Применение аэрокосмической информации при проведении мониторинга деградации почвенно-растительного покрова

• Введение
• Глава 1. Теоретические основы дистанционного зондирования
• 1.1 Общая характеристика дистанционных методов
• 1.2 Преимущества методов дистанционного зондирования
• 1.3 Виды и типы съемок
• Глава 2. Применение аэрокосмической информации
• 2.1 Описание района исследования
• 2.2 Методы обработки снимков
• 2.2.1 Исходные данные
• 2.2.2 Восстановление, улучшение и качество изображений
• 2.2.3 Трансформация (конвертация) и сшивка снимков
• 2.2.4 Классификация изображения
• 2.3 Вычисление нормализованного разностного индекса растительности
• 2.4 Виды эрозионных процессов и особенности их проявления на космических изображениях
• 2.5 Мониторинг процессов фильтрации и подтопления от промышленных отстойников
• Заключение
• Список использованной литературы и источников
• Приложения

С начала 70-х годов XX века дистанционное зондирование Земли стало быстро развиваться как единое многодисциплинное направление исследований в науке и практике. Основанное на классических методах получения и обработки данных, дистанционное зондирование применяется сегодня в геологии, географии, картографии, лесном и сельском хозяйстве, при планировке местности под строительство и др.

Изучение и оценка состояния земных покровов по материалам, полученным с различных систем дистанционного зондирования, становятся особенно актуальными в связи с усиливающимися антропогенными нагрузками на природную среду, что требует получения оперативной и достоверной информации. Также непрерывно увеличивается научно-практическая и прикладная значимость дистанционных данных при изучении глобальных, континентальных и региональных изменений биосферы и климата, в прогнозах природных и антропогенных катастроф, при их ликвидации и оценках нанесенного ущерба.

Цель исследования: Тематическая интерпретация многовременных данных дистанционного зондирования и применение результатов обработки при проведении мониторинга деградации почвенно-растительного покрова.

Предметом работы является: эрозионный, заболачиваемый и подтопляемый почвенно-растительный покров.

Объектом исследования является Локтевский район Алтайского края.

Для достижения указанной цели были поставлены следующие исследовательские задачи:

1. Расчёт вегетационного индекса почвенно-растительного покрова.

2. Выделение поверхностной и линейной (овражной) эрозии почв.

3. Определение площади деградированных земель в результате подтопления и заболачивания территории.

аэрокосмический мониторинг деградация почвенная

4. Определение уровня заболачиваемости территории от отстойников горно-обогатительных комбинатов.

Глава 1. Теоретические основы дистанционного зондирования

1.1 Общая характеристика дистанционных методов

Интенсивное развитие и совершенствование методов дистанционного зондирования Земли и все более широкое внедрение их в практику географических исследований стало реальностью последних десятилетий. Методы дистанционного зондирования и дешифрирования аэрокосмических снимков получили новый толчок в развитии благодаря применению компьютерных методов обработки снимков, прежде всего космических.

Методы изучения Земли из космоса не случайно относят к высоким технологиям. Это связано не только с использованием ракетной техники, сложных оптико-электронных приборов, компьютеров, но и с новым подходом к получению и интерпретации результатов измерений.

Дистанционные методы, как правило, являются косвенными, т. е. с их помощью измеряют не интересующие нас параметры объектов, а некоторые связанные с ними величины. Например, нам необходимо оценить состояние сельскохозяйственных посевов. Но аппаратура спутника регистрирует лишь интенсивность светового потока от этих объектов в нескольких участках оптического диапазона.

Дистанционные методы делят на активные и пассивные. При использовании активных методов спутник посылает на Землю сигнал собственного источника энергии (лазера, радиолокационного передатчика) и регистрирует его отражение. Однако, чаще используются пассивные методы, когда регистрируется отраженная поверхностью энергия Солнца либо тепловое излучение Земли.

Известно, что объем регистрируемой на снимке информации во многом зависит от спектрального диапазона съемки. При съемке в видимом диапазоне электромагнитных волн (0,4−0,8 мкм) определяющее значение имеет интегральная яркость объекта, а при съемке в узком диапазоне — спектральная. Природные тела (вода, растительность, горные породы и др.) характеризуются различной отражательной способностью, которая дифференцируется также для фиксированных длин электромагнитных воли.

Эксперименты показали, что, несмотря на влияние на яркостные характеристики местности внешних факторов (высоты солнца, прозрачности атмосферы и др.), выделяются длины электромагнитных волн, в которых та или иная группа объектов регистрируется на снимке более контрастно.

Дешифрируемость цветных снимков на 15−30% выше соответствующего показателя черно-белых панхроматических изображений.

Набор современных средств и методов изучения природной среды с использованием дистанционной информации очень широк. Он включает применение самолетных и космических съемок, привлечение картографических, справочно-географических, литературных и фондовых источников, проведение полевых работ.

1.2 Преимущества методов дистанционного зондирования

К достоинствам информации, полученной при дешифрировании космических снимков, можно отнести следующие:

· многомасштабность — информация о природной среде, до 1 кв. км (аэросъемки, соответственно с пространственным разрешением от 1 км до 10 см);

· многозональность — информация о природной среде должна быть получена синхронно в разных спектральных интервалах отражения солнечного света собственного излучения Земли, а также другими методами зондирования (радарными, лазерными и т. д.);

· автоматизация — вся информация о природной среде в аналогово-цифровой форме вводится в память ЭВМ и обрабатывается с помощью машинных алгоритмов при участии исследователей природоведческого профиля;

· непрерывность — вся информация от дистанционного приемника на космических летательных аппаратах (КЛА) до выхода результатов в форме карты или сигнала для научного и практического использования должна обрабатываться в одном масштабе времени, деятельности, достоверности и объеме;

· комплексность — вся информация о природной среде должна быть многосторонней для изучения разных компонентов Земли (литосферы, атмосферы, гидросферы, биосферы и т. д.), используемых в разных отраслях народного хозяйства.

· генерализация — c уменьшением масштаба на снимке теряются многие детали изображения природной среды, но в результате «космической» (спектральной, геометрической и тематической) генерализации на нем «проявляется» новая информация. Например, за счет более высокой степени визуализации крупных полей с различной оптической плотностью надежно дешифрируются линеаменты, кольцевые структуры, морские течения и другие природные объекты и явления.

К достоинствам дистанционных методов можно отнести и то, что при большом территориальном обзоре динамические процессы можно анализировать с учетом более широкого спектра географических закономерностей и взаимосвязей между компонентами природной среды.

Практика показала, что при использовании космических методов можно отказаться от традиционного поэтапного метода картосоставления и перейти на технологию обновления карты требуемого масштаба, а не всего масштабного ряда. Это сокращает цикл работ на несколько лет. Кроме того, в связи с большим территориальным охватом космического снимка и малыми искажениями контуров в горных районах уменьшается трудоемкость работ по обновлению карт.

1.3 Виды и типы съемок

Среди дистанционных съемок геостационарных ИСЗ широкое развитие получила радиолокационная (РЛ) съемка. Она позволяет быстро и независимо от погодных условий, времени суток получать изображение местности, близкое по своим изобразительным свойствам к мелкомасштабному изображению. Большое влияние на характер радиолокационного изображения оказывают влажность, электропроводность, плотность объектов исследования. Применяется в геологических исследованиях.

В настоящее время широкое применение находит тепловая инфракрасная съемка. Изменения температурных контрастов различных горных пород, почвенно-растительных зон играют решающую роль в построении инфракрасного изображения. Температурные колебания находятся в прямой зависимости от внешних условий, и температурные контрасты могут сильно изменяться во времени (суточные, сезонные, зональные).

Для исследования природных явлений и ресурсов все более широкое применение находят геостационарные природно-ресурсные искусственные спутники Земли, пилотируемые космические корабли и орбитальные станции, с разных высот ведущие наблюдения за земной поверхностью.

Выделяют несколько уровней космических съемок: глобальный, региональный, локальный.

Примером космических снимков глобального уровня генерализации могут служить снимки, полученные с автоматической межпланетной станции «Зонд», на которых изображается почти вся освещенная в момент съемки часть Земли. Они несут изображение наиболее крупных геологических объектов, которые хорошо отличаются оптическими яркостями. В основном, это структуры первого, иногда второго порядка, зоны крупных глубинных разломов.

Космические снимки регионального уровня генерализации получают с автоматических спутников системы «Метеор» (телевизионные) и «Метеор-Природа» (сканерные), «LANDSAT», запущенных с целью изучения природных ресурсов. На этих снимках проявляются взаиморасположения геоструктурных областей, а в их пределах — структуры второго порядка: валы, купола, грабены, крупные складки.

Космические снимки локального уровня генерализации по своей информативности близки к мелкомасштабным аэрофотоснимкам.

КА Landsat-7, запущенный в рамках программы Landsat, является проектом трех крупных американских правительственных организаций: NASA, NOAA и USGS. Он снабжен аппаратурой ETM+ (EnhancedThematicMapperPlus — усовершенствованный тематический картограф), которая обеспечивает съемку земной поверхности в четырех режимах: VNIR (VisibleandNearInfrared — мультиспектральный видимый и ближний инфракрасный диапазон), SWIR (ShortwaveInfrared — средний инфракрасный диапазон), PAN (panchromatic — панхроматический диапазон), TIR (thermalinfrared — тепловой инфракрасный диапазон).

