CC BY
40
УДК 911.2 DOI: 10.34736/FNC.2022.117.2.002.25-29
Сравнение способов классификации данных при спутниковом мониторинге процесса опустынивания
И
Владислав Александрович Романов , м.н.с., e-mail: [email protected], ORCID 0000-0002-5984-270X, лаборатория геоинформационного моделирования и картографирования агролесоландшафтов -
Федеральное государственное бюджетное научное учреждение «Федеральный научный центр агроэкологии, комплексных мелиораций и защитного лесоразведения Российской академии наук» (ФНЦ агроэкологии РАН), e-mail: [email protected], 400062, Университетский проспект, 97, Волгоград, Россия
Статья касается проблемы опустынивания в южных регионах европейской части России. Спутниковый мониторинг является одним из основных методов дистанционного изучения территории. В результате исследования проанализированы основные подходы и методы спутникового мониторинга, ранее предложенные учёными для изучения процесса опустынивания. Рассмотрены основные дешифровочные признаки опустынивания, приведены основные источники спутниковых данных для изучения процессов деградации земель. Методики подсчета площади опустынивания для получение данных используют способ классификации участков спутникового снимка по тону. Новизна заключается в том, что в рамках работы была проведена ручная (по средствам программного обеспечения QGIS) и автоматическая классификация спутникового снимка (используя программное обеспечение ENVI), и было проведено сравнение точности и скорости работы при классификации, выявлена целесообразность использование этих способов. Выявлены основные достоинства и недостатки метода спутникового мониторинга по этим параметрам. Проведено апробирование методик на тестовом участке южнее реки Кума площадью 75 км2. Выявлены очаги опустынивания на тестовом участке. Подсчитана площадь опустынивания территории относительно общей площади исследуемого участка. Так, одним из главных преимуществ дистанционных методов с автоматической классификацией спутникового снимка является возможность большего территориального охвата исследований за минимальный период времени с точность до 97,88%.
Ключевые слова: спутниковый мониторинг, опустынивание, дешифрирование, ГИС, картографирование
Поступила в редакцию: 25.04.2022 Принята к печати: 06.06.2022
Опустынивание - процесс деградации земель, приводящий к снижению плодородия почвы, исчезновению растительного покрова. Опустынивание территорий характеризуется необратимыми в естественной среде процессами уменьшения количества растений, обеднения видового состава, при этом на песках образуются очаги, непокрытые растительностью [7].
Проблема опустынивания прежде всего актуальна в южных регионах европейской части России, процесс опустынивания развивается в таких регионах, как республика Калмыкия, Астраханская область, Волгоградская область, Республика Дагестан и др. Проблема опустынивания земель возникла в 60-ые годы 20 века в связи с распашкой земель и возросшей антропогенной нагрузкой на данные территории [3].
Для эффективной борьбы с опустыниванием требуется привлечение современных методов и технологий, в первую очередь мониторинга. Одним из таких методов является спутниковый мониторинг. В настоящее время опустынивание ландшафтов в Республике Калмыкия носит интенсивный характер, поэтому нужен своевременный, эффективный и быстрый мониторинг.
Цель работы - выявить наиболее оптимальные сценарии использования в южных регионах европейской части Российской Федерации существующих методов спутникового мониторинга процессов опустынивания.
Методология и методы. Спутниковый мониторинг - система наблюдения за объектами, построенная на основе систем дистанционного зондирования Земли.
Спутниковый мониторинг начали использовать в 60-ые годы 20 века. В настоящие время чаще всего исследователи используют спутниковые снимки семейства Landsat и Sentinel. Полученные спутниковые снимки характеризуются высоким разрешением и общедоступностью. Разрешение снимка последних спутников семейства Landsat от 15 до 60 метров в зависимости от канала, временное разрешение составляет 16 дней [8].
Для спутникового мониторинга необходимо определить дешифровочные признаки опустынивания. Одним из главных дешифровочных признаков опустынивания является отсутствия расти- у тельного покрова в вегетационный период. Для О целей мониторинга динамики опустынивания на- г иболее подходят спутниковые снимки, сделанные ° в весенне-летний период (рисунок 1). Однородный U светлый песчаный цветовой фон пятен на рисун- £ ке фиксирует пустынные очаги, лишённые расти- и тельности. ж
Исследователи выявляют очаги опустынива- н ния, которые представляют собой участки поверх- ™ ности с проективным покрытием травянистых ( растений менее 10%, а также их приуроченность 7 к определенным ландшафтам в пространственно- 0 временном аспекте [2]. 2
^ - Для контактов / Corresponding author
Рисунок 1. Спутниковый снимок участков опустынивания в республике Калмыкия (46° 52' 03» N 046° 57' 24» Е,
дата съемки 20.06.2020)
Опустынивание может развиваться путем формирования относительных крупных очагов опустынивания, так и через формирование значительно мелких очагов опустынивания и дальнейшего их слияния в более крупные [10], что видно на рисунке 1.
