Мониторинг и оценка состояния зеленых насаждений в пределах границ города на основе данных дистанционного зондирования Земли (космических снимков).
| Отрасль | Экология и охрана природы |
|---|---|
| Заказчик | Коммерческая тайна |
| Дата окончания | 31.12.2021 |
Мониторинг и оценка состояния зеленых насаждений для улучшения экологической ситуации г. Москва.
Мониторинг и оценка состояния зеленых насаждений - показатель экологического благополучия городской среды.
Наличие доступных и здоровых зеленых насаждений является неотъемлемой частью качества жизни в городах: растительность снижает уровень загрязнения воздуха, создает тень, способствует снижению температуры, служит средой обитания для птиц и животных, укрывает от ветра и выполняет рекреационные и эстетические функции.
Из-за увеличения скорости урбанизации, количества транспорта, наличия технических предприятий количество зеленых насаждений уменьшается, а накопление солнечной энергии увеличивается, что влечет рост температуры, количества оксида углерода, диоксида азота и др. в атмосфере.
Открытые и зеленые насаждения не только улучшают условия жизни, но и играют решающую роль, помогая людям адаптироваться к неблагоприятным последствиям экстремальных климатических явлений, борясь с городскими островами тепла, смягчая последствия наводнений, сохраняя биоразнообразие и помогая снизить уровень среднесуточной температуры.
Зеленые зоны также способствуют связыванию углерода, сводя к минимуму воздействие загрязнения воздуха и помогая пополнять запасы грунтовых вод.
Хотя городские зеленые насаждения предлагают социальные, экологические и даже экономические выгоды, они редко получают приоритет в городском генеральном плане. Особенно по мере роста городов крайне важно, чтобы зеленые насаждения росли параллельно, так как быстрая урбанизация и растущий спрос на застроенные площади приводят к тому, что открытые территории либо рекультивируются, либо используются для застройки. И это в свою очередь приводит к деградации окружающей среды.
Исходные материалы для работ – космические снимки, полученные в течение вегетационного периода. Использовались данные Sentinel-2 с пространственным разрешением 10, 20 м и космические снимки сверхвысокого пространственного разрешения с космического аппарата Jilin-KF01B с разрешением в 0,5 м.
Рис. 1. Фрагмент снимка WorldView-3 До (слева) и После (справа) процедуры паншарпенинга
Для уменьшения искажений, вызванных рельефом и условиями съемки, выполнена процедура ортотрансформирования с использованием цифровой модели рельефа (ЦМР) и коэффициентов рациональных полиномов (RPC). Следом, для точного выделения классов древесно-кустарниковой и травянистой растительности совершен паншарпенинг – повышение пространственного разрешения спектральных каналов за счёт слияния панхроматического и многозонального снимка.
В качестве инструмента анализа использованы специальные индексы, полученные из арифметических операций над каналами набора растровых данных, в том числе:
NDVI — это нормализованный вегетационный индекс
NDVI - это индекс, который оценивает количество зеленой растительности. Индекс нормализует рассеяние зеленых листьев в ближнем инфракрасном диапазоне с поглощением хлорофилла в красных длинах волн.
Диапазон значений NDVI составляет от -1 до 1. Отрицательные значения NDVI (значения, приближающиеся к -1) соответствуют воде. Значения, близкие к нулю (от -0,1 до 0,1), обычно соответствуют бесплодным участкам скал, песка или снега. Низкие положительные значения представляют кустарники и пастбища (от 0,2 до 0,4), а высокие значения указывают на влажные леса умеренного и тропического пояса (значения приближаются к 1).
NDMI — это нормализованный индекс влажности
Индекс использует диапазоны NIR и SWIR. Полоса SWIR отражает изменения как в содержании воды в растительности, в то время как на отражательную способность NIR влияет внутренняя структура листьев и содержание сухого вещества. Комбинация NIR с SWIR устраняет изменения, вызванные внутренней структурой листьев и содержанием сухого вещества в листьях, повышая точность определения содержания воды в растительности. Количество воды, доступной во внутренней структуре листа, в значительной степени определяет спектральную отражательную способность в диапазоне SWIR электромагнитного спектра. Следовательно, отражательная способность SWIR отрицательно связана с содержанием воды в листьях. В целом NDMI используется для мониторинга изменений содержания воды в листьях.
ARI - индекс отражения антоцианов
Антоцианы — это пигменты, распространенные у высших растений, обусловливающие красную, синюю или пурпурную окраску. дают ценную информацию о физиологическом состоянии растений, так как считаются индикаторами разных типов стрессов растений.