Реализация программы Landsat началась в 1972 г. с запуском спутника Landsat-1, — первого гражданского космического аппарата, который обеспечивал оперативную передачу изображений среднего пространственного разрешения по радиоканалу. Данные шести последующих спутников серии Landsat получили широкое распространение в мире. С 2009 г. все космические снимки программы Landsat находятся в открытом бесплатном онлайн доступе.

Решаемые задачи:

· создание и обновление топографических и специальных карт, вплоть до масштаба 1: 200 000;

· обновление топографической основы для разработки проектов схем территориального планирования субъектов федерации;

· обоснование перспективных площадей под поисковые работы на нефть и газ, прогнозирование и выявление ловушек нефти и газа, потенциальная оценка их нефтегазоносности;

· поиск и обоснование перспективных площадей под поисковые работы на рудные и нерудные полезные ископаемые;

· мелкомасштабная лесная инвентаризация. Контроль лесопользования и мониторинг состояния лесов;

· сельскохозяйственное картографирование на уровне регионов, мониторинг состояния посевов, прогнозирование урожайности;

· автоматизированное создание карт растительности, ландшафтов и природопользования;

· мониторинг и прогнозирование процессов заболачивания и опустынивания, засоления, карста, эрозии, степных пожаров половодий, паводков и т. п.

Таблица 1.3.1 — Основные характеристики космического аппарата.

Таблица 1.3.2 — Основные технические характеристики съемочной аппаратуры.

1.4 Применение космических снимков

Аэрокосмический мониторинг водных ресурсов. Из всех видов природных ресурсов именно водные дают наибольшую информативность при распознавании их на аэрокосмических снимках, что объясняется значительной вариацией спектральных коэффициентов яркости указанных объектов — от 0,1 для чистых и глубоких водных масс в спокойном состоянии, до 0,9 для свежевыпавшего снега.

Главными дешифровочными признаками поверхностных вод являются: ровный фототон и специфическая монотонная или выразительная структура изображения воды, снега и льда; извилистость непрерывно линейно вытянутого рисунка рек; овальная форма озер и приуроченность водотоков и водоемов к пониженным элементам рельефа.

По темному фототону и вытянутой форме уверенно распознаются реки шириной до 0,05−0,07 мм в масштабе снимка, что соответствует его разрешающей способности 10/15 линий/мм. Меньше указанного предела реку на снимке обычно не видно. Таким образом, на наиболее распространенных среднемасштабных (1: 200 000) и мелкомасштабных (1: 1 000 000) космических снимках по прямым признакам надежно распознаются относительно крупные реки. Озера дешифрируются, когда становится различимой их форма. Но при большом скоплении озер иногда удается опознать даже очень мелкие из них, которые изображаются на снимке в виде небольших точек. Поэтому при дешифрировании поверхностных вод косвенные признаки имеют особое значение.

Так, фототон водной поверхности и конфигурацию рек, каналов, озер и водохранилищ можно считать одинаковыми как в лесной, так и в степной или тундровой зонах. Однако увлажненные выше фонового уровня территории индицируются в лесной зоне по угнетенной растительности, а в степной, наоборот, по буйной растительности. Примеры такого рода очень многочисленны, так как косвенные (ландшафтные) признаки могут быть весьма «тонкими» и иметь локальный характер.

При гидрографическом дешифрировании аэрокосмических снимков используют прямые и косвенные дешифровочные признаки.

О прямых дешифровочных признаках говорят, когда на снимках четко отражены болота, солончаки, ключи, родники, колодцы, скважины, реки и их притоки. О косвенных признаках говорят, когда по элементам одних объектов распознаются другие. Так, выходы подземных вод, влажность почвы, глубину и залегания, качество воды выявляют по соответствующему типу растительности. Например, гидрофиты, влаголюбивые растения могут характеризовать глубину залегания и степень миграции грунтовых вод; ксерофиты — растения, использующие влагу грунтовых вод благодаря глубоко проникающим корням в грунт, свидетельствуют о сухости района.

Темный тон изображения, очертания, размеры, приуроченность к различным формам рельефа помогают выявить выходы подземных вод. Тон изображения на снимке, размер и форма рисунка позволяют обнаружить старые русла рек, древние долины. Разломы — спрямленные линейные элементы рельефа — служат основными указаниями местоположения артезианских бассейнов, направления и путей перемещения подземного стока. На снимках по косвенным признакам дешифрирования растительности могут быть выявлены и потери воды в оросительных системах, а также утечка воды из водохранилища.

Для целей гидрологического дешифрования повышенной информативностью обладают снимки, полученные в диапазоне 0,6−0,8 мкм. В этом случае водная поверхность резко «вычленяется» на фоне изображения других природных образований. Появляется широкая возможность автоматизированного распознавания объектов посредством математической формализации процесса дешифрирования и использования современных систем цифровой обработки изображений.

Спутниковые съемки содержат обширную информацию о снежном покрове, которая необходима для оценки влагозапасов, объема и режима поступления талой воды в речную сеть. При использовании многократных съемок в видимом (0,4−0,8 мкм), ближнем инфракрасном (ИК) (0,7−1,3 мкм) и тепловом ИК (8−12 мкм) спектральных диапазонах можно определять степень заснеженности водосборов, высотное положение заснеженных участков, продолжительность залегания: снега по высотным поясам, его глубину и плотность. На космических снимках четко фиксируется площадь тающего снега. На белом фоне снежного покрова уверенно дешифрируются верхние звенья речной сети, так как обильно пропитанный водой снег по тальвегам выделяется более темными узкими полосами. После схода снега эту информацию об истоках получить уже невозможно.

Высокая контрастность льда и открытой водной поверхности позволяет использовать космические снимки для изучения ледовых явлений в реках, на озерах и водохранилищах, в морях. Оперативное слежение за динамикой разрушения речного льда помогает выявлять заторные участки и прогнозировать наводнения. Для организации такого мониторинга успешно используются данные, получаемые с метеорологических спутников.

При гляциологическом дешифрировании материалы АКС позволяют выявить: снежные и ледовые образования, распределение и динамику снежно-ледового покрова, его мощность, места схода снежных лавин, горные оледенения, типы ледников и их состояние. На аэрофотоснимках легко дешифрируются ярко-белые фирновые поля-бассейны.

Распознавание открытых водных поверхностей, снега и льда на материалах аэрокосмической съемки производят в основном по прямым признакам дешифрирования.

По космическим снимкам изучают загрязнения водоемов, водотоков, вызванные деятельностью человека и приводящие к существенному изменению состава и свойств вод. Загрязнения водного бассейна четко прослеживаются по тону изображения. Сравнивая снимки разного времени съемок можно выявить источники выбросов и проконтролировать зону распространения загрязнений водного бассейна, распознавать нефтяные загрязнения, зоны распространения сточных вод, тип и интенсивность загрязнения, эрозию берегов, взвешенные наносы. Прямые признаки дешифрирования: резкое изменение темного фона воды, серой тональности мутными пятнами у устья рек, на берегах водохранилищ, отвалы грунта и т. д.

Материалы дистанционного зондирования применяют при изучении транзита речных наносов и режима осадконакопления в прибрежных зонах озер и морей. Область аккумуляции твердого стока в устьях рек дешифрируется по светлому фототону водной поверхности. Это дает возможность следить за динамикой подводного рельефа, заносимостью акваторий, процессами переформирования берегов. С помощью аэрокосмической фотосъемки и телевизионной информации успешно изучается динамика речных разливов. По разной степени почернения фототона на снимках достоверно дешифрируются границы и площади разливов, последовательность затопления поймы, характер происходящих в ней эрозионно-аккумулятивных процессов и ряд других гидрологических явлений. Такие сведения особенно важны при исследовании наводнений на неизученных реках, что имеет большое практическое значение в условиях Сибири.

Космические средства контроля окружающей среды очень эффективны при изучении Мирового океана. Для исследования Мирового океана созданы специальные спутники — «Океан-О» (Россия), MOS (Япония), SeeWiFS (США) и др. В частности, на спутнике NIMBUS-7 (США) был установлен сканер CZCS со спектральными каналами:

· 0,433−0,453 мкм (голубой) для измерения хлорофилла в воде;

· 0,51−0,53 мкм (зеленый) для измерения хлорофилла в воде;

· 0,54−0,56 мкм (желтый) для измерения содержания желтого вещества в воде, для определения солености воды;

· 0,66−0,68 мкм (красный) для оценки содержания аэрозоля в атмосфере;

· 0,7−0,8 мкм (ближний ИК) для выделения суши и облаков;

· 10,5−12,5 мкм (дальний ИК) для определения температуры.