Применение ГИС-технологий для обработки и анализа космоснимков дает возможность определить не только величину очагов опустынивания, но и географически точно установить их положение в пространстве.
Применением технологий спутникового мониторинга занимались такие ученые, как К.Н. Кулик, А.С. Рулев, В.Г. Юферев.
В своих исследованиях К.Н. Кулик дистанционный методы совмещает с полевыми исследованиями, в ходе которых оценивается проективное покрытие фитоценозов, исследуются почвенные условия, в результате чего разрабатываются полевые фотоэталоны участков территории с различными уровнями деградации.
В основе принятого методического подхода положено то, что очаги опустынивания (при предварительном дешифрировании космоснимков к ним относят участки поверхности, имеющие проективное покрытие менее 10%, независимо от причины их появления, с учетом территорий, пройденных пожарами, которые выделяются в отдельную группу) с достаточной детализацией находят ото-
0 бражение на космоснимках, а временные ряды их р характеристик описывают пространственно-вре-£ менные закономерности изменения.
В зависимости от размеров площади (в га) очаги ^ были распределены по 4 классам: 1 - 1-10, 2 - 10100, 3 - 100-1000 и 4 - более 1000 [5]. Применение >| ГИС-технологий для обработки и анализа космо-| снимков дает возможность определить не только | величину очагов опустынивания, но и географи-§ чески точно установить их положение в пространстве, а также разработать картографические слои ^ концентрации очагов опустынивания разной раз-^ мерности на территории [9].
1 Метод позволяет оценивать динамику опусты-
нивания территории, используя спутниковые снимки за различный период.
С применением этого метода выявлено, что на территории Астраханской области с 2002 по 2010 год произошло значительное увеличение очагов опустынивания [3].
Метод картографо-космического мониторинга применял в своих работах коллектив авторов: В.В. Новочадов, А.С. Рулев, В.Г. Юферев, Е.А. Иванцова. Исследуемая область представляла собой территорию республики Калмыкии и Астраханской области [4].
Используя этот метод (в отличие от предыдущего метода), определяется площадь проективного покрытия. Уровень деградации фитоценозов тесно связан с проективным покрытием, в связи с чем дешифрирование основано на выявлении различий в отображении на снимках проективного покрытия. Проективное покрытие в геоботанике — показатель, определяющий относительную площадь проекции отдельных видов или их групп, ярусов и т.д. фитоценоза на поверхность почвы. Проективное покрытие является одним из основных показателей обилия в фитоценологии [1].
Выявлено, что средняя ошибка при выявлении проективного покрытия по космоснимку не превышает 5 %. Метод предлагает следующее распределение участков по степени опустынивания: более 35% - норма, 25-34% - риск, 15-24% - кризис, 0-14% - бедствие.
Метод картографо-космического мониторинга позволяет оценить состояние фитоценозов антропогенно-трансформированных ландшафтов, суть его состоит в использовании результатов космической съемки и геоинформационного анализа территорий для оценки состояния территорий и составления карт пространственного распределения деградации [7].
Карты пространственного распределения деградации позволяют выявить пространственные закономерности в распределении деградации земель.
Для выделения очагов опустынивания можно применять два способа:
1. Ручная классификация предполагает выделение очагов опустынивания непосредственно исследователем по дешифровочным признакам.
2. Автоматическая классификация предполагает выделение очагов опустынивания посредством программных алгоритмов, которые используют данные о цвете ячейки, выделяют объекты по цветовой однородности.
Рассмотрим эффективность каждой классифи-
кации.
Результаты и обсуждение. Для апробирования методик был выбран тестовый полигон площадью 75 км2. Участок находится южнее реки Кума на севере республики Дагестан (рисунок 2).
Использовали программное обеспечение QGIS и ENVI, а также снимки высокого разрешения, предоставленные сервисом Yandex.Maps и EarthExplorer.
;
ч 4 > ^ ^.
j Зокэ CfT^C ГМН ■' F-П НИ-П
Течиоый («лига«
2 км
Рисунок 2. Территория исследуемого участка (дата съемки 20.06.2020)
Используя методику К.Н. Кулика, А.С. Рулева, В.Г. Юферева, получены следующее данные рас-
пределения очагов опустынивания по классам (таблица 1).
