственного технического университета им. Ю.А. Гагарина, [email protected].
22
Жизнь Земли 38(1) 2016 22-37