Характеристики природных вод определяются с помощью алгоритмов многомерного статистического. В частности, концентрация хлорофилла в воде определяется по уравнениям регрессии. Подобным же образом формируется информация о концентрации минеральных взвешенных веществ в воде, термодинамической структуре вод, интенсивности волнения и других характеристиках, описывающих состояние водных экологических систем. Найденные характеристики лежат в основе классификации типов вод непараметрическими статистическими методами классификации с обучением.

Температура воды в океане — наиболее важная характеристика поверхностных водных масс. Распределение температуры воды определяется не только зональными климатическими особенностями, но и формированием высокоградиентных температурных зон (температурных фронтов) из-за взаимодействия различных течений, круговоротов и вихрей.

Важным свойством фронтальных зон является формирование гидробиологических неоднородностей в океане. Фронтальные зоны могут влиять на распределение планктона и рыб или служить своеобразнойжидкой границей, существующей длительное время и ограничивающей взаимодействие с другими типами вод и соответственно с биологическими структурами.

По спутниковым данным проведены значительные по объему исследования сезонной и межгодовой динамики концентрации хлорофилла в поверхностном слое Мирового океана в глобальном и региональном масштабах. Это, в частности, позволяет находить зоны, перспективные для океанического рыболовства.

В океанологии так же изучаются структура и расположение ледового покрова, распределение и сезонное направление течений, океанических фронтальных зон, ориентировка и скорость волнения, регистрация и прогноз цунами, приливных волн, вызванных моретрясением, вулканизмом, динамика донных отложений, взвешенных наносов, устойчивость берегов, миграции планктона и животного мира океана.

В геологии аэрокосмическая информация используется для обновления геологических карт; при поисково-разведочных работах в процессе выявления новых месторождений и уточнения старых месторождений полезных ископаемых; для изучения активных зон разломов в связи с выявлением сейсмичности, расположением геотермальных источников, вулканических явлений и зоны минерализации и т. д.

В геоморфологии и инженерной геологии АКИ используется при обновлении геоморфологических карт, прогнозе интенсивных эрозионных и аккумулятивных эоловых, флювиальных и абразионных процессов, а также катастрофических явлений: обвалов, оползней, просадок.

В климатологии — для прогноза погодных условий; для выявления мгновенной структуры облачности, определения нуля распространения одинаковых температур, влажности, ветра, аэрозолей, формирования циклонов, антициклонов и т. д.

В почвоведении АКИ используется для обновления почвенных карт, при изучении динамики почвообразовательных процессов, засоления, влажности почв и их температур, наличия водной и ветровой эрозии, при инвентаризации почв, занятых под сельскохозяйственные угодья, и их использовании.

В геоботанике АКИ используется для обновления карт растительности; при анализе сезонной ритмики и наблюдений за динамикой растительности; при анализе продуктивности растительного покрова и его роли в природном равновесии и экологии, при изучении нарушения, отмирания растительного покрова от пожаров, болезней, нерационального использования растительных ресурсов.

Аэрокосмическая информация при изучении вечной мерзлоты. Большую помощь АКИ оказывает при дешифрировании различных мерзлотных образований в зоне тундры, лесотундры. В результате дешифрирования выявляются явления, связанные с вечной мерзлотой: термокарстовые проседания грунта, образование озер, наледи. Анализ космических снимков и обзорно-топографических карт позволил выявить динамику (скорость деградации) термокарстовых озер.

Аэрокосмические исследования в сельском хозяйстве. В сельском и лесном хозяйстве АКИ применяется при инвентаризации и ревизии сельскохозяйственных и лесных карт, составлении прогнозных карт продуктивности и урожайности посевов, при учете площадей, занятых под те или иные сельскохозяйственные культуры, при определении спелости, обнаружении очагов болезней и размножения растительноядных насекомых, определении состояния почв в весенний период для установления начала проведения полевых работ по основным агрорегионам.

При сельскохозяйственном дешифрировании получают сведения о местоположении и характеристике следующих объектов и их контуры:

Границ землепользования; на снимках отчетливо видны линии межей по тону изображения, прямолинейности;

1. Пашен, занятых под овощные, зерновые, технические культуры;

2. Залежей земель, которые больше года не засеивались; тон изображения на снимке серый однородный, резко геометрической формы;

3. Сенокосов (тоннаснимках однородный), четко расположенных в поймах рек, по склонам ручьев, всхолмленного рельефа;

4. Пастбищ; тон изображения однородный — видны заборы, животные;

5. Фруктовыхсадов, плантаций, рисовых полей строгой формы, видны ниточки каналов, канав.

Кроме АКС, необходимы полевые наблюдения.

По космическим снимкам ценную информацию получают для мелиоративных изысканий и водоснабжения; выявляют распространение осушительных, оросительных, обводнительных современных и древних систем.

При решении задач мелиорации рассматриваются вопросы проектирования, управления и охраны вод.

Аэрокосмические исследования при изучении транспортной сети. Транспортная сеть как линейный объект распознается на снимках в виде портовых сооружений, взлетных полос, железных дорог, различных шоссейных, грунтовых, лесных дорог и т. д. Анализ по снимкам, полученным во время интенсивного движения, позволяет достоверно получать сведения об интенсивности движения, перегрузке на переходах.

Аэрокосмические исследования при изучении населенных пунктов ПТК.

В зависимости от масштаба и разрешающей способности космические снимки позволяют определить:

· города-гиганты;

· взаимосвязанные группы поселений, центры и ареалы их проявления, используя в качестве дешифровочного признака транспортную сеть различного уровня;

· тип и количество подводящих дорог к населенным пунктам;

· районирование территорий по типу расселения и видам хозяйственного использования земель;

· четко отраженные города, населенные пункты, транспортные связи, сельскохозяйственные поселения, бригадные станы, карьеры, лесные разработки.

Для охраны природной среды АКИ используется при обнаружении источников загрязнения воздуха и воды, при изучении изменения водного баланса под влиянием бесхозяйственной деятельности человека, при изучении деградации естественного почвенного и растительного покрова в результате антропогенно-техногенной нагрузки. А также используется при картировании затоплений на крупных реках и водохранилищах и оценке состояния водных ресурсов и площадей земной поверхности для проектирования строительства, при определении загрязнения воздушной среды в крупных промышленных городах, внутренних водоемах, морях, на суше, при оценке состояния морской поверхности, наличия полей фитопланктона для определения зон рыболовства и т. д.

Глава 2. Применение аэрокосмической информации

2.1 Описание района исследования

Локтевский район расположен в юго-западной части Алтайского края. Его территория по физико-географическому районированию расположена на стыке Кулундинской и Северо-предалтайской провинций. Западная часть района в которой расположен колхоз «Краснофлотец» относится к Кулундинской провинции, Западно-Кулундинской провинции Бельагашскому району. Остальная часть района относится к Северо-предалтайской провинции Верхнеалейскому району. Общая площадь земель района составляет 226 642 га, 2340 кмІ.

Согласно агроклиматическому районированию Алтайского края территория района относится к теплому району, по условиям теплообеспеченности и с учетом условий увлажнения — к теплому слабоувлажненному подрайону. Климат резко континентальный. Средняя температура января — 17,2 ⁰С, июля +20, 20С.

Продолжительность периода с устойчивым снежным покровом составляет 156−160 дней, абсолютный минимум температуры воздуха достигает — 50 — 52°, Средняя из наибольших декадных высот снежного покрова на пашнях не превышает 25−30 см, наибольшая глубина промерзания почвы находится в пределах 200−250 см.

Безморозный период длится в среднем 115−120 дней. Сумма температур воздуха за период с температурой выше 10° равна 2000 — 2200°, сумма осадков 150−200 мм, ГТК =1,0/0,8.

Почвенный покров разнообразный. Сумма температур на глубине 10 см почв глинистого и тяжелосуглинистого механического состава составляет 2100−2300°, суглинистого — 2200−2400°, легкосуглинистого и песчаного — 2300−2500°. Условия перезимовки озимых удовлетворительные в южной части подрайона и неудовлетворительные — в северной. Средний из абсолютных минимумов температуры почвы на глубине залегания узла кущения — 18, — 20°.

В сельскохозяйственном отношении территория хорошо освоена, Малопродуктивные почвы заняты пастбищами и сенокосами.

Почвы — черноземы обыкновенные и черноземы с солонцеватыми комплексами.

Согласно почвенно-географическому районированию Алтайского края территория района относится к зоне черноземов, к подзоне черноземов южных и черноземов обыкновенных, к району южных черноземов на предгорных равнинах, обыкновенных среднегумусных среднемощных черноземов с пятнами слабо выщелоченных среднегумусных черноземов на предгорных равнинах, маломощных черноземов и слаборазвитых щебнистых почв сильно расчлененных мелкосопочных предгорий. Почвенный покров в пределах района неоднороден.

В западной части района почвообразующими породами являются маломощные бурые делювиальные суглинки, подстилаемые третичнымиотложениями. Основной фон в почвенном покрове составляют южные черноземы. Преобладают малогумусные маломощные разновидности, реже встречаются среднегумусные и среднемощные. К участкам с близким залеганием третичных пород приурочены солонцеватые черноземы. Слаборазвитые щебнистые почвы распространены незначительно — кое — где по вершинам сопок и крутым склонам.