Таблица 1 - Распределение очагов опустынивания по классам при разных способах классификации
Класс Площадь в гектарах Количество очагов (Ручная классификация) Количество очагов (Автоматическая классификация)
1 класс (1-10 гектаров) 356 124 122
2 класс (10-100 гектаров) 236 12 11
3 класс (100-1000 гектаров) 146 1 1
4 класс (более 1000) 0 0 0
ю
Согласно методике, к 1 классу относятся очаги опустынивания с площадью от 1 до 10 га. Очаги, площадью менее 1 гектара, не учитываются, на данные очаги пришлось 112 га.
Была подсчитана суммарная площадь всех очагов опустынивания исследуемого участка, которая составила 8,5 км2 (850 га) при ручной классификации, что составляет 11,3% от всей площади изучаемой территории.
Была подсчитана площадь проективного покрытия, при использовании автоматической классификации спутникового снимка в ENVI, получили площадь в 54%, что относится к категории нормы. То есть проектное покрытие на данной территории преобладает над песками, и с ними ещё можно эффективно бороться с меньшими затратами, иначе мелкие очаги опустынивания сольются в крупные. И этот процесс уже
N у
тз
M
о
M M
просматривается на рисунке 2. эффективности обработки полученных данных
Рассмотрим результаты сравнения скорости и (таблица 2).
Таблица 2 - Сравнение точности и скорости работы различными способами получения данных
Способ Выделенная площадь, км2 Затраченное время (в минутах)
Ручная классификация 8,5 382
Автоматическая классификация с корректировкой 8,32 124
При ручной классификации территории площадью в 75 км2 время обработки составило 382 минуты. Скорость при ручной классификации зависит от сложности конфигурации местности, от количества объектов. Ручная классификация позволяет получит более точные результаты, которые равняются 100%. Но эта работа заняла в три раза больше времени в сравнении с автоматической классификацией.
Основное же количество времени при автоматической оцифровке посредством использования программного обеспечения ENVI уходит на ручную корректировку результата, т.е. удаление ошибочно выделенных областей, редактирование границ объектов. Без корректировки территория автоматически была обработана за несколько секунд с точностью 93,2%. Точность автоматической классификации с ручной корректировкой заняла 124 минуты и составила 97,88%.
Выводы. Одним из главных преимуществ дистанционных методов является экономическая эффективность, обусловленная снижением затрат на выполнение оценки состояния ландшафтов.
Дистанционный метод позволил обработать территорию площадью в 75 км2 за 382 минуты при ручной классификации и за 124 минуты при использовании менее точного автоматического способа. Точность автоматической оцифровки во многом зависит от качества исходного спутникового снимка, от использованного программного обеспечения и от настройки параметров классификации. Очаги опустынивания имеют относительно однородную текстуру, что актуально для дешифровочных признаков при автоматической
(м оцифровке.
см ^
^ Следовательно, использование автоматического го способа оцифровки может иметь целесообраз-^ ность при большой территории исследования про-ш цессов опустынивания и при малом количестве * временного ресурса. и Литература: g 1. Бузук Г. Н. Определение проективного покры-ш тия и урожайности при использовании фото точек I (photo point method) // Вестник фармации. 2013. №3 § (61). URL: https://cyberleninka.ru/artide/n/opredeleme-& proektivnogo-pokrytiya-i-urozhaynosti-pri-ispolzovanii-o foto-tochek-photo-point-method (дата обращения: т 14.03.2022).\
x 2. Золотокрылин А.Н., Титкова Т.Б. Новый подход к мо-
ниторингу очагов опустынивания // Аридные экосистемы. 2011. №3 (48). URL: https://cyberleninka.ru/article/n/ novyy-podhod-k-monitoringu-ochagov-opustynivaniya (дата обращения: 31.01.2022).
3. К. Н. Кулик, В. И. Петров, В. Г. Юферев, Н. А. Ткачен-ко, Шинкаренко С. С. Геоинформационный анализ опустынивания Северо-Западного Прикаспия // Аридные экосистемы. 2020. №2 (83). URL: https://cyberleninka. ru/article/n/geoinformatsionnyy-analiz-opustynivaniya-severo-zapadnogo-prikaspiya (дата обращения: 13.03.2022).
4. Кулик К.Н., Рулев А.С., Юферев В.Г. Геоинформационный анализ динамики опустынивания на территории Астраханской области // Аридные экосистемы. 2015. №3 (64). URL: https://cyberleninka.ru/article/n/ geoinformatsionnyy-analiz-dinamiki-opustynivaniya-na-territorii-astrahanskoy-oblasti (дата обращения: 31.01.2022).