Отражательная способность антоцианов составляет около 550 нм. Однако те же длины волн отражаются и хлорофиллом. Чтобы выделить антоцианы, вычитается спектральная полоса 700 нм, которая отражает только хлорофилл, а не антоцианы.
Работы выполнялись в рамках административных границ города. Площадь исследования составила 1770 кв. км.
На первом этапе были подобраны космические снимки среднего пространственного разрешения Sentinel-2 (10 и 20 м) и проведена новая съемка со спутника Jilin-KF01B с разрешением в 0,5 м (сверхвысокое пространственное разрешение).
После выполнения космической съемки и получения архивных материалов производилась обработка данных ДЗЗ, представляющая собой ортотрансформирование, атмосферную коррекцию и паншарпенинг.
По снимкам Jilin-KF01B были созданы векторные слои распределения древесной (ДР) и травянистой растительности (ТР). Для создания этих слоев использовалась классификация с обучением.
Методы контролируемого машинного обучения включают в себя обучение модели работе с набором функций и прогнозированию метки с использованием набора данных, который включает некоторые уже известные значения метки.
Классификация — это форма контролируемого машинного обучения, при которой модель обучается использовать функции (x) для прогнозирования метки (y), которая вычисляет вероятность того, что наблюдаемый случай принадлежит каждому из нескольких возможных классов и предсказывает значение соответствующей метки.
Основной метод взаимодействия с космическими снимками заключается в процессе извлечения классов информации из многоканального растрового изображения. С помощью полученного в итоге растра созданы тематические карты.
В классификации растровых изображений с обучением нужно построить алгоритм, который сможет классифицировать и отделить объект от общего множества. Все конечное классифицированное множество объектов – есть обучающая выборка.
Далее производилась оценка качественного состояния растительности по индексу NDVI. По космическим снимкам был построен индекс NDVI, который был классифицирован на 4 класса качественного состояния растительности (хорошее, удовлетворительное ослабленное, удовлетворительное сильно ослабленное, неудовлетворительное).
NDVI в сочетании с индексом псевдоцветов позволил выявить очаги усыхания древесно-кустарниковой растительности. А с помощью псевдоцветов и классификации изображений были выявлены очаги распространения борщевика Сосновского.
Рис.2 Пример фрагмента слоя древесно-кустарниковой растительности
Рис.3 Пример фрагментов очагов усыхания ДКР
Рис. 4 Пример фрагментов очагов усыхания ДКР на снимке KompSat-3
Рис.5 Фрагмент полученного слоя древесной растительности
Созданные цифровые картографические слои привязаны к Единой государственной картографической основе г. Москвы (ЕГКО) в масштабе 1:10 000.
Проведение натурной верификации участков необходимо для подтверждения и проверки на местности результатов, полученных на основе анализа данных ДДЗ.
По снимкам Sentinel-2 за июнь и май в программном обеспечении ArcGIS (ESRI) были вычислены индексы NDVI, NDMI и ARI. Полученные индексы, а также динамика за май-июнь детально проанализированы.
Выбраны 10 точек для полевого обследования растительности на местности, полученных по результатам дешифрирования данным ДЗЗ, для проверки соответствия состояния древесно-кустарниковой растительности по индексу NDVI. По индексам выделены классы зеленых насаждений в различных качественных состояниях. Выполнен анализ распределения растительности в разных качественных состояниях в разрезе административно-территориального деления. Выявлены районы, где зеленые насаждения испытывают наибольший стресс. По полученным данным созданы картографические материалы.
Проведена Оценка качественного состояния растительности по индексу NDVI:
Выявлены очаги усыхания древесно-кустарниковой растительности:
Рис.6 Пример фрагментов очагов усыхания ДКР
Выявлены очаги распространения инвазивных видов растений:
Рис.7 Распространение борщевика Сосновского по районам
Вышеописанная работа позволяет на государственном и муниципальном уровнях оперативно следить за состоянием зеленых насаждений, отслеживать появление вырубок, очагов усыхания и исчезновения растений, а также сразу ликвидировать причины ухудшения экологического состояния города, правильно реорганизовать и подкорректировать политику в сфере градостроительства.
Проведенные работы позволили оценить динамику развития фонда зеленых насаждений, результаты использованы при планировании и размещении новых зеленых насаждений, выявлении проблемных территорий.
Сочетание классификации материалов дистанционного зондирования, оценки показателей ландшафта и индексов растительности предоставляет инструмент для оценки качества жизни и тенденций в городских районах.