В центральной части района (большая его часть) почвообразующие породы представлены лессовидньми суглинками, местами — продуктами выветривания плотных пород. Основной фон в почвенном покрове здесь составляют среднегумусные среднемощные обыкновенные черноземы, занимающие плакорные территории. По вершинам и южным склонам сопок развиты маломощные горные щебнистые карбонатные черноземы и слаборазвитые черноземные почвы. В долинах реки Алей и его притоков широко распространены черноземно-луговые почвы.

Южная и северо-восточная часть района представляют собой сильно расчлененные мелкосопочные предгорья Алтая, местами со значительным колебанием высот. Большое значение в данном случае приобретает экспозиция склонов и их крутизна. На склонах южных экспозиций, слабо увлажненных, имеющих летом контрастный термический режим, растительный покров изрежен и большую роль играют процессы физического выветривания, образующийся при процессах мелкозем легче смывается. На северных склонах почвы формируются в совершенно иных условиях. Достаточное увлажнение, мощный растительный покров, активно и глубоко идущие процессы химического выветривания, затрудненный смыв мелкоземистой части (летом — густая растительность, весной — медленное таение снега на теневых склона) — все это обуславливает здесь обычно формирование мощных тучных почв типа горных лугово-черноземных. По более выровненным участкам, занимающим очень незначительные площади, формируются черноземы обыкновенные маломощные. Таким образом, сочетания по рельефу прослеживаются здесь очень четко. Маломощные горные щебнистые черноземы слаборазвитые и горные лугово-черноземные почвы составляют основной фон почвенного покрова.

Процессы эрозии на территории хозяйства проявляются слабо. Выделено всего 37 га смытых почв.

По интенсивности противоэрозионнных мероприятий, в основе которых лежит степень эродированности или степень податливости к эрозии, все почвы хозяйства объединены в следующие категории

1 категория. В нее вошли неподатливые, слабоподатливыек ветровой эрозии и неэрозионно-опасные к водной эрозии земли. Площадь 5301 га. Из них 1446 га пашни, 3123 га кормовых угодий.

2 категория. В категории включены эрозионно-опасные к водной эрозии земли. Площадь 1103 га, из них 1013 га пашни, 89 га пастбищ. Эти почвы расположены на очень пологих (менее 3^о) склонах и в случае несоблюдения противозаконных мероприятий могут подвергнуться процессам водной эрозий. Основным агротехническим приемом является безотвальная обработка и посев поперёк склонов.

2а категория. В нее вошли почвы среднеподатливые (среднесуглинистого механического состава) к ветровой эрозии. Почвы данной категории занимают основную площадь хозяйства 20 715 га, из них 20 649 га пашни.

3 категория. В неё включены сильносмытые почвы. Площадь небольшая — 37 га, из них. 16 га пашни, 21 га выгона. На выгонах, расположенных на крутых склонах, необходим строго нормированный выпас. На пашне сильносмытые почвы занимают вытянутые узкие промоины.

У3 категория. В нее вошли овраги пески. Площадь 69 га.

Солонцы и засоленные земли занимает в хозяйстве 6424 га, что составляет 23% от общей площади. Из них под пашней 3956 га, под многолетними насаждениями 5 га, под сенокосом 18 га, под пастбищами 1920 га, под лесом 6 га, под кустарником 3 га, под болотами 4 га, прочих 512 га. Встречаются они чистыми контурами и в комплексе с другими почвами. Приурочены к отрицательным формам рельефа — микрозападинам, ложбинкам, пониженным участкам слабоволнистой равнины и поймы.

Производственная деятельность человека является важным фактором, оказывающим влияние на характер почвенного покрова и его изменение.

При сравнении анализов из материалов обследования прошлых лет (1962 года) и материалу почвенного переобследования можно сделать вывод, что естественное плодородие почвы понизилось, так у каштановых почв содержание гумуса уменьшилось на 0,17−0,70%, снизилось и содержание подвижных форм фосфорной кислоты.

В результате снижения содержания гумуса, в значительной распаханности угодий ежегодно, привело к разрушению структуры почвы и значительному распространению ветровой эрозии. Самими распространенными из развеянных почв являются слаборазвеяные (площадь 2638 или 11,8%). Встречаются развеянные почвы в основном в юго-восточной части хозяйства по повышенным участкам и очень пологим склоном слабоволнистой равнины.

Территория района расположена в юго-западной часто Алтайского края на высоте 250−500 над уровнем моря и представляет собой холмисто-увалистую возвышенность. На севере рельеф равнинны пересеченный гривами, южная часть территории всхолмлена и переходит в отроги Колыванского хребта.

Рельеф оказывает большое воздействие на уровень грунтовых вод, увлажнение, освещенность, микроклимат и другие экологические факторы и как следствие на растительность. В целом на возвышенных участках формируется степная растительность, на пониженных — лугово-галофитная.

Гидрологическая сеть на территории района представлена рекой Алей и небольшими речками Золотуха, Устьянка, пресным озером — Новенькое, соленым озером — Соленое и другими. Кроме того, имеется ряд искусственных водоемов.

Согласно геоботаническому районированию Алтайского края территория Локтевского района относится к Казахстанской степной провинции, Восточно-Казахстанской степной подпровинции, полосе (умеренно-засушливых богато разнотравно — типчаково — ковыльных степей, Кучукско-Рубцовскому округу. Локтевскому району разнотравно — типчаково — ковыльных степей. Современное состояние растительности кормовых угодий отражает типологический состав сенокосов, пастбищ и земель мелиоративного фонда. Зональными для территории района являются степные растительные группировки с преобладанием типчака в травостое. Они занимает повышенные участки предгорной равнины (вершины, склоны увалов, сопок), приурочены в основном к черноземам обыкновенным, черноземно скелетным почвам. Кроме типчака, в сложении травостоя принимают участие тонконог стройный, овсец пушистый, ковыль волосатик, из разнотравья — полыни (холодная, австрийская, сизая), лапчатка серебристая и др. По наиболее интенсивно — непользуемым участкам типчак и другие злаки заменяются плохопоедаемыми видами — полынями, рогачем песчаным, спорышем; на сбитых участках образуются полынные, мелкотравные, споршовые модификации. Однако участки с зональной растительностью, в основном распаханы. Кормовые угодья занимают чаще склоны и вершины сопок, а также ровные участки с засоленными почвами. Здесь также широко распространены типы с преобладанием типчака, но ему сопутствуют уже выносливые к засолению почвы растения: пырей плевеловый, бескильница расставленная, кермек Гмелина, полынь австрийская, лебеда бородавчатая.

На участках, подвергающих избыточной пастбищной нагрузке преобладают полыни, спорыш (горец птичий), рогач песчаный.

Приборовые участки со слаборазвитыми песчаными почвами заняты полынно-злаковыми, полынно-типчаковыми типами. Здесь в травостое преобладает типчак, колосняк гигантский, мятлик узколистный полыни сизая, австрийская.

По пониженным участкам равнины и вдоль ручьев распространены разнотравно-злаковые остепненные луга и разнотравно-злаковые влажные и серые луга предоставленные разнотравно-узколистно-мятликовыми, осоково — пырейно — мятликовыми, полынно — злаковыми и полынно — бескильницевыми типами.

Значительную площадь кормовых угодий составляют пойменные кормовые угодья по р. Алей — это соответственно злаковые и разнотравно-злаковые сухие луга и влажные луга на засоленных почвах с преобладанием мятлика узколистного, пырея ползучего, типчака, бобовых (люцерна серповидная, горошек мышиный и т. д.). Незначительно распространены лебедово-бескильницевые солончаки. Основу травостоя составляют бескильница расставленная, лебеда бородавчатая кермек Гмелина. Кустарники ивовые, карагановые распространены, в основном, в пойме р. Алей. Кустарниковый ярус составляют ива козья, караганадревовидная, тополь, шиповник. В травостое отмечены пырей ползучий, мятлик узколистный, тысячелистник, подмаренник настоящий.

Осоковые болота распространены, в основном, по блюдцеобразным понижениям в пойме р. Алей. Травостой представлен осоками, полевицей белой и ползучей разнотравьем. Древесная растительность представленасосновым бором. Бор образован сосной обыкновенной, вподлеске преобладает караганадревовидная. Травянистыйпокров развит слабо, встречаются пырей ползучий, типчак, горошек мышиный.

Город расположен на землях с изначально высоким уровнем грунтовых вод, из-за чего происходит частичное заболачивание территории. Деятельность человека еще более усугубила эту ситуацию. При эксплуатации месторождения глинистый горизонт, разделяющий трещинные и грунтовые воды, был нарушен (бурились поисково-разведочные скважины, породы над выработанным пространством обрушались).