5. Курочкина Л.Я., Кокарев А.Л. К методике составления мелкомасштабных карт опустынивания // Аридные экосистемы. 2007. №33-34. URL: https://cyberleninka. ru/article/n/k-metodike-sostavleniya-melkomasshtabnyh-kart-opustynivaniya (дата обращения: 19.05.2022).
6. Новочадов В.В., Рулев А.С., Юферев В.Г., Иванцова Е.А. Дистанционные исследования и картографрование состояния антропогенно - трансформированных территорий юга России // Известия НВ АУК. 2019. №1 (53). URL: https://cyberleninka.ru/article/n/distantsionnye-issledovaniya-i-kartografrovanie-sostoyaniya-antropogenno-transformirovannyh-territoriy-yuga-rossii (дата обращения: 31.01.2022).
7. Шинкаренко С.С. Динамика площадей опустынивания на Черных землях // Степи Северной Евразии: материалы IX международного симпозиума. 2021. №. URL: https://cyberleninka.ru/article/n/dinamika-ploschadey-opustynivaniya-na-chernyh-zemlyah (дата обращения: 01.04.2022).
8. Трофимов И.А., Трофимова Л.С., Яковлева Е.П. Дистанционные индикаторы опустынивания земель // Аридные экосистемы. 2015. №1 (62). URL: https:// cyberleninka.ru/article/n/distantsionnye-indikatory-opustynivaniya-zemel (дата обращения: 19.05.2022).
9. Юферев В.Г., Кулик К.Н., Рулев А.С. Мушаева К.Б., Ко-шелев А.В., Дорохина З.П., Березовикова О.Ю. 2010. Геоинформационные технологии в агролесомелиорации. Волгоград: ВНИАЛМИ. 102 с.
10. Ahmed S. Abuzaid, Abdellatif Deyab Abdellatif Assessment of desertification using modified MEDALUS model in the north Nile Delta, Egypt // Аридные экосистемы. 2015. №3 (64). URL: https://www.researchgate.net/ publication/355699191_Assessment_of_desertification_ using_modified_MEDALUS_model_in_the_north_Nile_Delta_ Egypt (дата обращения: 31.01.2022).
DOI: 10.34736/FNC.2022.117.2.002.25-29
Comparison of Data Classification Methods for Satellite Monitoring
of the Desertification Process
Vladislav A. Romanov®, Junior Researcher, e-mail: [email protected], ORCID 0000-0002-5984-270X,
of Laboratory of Geoinformation Modeling and Mapping of Agroforestry Landscapes -Federal State Budget Scientific Institution «Federal Scientific Centre of Agroecology, Complex Melioration and Protective Afforestation of the Russian Academy of Sciences» (FSC of Agroecology RAS), e-mail: [email protected], 400062, Universitetskiy Prospekt, 97, Volgograd, Russia
The article concerns the problem of desertification in the southern regions of the European part of Russia. Satellite monitoring is one of the main methods of remote study of the territory. As a result of the study, the main approaches and methods of satellite monitoring, previously proposed by scientists to study the process of desertification, are analyzed. The main decoding signs of desertification are considered, the main sources of satellite data for studying the processes of land degradation are given. Methods of calculating the area of desertification for obtaining data use a satellite image areas classifying method by tone. The novelty lies in the fact that as part of the work, manual (using the QGIS software) and automatic (using the ENVI software) classification of the satellite image was carried out and a comparison of the accuracy and speed of work during classification was carried out, the expediency of using these methods was revealed. The main advantages and disadvantages of the satellite monitoring method for these parameters are revealed. The methods were tested on a test site south of the Kuma River with an area of 75 km2. Foci of desertification have been identified in the test area. The area of desertification of the territory relative to the total area of the studied site is calculated. Thus, one of the main advantages of remote methods with automatic classification of satellite images is the possibility of greater territorial coverage of research for a minimum period of time with an accuracy of up to 97.88%.
Keywords: satellite monitoring, desertification, decryption, GIS, mapping
Received: 25.04.2022 Accepted: 06.06.2022
Translation of Russian References:
1. Buzuk G.N. Opredelenie proektivnogo pokrytiya i uro-zhajnosti pri ispol'zovanii foto tochek (photo point method) [Identification of the projective coverage and yield when using photo points (photo point method)]. Vestnik farmatsii [Bulletin of Pharmacy]. 2013. 3 (61). URL: https:// cyberleninka.ru/article/n/opredelenie-proektivnogo-pokrytiya-i-urozhaynosti-pri-ispolzovanii-foto-tochek-photo-point-method (access date: 14.03.2022).