2.2 Методы обработки снимков

Фундаментальные исследования в области разработки методов и средств аэрокосмического мониторинга состояния природно-техногенных объектов Земли были начаты российскими учеными еще в конце 60-х — начале 70-х годов прошлого столетия. В эти и последующие десятилетия были заложены физико-технические и методические основы изучения Земли из космоса, а также создана бортовая и наземная измерительная аппаратура, необходимая для проведения научных и прикладных аэрокосмических исследований. В практике дистанционного зондирования Земли (ДЗЗ) существуют давно отработанные механизмы, связанные с разработкой, производством и эксплуатацией космической техники. К сожалению, в области практического использования космической информации в интересах социально-экономического развития регионов РФ такие механизмы пока не созданы. Особенно это касается вопросов внедрения результатов космической деятельности в практику конечных пользователей информации и оказания различных услуг по приему, обработке и использованию данных.

За рубежом космическая информация широко используется коммерческими фирмами, оказывающими услуги различным компаниям и частным лицам, например по обустройству земельных участков, созданию различного рода кадастров, прогнозу урожайности с. х. культур, предупреждению и тушению лесных пожаров, градостроительству и др.

Впервые проблема более широкого практического использования космических данных в интересах социально-экономического развития регионов РФ рассматривалась на заседании Госсовета в Калуге в марте 2006 г, а затем на заседании Правительства РФ в октябре 2008 г. в Красноярске. В соответствии с поручением Правительства РФ Федеральным космическим агентством с участием Российской академии наук (РАН) и других заинтересованных министерств и ведомств разработана концепция Федеральной целевой программы (ФЦП)" Использование результатов космической деятельности в целях социально-экономического развития Российской Федерации и ее регионов на 2010;2015 гг." (Концепция ФЦП, 2009).

Особенности геополитического положения РФ (обширные размеры территории, большая протяженность границ, разнообразный ландшафт, богатейшие природные ресурсы, наличие труднодоступных районов и др.) приводят к необходимости более эффективного использования космической информации.

2.2.1 Исходные данные

В данной работе использовались космические снимки системы Landsat с пространственным разрешением 15 и 30 м с шестью спектральными каналами: 0,45−0,52, 0,53−0,61, 0,63−0,69, 0,78−0,90, 1,55−1,75, 2,09−2,35 мкм. Эти снимки охватывают территорию всего Локтевского района.

Были взяты три пары снимков перекрывавшие друг друга.

1-ая пара — 11 августа 1979 года.

2-ая пара — 4 сентября 2000 года.

3-я пара — 8 июля 2014 года.

В ходе сравнительного анализа были использованы картограммы засоленных земель и картограммы эрозии почв колхозов (им. Калинина, Рассвет, Краснофлотец, Локтевский) Локтевского района и (Авангард, За Мир, Угловский) Угловского района масштабов 1: 10 000 и 1: 25 000, составленных по материалам почвенно-мелиоративного исследования 1983 года. На них нанесены границы геоморфологических элементов, почвенных контуров, отметки почвенных разрезов, границы солонцов и засоленных почв, границы орошаемых участков. А так же отображены тип засоления, степень эродированности и механического состава почвы, материнские породы почвы.

2.2.2 Восстановление, улучшение и качество изображений

Естественная цель обработки изображений — повышение их качества. Но качество изображений — понятие не однозначное. Например, изображения, воспроизводимые сканером AVHRR спутника NOAA, существенно уступают по пространственному разрешению изображениям сканера МСУ-Э спутника «Ресурс-01» (1,1 км против45 м).

Существует много задач, где не требуется столь высокого разрешения, но необходима оперативность в получении информации (желательно несколько раз в сутки, а не раз в 1−2 недели) и большое поле обзора. К таким задачам относится, например, мониторинг пожарной опасности в лесах такого обширного региона, каким является Сибирь. В этом случае изображения со спутника NOAA предпочтительнее, чем изображения с «Ресурса» .

При обработке изображений нередко стремятся устранить все искажения, максимально приблизив преобразованное изображение к идеальному неискаженному. Для этого, например, приходится обрабатывать спутниковое тепловое изображение водоемов или суши, внося коррекцию с учетом свойств датчиков и ослабления ИК-излучения в атмосфере. В результате поле температур оказывается неискаженным, и в этом смысле преобразованное изображение наиболее качественное.

Изменяя контраст теплового изображения (т.е. сознательно искажая его), можно облегчить обнаружение объектов с повышенной температурой. С этой точки зрения отконтрастированное изображение качественнее идеального.

Из этих примеров видно, что повышение качества изображения следует понимать каждый раз в каком-то определенном смысле, с точки зрения конкретной решаемой задачи.

Итак, повышение качества изображения может быть достигнуто двумя путями: реставрацией и улучшением изображения.

Под реставрацией изображений понимают процедуру восстановления искаженного изображения с тем, чтобы приблизить его к идеальному неискаженному. Реставрацию спутниковых изображений земной поверхности реализуют процедуры геометрической и атмосферной коррекции, а также компенсации изменения характеристик фотоприемника. При этом иногда приходится восстанавливать пропущенные данные, заполняя участки, закрытые облаками, пикселями того же вида, что и в окружении этих участков.

Для улучшения изображения его преобразуют в форму, наиболее удобную для визуального или машинного анализа. При этом, как правило, и не пытаются приблизить воспроизводимое изображение к некоторому идеализированному оригиналу. Например, изображение с подчеркнутыми границами (контурами) может субъективно восприниматься лучше, чем неискаженный оригинал, и может оказаться полезным далее при компьютерной обработке.

2.2.3 Трансформация (конвертация) и сшивка снимков

Конвертация или пересчет снимка в другую проекцию производилась автоматически в программе ENVI методом триангуляции Делоне. При использовании этого способа по имеющимся опорным точкам строится нерегулярная сеть из треугольников, стремящихся к равносторонним. После чего значения интерполируются для получения регулярной сетки.

Для данного метода необходимо указать количество опорных точек для перепроецирования, а так же метод дискретизации, в данном случае это метод ближайшего соседства, то есть, в новом изображении пикселю присваивается значение, вычисленное от значений ближайших к нему пикселей.

Для создания мозаики из четырех исходных снимков был применен специальный инструмент программного комплекса ENVI для «сшивки» изображений с географической привязкой. Этот инструмент позволяет с помощью контекстного меню менять положение фрагментов в мозаики, задавая приоритет изображениям при построении мозаики. Можно поднять или опустить изображение на одну позицию, или переместить его на самый верх или низ. Есть возможность исключить из обработки пиксели, значение которых не имеет информационной нагрузки, то есть ту часть снимка, где нет изображения, обычно это значение ставится равным 0. Так же есть возможность произвести сглаживание, «размытие» границы соединения изображений или создания линии стыка изображений. Кроме того, существует функция цветового баланса или выравнивания фрагментов мозаики.

При решении задач количественной оценки состояния объекта или явления с помощью космических изображений необходимо исключить погрешности координат точек снимка, которые возникают в результате смещения точек из-за наклона носителя, рельефа местности, отклонения проектирующих лучей от нормали к земной поверхности и рефракции лучей в атмосфере. Указанные факторы вызывают разномасштабность центральной и угловых частей снимка, искажение направлений и площадей на изображении. Наиболее часто коррекцию исходных координат изображения проводят путем их пересчета в координаты топографической карты. Этот процесс называют трансформированием или географической привязкой снимков.

Геопривязка может осуществляться корректировкой изображений по расчетным элементам ориентации космического аппарата (орбитальным данным) в момент получения снимка или методом взаимной привязки по опорным точкам на эталонном и трансформируемом изображении в диалоговом режиме. Основная проблема географической привязки для решения большинства прикладных задач, особенно связанных с экологическим контролем, состоит в том, что требуется точность привязки не ниже точности разрешения космической системы. Данное условие не выполняется при трансформировании изображения с использованием только орбитальных параметров, поэтому чаще всего этот метод дополняется корректировкой координат по опорным точкам. В качестве эталона могут быть использованы как цифровые векторные топографические карты, так и растровые базовые изображения. Иногда эталонное изображение может отсутствовать. В этом случае точные координаты задаются непосредственно в выбранной географической системе координат. Трансформирование в проекцию карты проводится по формулам:

;

где , — координаты на исходном изображении; , — координаты узлов сетки в проекции Гаусса-Крюгера. Неизвестные коэффициенты находились методом наименьших квадратов. Точность геопривязки изображений оценивается по значениям разности координат объектов, достоверно распознаваемым на преобразованном космическом снимке, и в выбранной системе координат.

Данная технология использовалась при обработке сканерных изображений на территорию Локтевского района. Опорные точки на картографическом и исходных изображениях выбирались в интерактивном режиме в пакете ENVI 5.0. Опорные точки равномерно размещались по полю кадра, а их количество варьировалось от 15 до 35 в зависимости от величины зоны перекрытия базового и трансформируемого изображения. Контроль точности совмещения изображений проводился по изгибам крупных дорог или их пересечениям, долинам рек и разметке сельскохозяйственных полей. Ошибка совмещения не превышает одного пиксела.

2.2.4 Классификация изображения

Под классификацией понимают процедуру, позволяющую вынести решение о принадлежности данного изображения или его фрагмента к одному из тематических классов. Основанием для этого служит некоторая совокупность критериев близости значений свойственных им признаков. В качестве минимальных объектов при классификации изображения используются минимальные элементы — пикселы. Классификация базируется на теории распознавания образов, основанной на извлечении и анализе статистик по спектральным, текстурным или геометрическим свойствам объектов. При классификации формируется виртуальное n-мерное пространство признаков, которое на основе заложенных в алгоритм классификации математических критериев разделяется на замкнутые области, каждая из которых приписывается тому или иному тематическому классу. На основании этого разделения формируется новое изображение, представляющее собой растровую карту пространственного распределения участков, отнесенных классификатором к анализируемым классам.

Классификация изображений предусматривает применение байесовские процедуры, метода максимального правдоподобия, метода параллелепипеда метода минимальных расстояний и др. Возможны вычисление вегетационного индекса и анализ главных компонентов, кластерный анализ.

Классификация — это тематическая обработка, которая позволяет производить автоматизированное разбиение снимков на однородные по какому-либо критерию области (классы объектов). Получающееся при этом изображение называется тематической картой. Поскольку обычно выделяют содержательно интерпретируемые классы объектов, то классификацию можно рассматривать как процедуру автоматизированного дешифрирования ДДЗ. Процедура классификации основывается чаще всего на статистическом анализе различных характеристик изображения: пространственных, спектральных или временных. К простейшим полезным пространственным характеристикам относятся: текстура, контекст, форма и структурные соотношения. Под временными характеристиками следует понимать сезонные изменения земных покровов (особенно растительности), которые могут служить их индикаторами. Однако принято считать, что основную информацию о природе объектов на земной поверхности содержат их спектральные характеристики. Поэтому в большинстве известных алгоритмов классификации используются спектральные образы (сигнатуры) типов покрытий.

Различают два основных методологических подхода к проведению рассматриваемой процедуры: классификацию с обучением и автоматическую классификацию. В случае классификации с обучением, задача состоит в обнаружении на изображении объектов уже известных типов, что требует некоторых предварительных знаний об исследуемом участке земной поверхности. На первом шаге процедуры необходимо интерактивно выбрать на изображении эталонные участки являющиеся характерными (типичными) представителями выделяемых классов объектов. Этап обучения заключается фактически в расчете и анализе некоторого набора статистических характеристик распределения значений пикселов, составляющих эти полигоны. Однако большей популярностью пользуется другой вид классификации, который не требует дополнительной наземной информации и глубокого знания дистанционных методов обработки. Методологической основой автоматической классификации является кластерный анализ, в ходе которого пытаются определить все встречаемые типы объектов при некотором уровне обобщения (выбранных критериях объединения, разделения или числа классов), а задача их интерпретации решается на втором этапе. Существуют алгоритмы сочетающие элементы классификаций с обучением и автоматической.

По способу отнесения отдельных элементов изображения к тому или иному классу объектов, различают жесткие и мягкие классификаторы. В случае жестких (традиционных) классификаторов, принимается строго определенное решение относительно принадлежности пикселов к некоторому классу. Мягкие же классификаторы оценивают вероятность, с которой анализируемый элемент изображения может принадлежать всем рассматриваемым классам покрытий (включая и неизвестные). Современные классификаторы позволяют также вводить элемент неопределенности на разных стадиях процесса, что допускает присутствие смешанных классов покрытий в каждом отдельном пикселе (субпиксельная классификация). Еще один сравнительно новый вид классификации связан с обработкой гиперспектральных данных. Такие данные поступают с экспериментальных систем ДЗ работающих с очень узкой шириной зон традиционного спектрального диапазона, что увеличивает количество спектральных каналов до десятков и даже сотен. В этом случае для автоматизированного выделения классов объектов покрытий используются библиотеки спектральных кривых различных земных материалов.

Часто возникает необходимость тематической корректировки результатов классификации, особенно автоматической, выполняемой фактически по информационным характеристикам объектов. Для этого используется целый набор процедур, называемый операциями после классификационной обработки: слияние классов, разделение классов, устранение мелких ложных объектов, сглаживание границ объектов и т. п.

Важным этапом в процессе классификации является оценка точности полученных изображений, которая может выполняться как по данным полевых измерений, так и путем сравнения с соответствующими тематическими картами.

Данная область обработки ДДЗ в настоящее время довольно интенсивно развивается: появляются новые классификаторы, основанные на последних достижениях в области моделирования искусственного интеллекта и других областях прикладной математики (например, нейронные сети).

Методы автоматической классификации, часто называемые кластерным анализом, основаны на анализе пространственных признаков, полученных по всем объектам изображения. Кластер — это однородный участок изображения, с точки зрения некоторого набора признаков (яркостных, геометрических, текстурных, физических/биофизических). Наиболее широко известен алгоритм кластерного анализа ISODATA, который относится к категории самоорганизующихся, поскольку требует минимальных априорных знаний для задания исходных параметров. Данный алгоритм использует критерий близости точек в пространстве признаков. Процесс начинается с задания числа выделяемых кластеров, имеющих произвольные средние значения. Последующая автоматическая итеративная процедура направлена на последовательное приближение начальных значений к центрам кластеров. После каждой итерации вычисляются новые центры кластеров с учетом расположения в пространстве признаков пикселей, соответствующих каждому из них. Процесс повторяется до тех пор, пока изменения между итерациями не будут минимальными.

2.3 Вычисление нормализованного разностного индекса растительности

Характерным признаком растительности и ее состояния является спектральная отражательная способность, характеризующаяся большими различиями в отражении излучения разных длин волн. Знания о связи структуры и состояния растительности с ее спектрально отражательными способностями позволяют использовать космические снимки для картографирования и идентификации типов растительности и их стрессового состояния. Для работы со спектральной информацией часто прибегают к созданию так называемых «индексных» изображений. На основе комбинации значений яркости в определенных каналах, информативных для выделения исследуемого объекта, и расчета по этим значениям «спектрального индекса» объекта строится изображение, соответствующее значению индекса в каждом пикселе, что и позволяет выделить исследуемый объект или оценить его состояние. Спектральные индексы, используемые для изучения и оценки состояния растительности, получили общепринятое название вегетационных индексов.

Вегетационный индекс — показатель, рассчитываемый в результате операций с разными спектральными диапазонами (каналами) данных дистанционного зондирования, и имеющий отношение к параметрам растительности в данном пикселе снимка. Главным преимуществом вегетационных индексов является легкость его получения. Индексы отражают общее количество растительности и используются для оценки ее состояния при решении широкого круга задач. Они суммируют и отражают влияние таких факторов, как содержание хлорофилла, площадь листовой поверхности, сомкнутость и структура растительного покрова. Основное назначение этих индексов — картирование растительного покрова, выявление площадей покрытых и непокрытых растительностью, оценка и мониторинг состояния растительного покрова, оценка продуктивности и урожайности.

Расчет большей части вегетационных индексов базируется на двух наиболее стабильных (не зависящих от прочих факторов) участках кривой спектральной отражательной способности растений. На красную зону спектра (0.63 — 0.690 мкм) приходится максимум поглощения солнечной радиации хлорофиллом, а на ближнюю инфракрасную зону (0.75 — 0.90 мкм) максимальное отражение энергии клеточной структурой листа. Т. е. высокая фотосинтетическая активность (связанная, как правило, с большой фитомассой растительности) ведет к более низким значениям коэффициентов отражения в красной зоне спектра и большим значениям в ближней инфракрасной. Как это хорошо известно, отношение этих показателей друг к другу позволяет четко отделять растительность от прочих природных объектов.

Обычно используют: вегетационный индекс нормализованной разности (Normalized Difference Vegetation Index/NDVI); индекс фотохимической отражательной способности (Photochemical Reflectance Index/PRI); индекс полосы воды (Water Band Index/WBI).

Индекс NDVI считается индикатором структуры растительного покрова, индекс PRI-индикатором уровней основных пигментов листовой поверхности (хлорофилла, каротиноидов и др.), индекс WBI-индикатором содержания воды в растениях. Все фотосинтезирующие растения содержат зеленый пигмент-хлорофилл, а также пигменты желтого или оранжевого цвета-каротиноиды (каротин и ксантофилл). Пигменты, необходимые для протекания фотосинтеза, локализованы в специальных тельцах клетки-хлоропластах, линейные размеры которых составляют несколько микрометров, т. е. могут наблюдаться в лабораторных условиях с помощью микроскопа. Оба отмеченных пигмента определяют характерные цвета листьев растений (преобладание зеленого цвета хлорофилла, желто-красного и других оттенков каротиноидов). Спектры поглощения хлорофилла (основного пигмента, характерного для высших растений) имеют резкие максимумы вблизи длин волн 430 нм и 660 нм, что обусловливает преобладание зеленого цвета у нормально вегетирующих растений. Каротиноиды поглощают свет на длинах волн менее 540 нм; воздействие этих пигментов заметно при проявлении стрессовых состояний в процессе завядания и отмирания листвы. В действительности использование индекса NDVI-слишком упрощенная процедура описания структуры растительного покрова (Kozoderov, Dmitriev, 2008).