2. Zolotokrylin A.N., Titkova T.B. Novyj podkhod k monitoringu ochagov opustynivaniya [A new approach to monitoring desertification foci]. Aridnye ekosistemy [Arid ecosystems]. 2011. 3 (48). URL: https://cyberleninka.
ru/article/n/novyy-podhod-k-monitoringu-ochagov-opustynivaniya (access date: 31.01.2022).
3. Kulik K. N., Petrov V. I., Yuferev V. G., Tkachenko N. A., SHinkarenko S. S. Geoinformatsionnyj analiz opustynivaniya Severo-Zapadnogo Prikaspiya [Geoinformation analysis of desertification of the North-Western Near-Caspian region]. Aridnye ekosistemy [Arid ecosystems], 2020. 2 (83). URL: https://cyberleninka.ru/article/n/geoinformatsionnyy-analiz-opustynivaniya-severo-zapadnogo-prikaspiya (access date: 13.03.2022).
4. Kulik K.N., Rulev A.S., Yuferev V.G. Geoinformatsionnyj analiz dinamiki opustynivaniya na territorii Astrakhanskoj oblasti [Geoinformation analysis of desertification dynamics in the Astrakhan region]. Aridnye ekosistemy [Arid ecosystems]. 2015. 3(64). URL: https://cyberleninka.ru/article/n/geoinfor-matsionnyy-analiz-dinamiki-opustynivaniya-na-territorii-astrahanskoy-oblasti (access date: 31.01.2022).
5. Kurochkina L.YA., Kokarev A.L. K metodike sostavleniya melkomasshtabnykh kart opustynivaniya [On the technique of drawing up small-scale maps of desertification]. Aridnye ekosistemy [Arid ecosystems]. 2007. 33-34. URL: https://cyberleninka.ru/article/n/k-metodike-sostavleniya-melkomasshtabnyh-kart-opustynivaniya (access date: 19.05.2022).
6. Novochadov V.V., Rulev A.S., Yuferev V.G., Ivantsova E.A. Distantsionnye issledovaniya i kartografirovanie sostoyaniya antropogenno - transformirovannykh territory yuga Rossii [Remote studies and mapping of the state of anthropogenically transformed territories of the South of Russia]. Proceedings of the Lower-Volga Agrouniversity complex: science and higher professional education. 2019. 1(53). URL: https://cyberleninka. ru/article/n/distantsionnye-issledovaniya-i-kartografrovanie-sostoyaniya-antropogenno-transformirovannyh-territoriy-yuga-rossii (access date: 31.01.2022).
7. Shinkarenko S.S. Dinamika ploshchadej opustynivaniya na CHernykh zemlyakh [Dynamics of desertification areas on Black lands]. Steppes of Northern Eurasia: content ofthe IX International Symposium. 2021. URL: https://cyberleninka.ru/article/n/ dinamika-ploschadey-opustynivaniya-na-chernyh-zemlyah (access date: 01.04.2022).
8. Trofimov I.A., Trofimova L.S., Yakovleva E.P. Distantsionnye indikatory opustynivaniya zemel'/Remote indicators of land desertification]. Arid ecosystems. 2015.1(62). URL: https:// cyberleninka.ru/article/n/distantsionnye-indikatory- y opustynivaniya-zemel (access date: 19.05.2022). 0
9. Yuferev V.G., Kulik K.N., Rulev A.S. Mushaeva K.B., Koshelev r A.V., Dorokhina Z.P., Berezovikova O.Yu. Geoinformation g technologies in agroforestry. Volgograd. 2010. 102 p. g
Цитирование. Романов В.А. Сравнение способов классификации данных при спутниковом мониторинге процесса о
опустынивания // Научно-агрономический журнал. 2022. №2(117). С. 25-29. DOI: 10.34736/FNC.2022.117.2.002.25-29 |
Авторский вклад. Автор настоящего исследования принимал непосредственное участие в планировании, выпол- у
нении и анализе данного исследования, ознакомился и одобрил представленный окончательный вариант. н
Конфликт интересов. Автор заявляет об отсутствии конфликта интересов. Ю
Citation. Romanov V.A. Comparison of Data Classification Methods for Satellite Monitoring of the Desertification Process. ю
Scientific Agronomy Journal. 2022. 2(117). pp. 25-29. DOI: 10.34736/FNC.2022.117.2.002.25-29 1
Author's contribution. Author of this research paper have directly participated in the planning, execution, or analysis of this Ю
study. Author of this paper have read and approved the final version submitted. 0
Conflict of interest. Author declare no conflict of interest. 2