Индекс PRI-не менее упрощенная попытка описания эффективности использования световой энергии при расчетах поглощенной ФАР. В частности, общепринятой считается практика использования отношения разности отражательной способности листьев на длинах волн 570 и 531 нм к сумме этих же величин для описания индекса PRI (Gamonetal., 1997). До некоторой степени это аналог NDVI. Выбор именно этих длин волн нового индекса определяется характерными условиями поглощения излучения вегетирующей растительностью на этих длинах волн солнечного излучения.

Индекс WBI характеризует полосу поглощения излучения водяным паром на длине волны 970 нм. Возникает вопрос: если все исследования по оценке состояния растительности свести к этим трем основным индексам (для этого достаточно использовать данные менее десятка каналов ДЗ), то зачем тогда нужны гиперспектральные измерения с сотнями каналов? Значения потока ФАР при фотосинтезе, когда в хлоропластах растительного листа поглощаются молекулы углекислого газа, выражаются в молях на единицу площади в течение определенного промежутка времени. Один моль-это количество вещества, масса которого, выраженная в граммах, численно равняется его молекулярному весу (для молекулы углекислого газа этот вес равен 44 г). Количество частиц (атомов, молекул) в одном моле любого вещества постоянно и носит название числа Авогадро (6,02 Ч 1023). Именно такое количество молекул содержит 1 моль кислорода О₂, водяного пара Н₂О, углекислого газа СО₂ и т. д. Известно, что 1 моль любого газа при нормальных условиях (температура около 0 °C, давление 760 мм ртутного столба) занимает объем около 22,4 л. При таких условиях данный гипотетический объем, заполненный полностью молекулярным водородом Н₂, будет весить 2 г, метаном СН_{4 -} 16 г, водяным паром 18 г и т. д.

В натурных полевых условиях на фитоэлементах закрепляют специальные объемные камеры для измерения скорости фотосинтеза по газообмену, т. е. по скорости выделения О₂ и поглощения СО₂, вместе со скоростью воздействия квантов солнечного излучения, падающего на такую измерительную систему. На летательные средства устанавливается аппаратура ДЗ, позволяющая после статистической обработки соответствующих данных получать информацию об осредненных значениях скорости ветра и потоков водяного пара и углекислого газа по трассе пролета (Rahmanetal., 2001). Потоки выражают в весовых единицах на единицу площади в единицу времени. В частности, для СО₂ потоковые значения данных ДЗ можно выразить в мг/ (м² с), учитывая, что в этом случае 1 мг = (1/44) Ч 10−3 моль.

Разные типы растительности по-разному усваивают углекислый газ при соответствующих внешних условиях тепло-, влаго — и энергообмена.

Используя индексы NDVI, PRI и модель эффективности усвоения световой энергии, для выделенных классов растительного покрова можно попиксельно построить значения потоков углекислого газа для выделенной области и сопоставить эти значения выделенным классам (например, упомянутым выше 7 классам по данным самолетных гиперспектрометров вместе с наземной валидационной картой пространственного распределения этих классов). Результаты проекта BOREAS показали, что осредненные в течение двух часов относительно полудня на выбранную дату значения «скорости общего перехвата углерода» (midday gross carbon up take rates) находятся в хорошем соответствии с результатами как классификации растительности (первые пять из указанных классов) по данным гиперспектрометров, так и измерений потоков на наземной сети станций. Полученные данные о скоростях отображаются в тех же единицах (моль на единицу площади в единицу времени), в которых измеряются потоки ФАР с помощью наземной измерительной аппаратуры. Обычно рассматривается измерительная область 400−700 нм для счетчиков фотонов с учетом квантовой эффективности используемых приемников. Значения поглощенной ФАР увязывают с индексом PRI, который может характеризовать стрессовое состояние растительности за счет дефицита увлажнения (Thenotetal., 2002).

В данной работе использовалась концепция наиболее популярного и часто используемого индекса — NDVI (Normalized Difference Vegetation Index) — нормализованный разностный индекс растительности.

Индекс вычисляется по следующей формуле:

NDVI= (L₂-L₁) / (L₂+L₁),

где L₂ — коэффициент отражения в ближней инфракрасной области спектра;

L₁ — коэффициент отражения в красной области спектра.

Отношение этих показателей друг к другу позволяет четко отделять и анализировать растительные объекты от прочих природных объектов. Использование же не простого отношения, а нормализованной разности между минимумом и максимумом отражений увеличивает точность измерения, позволяет уменьшить влияние таких явлений как различия в освещенности снимка, облачности, дымки, поглощение радиации атмосферой и пр.

Для растительности индекс NDVI принимает положительные значения, и чем больше зеленая фитомасса, тем они выше. На значения индекса влияет также видовой состав растительности, ее сомкнутость, состояние, экспозиция и угол наклона поверхности, цвет почвы под разреженной растительностью. Индекс умеренно чувствителен к изменениям почвенного фона, кроме случаев, когда густота растительного покрова ниже 30%. Индекс может принимать значения от — 1 до 1. Для зеленой растительности индекс обычно принимает значения от 0,2 до 0,8. Нулевые значения NDVI соответствуют зеркалу озер и открытой почве.

2.4 Виды эрозионных процессов и особенности их проявления на космических изображениях

Выявление и оценка эродированных и эрозионно опасных земель, а также защита почв от эрозии — одна из главных проблем природопользования. Актуальность ее возрастает в связи с все более интенсивным использованием уже освоенных земель, дальнейшим вовлечением в распашку земель, ранее считавшихся малопригодными.

В нашей стране и за рубежом проводятся разносторонние исследования эрозионных процессов и испытание противоэрозионных приемов. К настоящему времени накоплен большой материал, характеризующий интенсивность смыва почв на разных по строению и уровню использования землях, свойства смытых почв, интенсивность роста оврагов, эффективность отдельных и комплекса противоэрозионных мероприятий. Вместе с тем многие ученые отмечают, что полученный материал весьма разнокачественный, разными исследователями применялись не только различные методы исследований, но и разные методологические подходы, часто исследователи упрощали эрозионные процессы, а исследования носили описательный характер. Поэтому выявление и оценка эродированных земель и динамика их развития по материалам космической съемки, позволит в короткие сроки выполнить большой объем работ по получению информации в картографическом виде для решения природоохранных задач, значительно снизить как экономические затраты из-за низкой стоимости космической информации, так и затраты рабочего времени на проведение подобных исследований.

Экстенсивное ведение земледелия в Западной Сибири привело к повсеместной деградации почв пахотных угодий и значительному снижению их потенциального плодородия. Одной из основных причин негативных последствий является активизация разрушения почв антропогенно-преобразованных ландшафтов процессами смыва и дефляции. В Алтайском крае значительную часть сельскохозяйственных угодий представляют почвы, которые оцениваются как эрозионнои дефляционно-опасные: в лесостепной зоне более 50% почв слабо — и среднесмыты, деградация гумусного слоя в результате дефляции составляет 5 см. за 10 лет. Усиление эрозионных процессов обусловлено резким уменьшением защитных функций естественной растительности и противоэрозионной устойчивости почв, подвергшихся длительному хозяйственному воздействию. В результате эрозии происходит ухудшение плодородия почв (поверхностная эрозия и дефляция) или полное уничтожение почв (линейная эрозия).

Особенностью проявления на космических снимках эрозионных процессов является непостоянство яркостных характеристик в различных участках изображения, которое возникает в результате выхода на поверхность более глубоких горизонтов почвы, диффузии пахотного и подпахотного слоев, а также повышения биомассы растительности на эрозионных участках, которое связано с намывом плодородной почвы в местах движения водных потоков. В этом случае характер кривой спектрального отражения меняется. Для большинства типов почв с нормально развитым генетическим профилем эти изменения влияют, прежде всего, на интенсивность изображения, когда кривая спектрального отражения практически не изменяется по форме, но все величины спектрального коэффициента отражения пропорционально возрастают на всех длинах волн. Такие изменения свойственны почвам с монотонным гумусированным профилем, например, черноземам. В почвах с резко дифференцированным генетическим профилем, или если эрозией захвачены очень большие толщи почвы, изменениям величин интегрального отражения сопутствуют изменения тональности окраски. Кроме того, в процессе дешифрирования участков местности, подвергшихся линейной эрозии, важную роль играет характерная форма изображения. Для выделения и оценки эрозионных процессов почв был проведен синтез трех каналов сканерного изображения (рис. 2.4.1., 2.4.2), с последующим преобразованием гистограммы яркости (рис. 2.4.3., 2.4.4).

Процессы водной эрозии почвы при малом смыве довольно хорошо дешифрируются на снимках, полученных в летний период. В этом случае по направлению смыва наблюдается увеличение яркости изображения, что соответствует увеличению биомассы растительности, т.к. на этих участках почва содержит больший процент гумуса благодаря ее растрескиванию после схода талых вод и последующим заполнением нижних горизонтов материалом гумусово-аккумулятивного горизонта. Особенно хорошо такие участки поверхностной эрозии проявляются при расчете вегетационного индекса NDVI, благодаря повышению значения индекса за счет увеличения биомассы растительности (рис. 2.4.5, 2.4.6).

На весенних снимках эти участки имеют более низкие значения яркости благодаря избыточному увлажнению. В этот период очень хорошо дешифрируется сильно эродированная почва, хотя смыва до нижних, более светлых горизонтов, не наблюдается, а также поверхностная эрозия. На осенних снимках выделяются только овраги с размытостью почвы до почвообразующей породы.

Сравнительный анализ результатов обработки разновременных космических снимков показал, что площадь деградированных земель в результате эрозионных процессов значительно увеличилась.

2.5 Мониторинг процессов фильтрации и подтопления от промышленных отстойников

Сложная экологическая обстановка возникает в районах промышленных отстойников горно-обогатительных комбинатов. Фильтрационные процессы и поднятие уровня грунтовых вод приводят к избыточной минерализации почвенного покрова, заболачиванию и выносу вместе с водой вредных веществ на значительные территории обитания населения, а также связанные с сельскохозяйственным производством.

Для оперативного контроля гидрологической обстановки территории, прилегающей к отстойникам промышленного производства Алтайского горно-обогатительного комбината г. Горняка и подвергающейся интенсивному фильтрационному процессу, может быть использован дистанционный метод, использующий сезонную сканерную орбитальную съемку (рис. 2.5.1).

Наиболее информативным для оценки увлажненности территории является период с момента схода снежного покрова до появления растительности. Открытой воде и переувлажненной почве на сканерных снимках в весенний и зимний периоды соответствуют минимальные значения спектральной яркости. На летних изображениях участки наибольшего увлажнения дешифрируются по высоким яркостям растительности. При расчете индекса NDVI переувлажненные участки имеют наибольшее значение индекса за счет увеличения биомассы растительности (рис. 2.5.2., 2.5.3., 2.5.4).

Анализ изображений территории, прилегающей к промышленному отстойнику, показал, что фильтрационные процессы имеют место по всему периметру находящегося в эксплуатации промышленного отстойника. Подтопление распространяется по естественной впадине в рельефе, которая образует бессточную область.

Переувлажненная почва около отстойника для последующей площадной оценки и формирования векторных слоев выделялись на исходном изображении методом автоматической классификации с использованием алгоритма ISODATA. Далее классифицированное изображение трансформировалось в проекцию цифровой топографической карты масштаба 1: 50 000 по опорным точкам методом наименьших квадратов с помощью программного обеспечения ENVI 5.0. При совместном анализе результатов расчета вегетационного индекса NDVI и классификации были сформированы векторные слои, соответствующие классам переувлажненной почве и заболоченным участкам. На рисунках масштаба 1: 150 000 показана динамика подтопления земель в период с 1989 по 2014 года (рис. 2.5.5., 2.5.6., 2.5.7).

Площадная оценка векторных слоев проводилась в геоинформационной системе MapInfo10.5. Анализ картограммы засоленных земель и картограммы эрозии почв колхозов Локтевского района масштабов 1: 10 000 и 1: 25 000, составленных по материалам почвенно-мелиоративного исследования 1983 года, и проведенное картирование переувлажненных участков, показал, что подповерхностный сток, обусловленный фильтрацией воды из отстойника, а также выбросами на поверхность шахтных вод, распространяется на территорию, занятую сельскохозяйственными полями и дачными участками (рис. 2.5.8).

Общая площадь территории, являющейся переувлажненной, а также с уровнем грунтовых вод менее 1 м составила около 3.6 тыс. га.

Сравнительный анализ указывает на уменьшение площади подтопления в связи с остановкой производства. В 1995 году горно-обогатительный комбинат прекратил свое существование, однако сухой осадок, образовавшийся в результате высыхания промышленных вод и содержащий высокую концентрацию тяжелых металлов, разносится ветром на значительные территории. В результате деградации почвенного покрова участки заболачивания были выведены из состава пахотных земель (рис. 2.5.9, 2.5.10).

Кроме г. Горняка значительную антропогенную нагрузку на данную территорию оказывают шахтные воды из отстойников ГОК, расположенного в г. Жезкент (Казахстан) (рис. 2.5.1).

Анализ материалов дистанционного зондирования показал, что процессы трансграничного переноса и подтопления территории Алтайского края наблюдаются с 1989 года до настоящего времени. Подтопление распространяется по естественной впадине в рельефе. Шахтные воды впадают в бессточное озеро, расположенное около ленточного бора. На территории распространения сточных вод наблюдаются повышенные значения индексов NDVI на всех изображениях, полученных в весенне-летний период с 1989 года (рис. 2.5.2, 2.5.4).

Заключение

Сравнительный анализ результатов обработки разновременных космических снимков показал, что площадь деградированных земель в результате эрозионных процессов значительно увеличилась.

Анализ изображений территории, прилегающей к промышленному отстойнику, показал, что фильтрационные процессы имеют место по всему периметру отстойника. Подповерхностный сток, обусловленный фильтрацией воды из отстойника, а также выбросами на поверхность шахтных вод, распространяется на территорию, занятую сельскохозяйственными полями и дачными участками. Подтопление распространяется по естественной впадине в рельефе, которая образует бессточную область.

Общая площадь территории, являющейся переувлажненной, а также с уровнем грунтовых вод менее 1 м составила около 3.6 тыс. га. Площадь подтопления уменьшились в связи с остановкой производства, однако сухой осадок, образовавшийся в результате высыхания промышленных вод и содержащий высокую концентрацию тяжелых металлов, разносится ветром на значительные территории.

В результате деградации почвенного покрова участки заболачивания были выведены из состава пахотных земель.

Кроме г. Горняка значительную антропогенную нагрузку на данную территорию оказывают шахтные воды из отстойников ГОК, расположенного в Казахстане г. Жезкент. Шахтные воды впадают в бессточное озеро, расположенное около ленточного бора

Анализ материалов дистанционного зондирования показал, что процессы трансграничного переноса и подтопления территории Алтайского края наблюдаются с 1989 года до настоящего времени.

Список использованной литературы и источников

1. Кашкин В. Б., Сухинин А. И. Дистанционное зондирование Земли из космоса. Цифровая обработка изображений: Учебное пособие. — М.: Логос, 2001. — 264 с.: ил.

2. Зятькова Л. К., Елепов Б. С. У истоков аэрокосмического мониторинга природной среды («Космос» — программе «Сибирь»): монография. — Новосибирск: СГГА, 2007. — 380 с.

3. Ведешин Л. А. Глобальная система аэрокосмического мониторинга Земли и управление природными и природно-антропогенными процессами и явлениями — М.: ВИНИТИ. — 2008. — 254 с.

4. Козодеров В. В., Дмитриев Е. В. Аэрокосмическое зондирование почвенно-растительного покрова: модели, алгоритмическое и программное обеспечение, наземнаявалидация. Исследование Земли из космоса. — 2010. — 276 с.

5. Ковриго В. П., Кауричев И. С., Бурлакова Л. М. Почвоведение с основами геологии. — М.: Колос, 2000. — 416 с.

6. Кондратьев К.Я., Вандышева Н.В., Козодеров В.В., КосолапоеB. C. Оценка параметров почвенно-растительного покрова по многоспектральным спутниковым данным. — Исследование Земли из космоса. 1992.295 с.

7. Агрохимическая характеристика почв СССР. Кн.1−14. — М.: Наука, 1962;1974.

8. Беляев Б. И., Катковский Л. В., Сосенко В. А. Дистанционные методы и аппаратура для исследования Земли из космоса. Наука и инновации. 2013. № 5.123 с.

Приложения

Приложение 1

Рисунок 2.4.1 — Изображение поверхностной и линейной эрозии на сканерном снимке (1989 год).

Приложение 2

Рисунок 2.4.2 — Изображение поверхностной и линейной эрозии на сканерном снимке (2014 год).

Приложение 3

Рисунок 2.4.3 — Гистограммаизображения поверхностной и линейной эрозии (1989 год).

Рисунок 2.4.4 — Гистограмма изображения поверхностной и линейной эрозии (2014 год).

Приложение 4

Рисунок 2.4.5 — Изображение индекса NDVI в зоне линейной и поверхностной эрозии (1989 год).

Приложение 5

Рисунок 2.4.6 — Изображение индекса NDVI в зоне линейной и поверхностной эрозии (2014 год).

Приложение 6

Рисунок 2.5.1 — Гидрологическая обстановка территории, прилегающей к отстойникам промышленного производства Алтайского горно-обогатительного комбината.

Приложение 7

Рисунок 2.5.2 — Изображение индекса NDVI на переувлажнённых участках (1989 год).

Приложение 8

Рисунок 2.5.3 — Изображение индекса NDVI на переувлажнённых участках (2000 год).

Приложение 9

Рисунок 2.5.4 — Изображение индекса NDVI на переувлажнённых участках (2014 год).

Приложение 10

Рисунок 2.5.5 — Динамика подтопления земель (1989 год).

Приложение 11

Рисунок 2.5.6 — Динамика подтопления земель (2000 год).

Приложение 12

Рисунок 2.5.7 — Динамика подтопления земель (2014 год).

Приложение 15

Рисунок 2.5.10 — Динамика деградации почвенно-растительного покрова (8 июля 2014 год).