Геоэкология. Инженерная геология, гидрогеология, геокриология, 2023, № 3, стр. 88-97

ВВЕДЕНИЕ

Категория песчаных земель является наиболее уязвимой для ведения хозяйственной деятельности. Так, территория Казанско-Вешенского песчаного массива, с момента ее освоения человеком, постоянно подвергалась антропогенной сельскохозяйственной нагрузке. Вследствие нерационального природопользования, неконтролируемой вырубки деревьев и использования земель для хозяйственной деятельности на песчаном массиве стали активно проявляться дефляционные процессы, что способствовало увеличению территории открытых песков, а плодородный слой почвы быстро деградировал [3]. Чтобы предотвратить процессы дефляции и улучшить состояние песчаных земель и микроклиматических показателей, с 1920-х годов ведутся регулярные исследования по изучению песчаного массива. В результате было установлено, что для замедления процессов деградации почвенно-растительного покрова на песчаных почвах подходит способ создания защитных лесонасаждений из сосны обыкновенной (Punis sylvestris) и сосны крымской (Punis nigra subsp. pallasiana), так как эти виды хорошо адаптируются в местных почвенно-климатических условиях [2, 5, 6, 8, 14].

Вопрос хозяйственного использования песчаных земель в бассейне Дона и его притоков весьма актуален. В настоящее время для проведения предварительного анализа местности используются методы дистанционного зондирования Земли (ДЗЗ), которые являются неотъемлемой частью для разработки первичных рекомендаций по оптимизации природопользования на песчаных землях.

В рамках выполнения работы поставлена задача сравнить точность дешифрирования спутниковых снимков Landsat-8 ключевого участка Казанско-Вешенского песчаного массива с помощью двух методов: построение NDVI и полуавтоматической классификации с обучением на снимке в “естественных цветах”.

МАТЕРИАЛЫ И МЕТОДЫ

Казанско-Вешенский песчаный массив, площадь которого составляет около 100 000 га (рис. 1), занимает южную оконечность Калачской возвышенности на севере Ростовской области в Верхнедонском и Шолоховском районах, а также Кумылженский район Волгоградской области, с координатами центра 49°68′ с.ш., 41°76′ в.д. [12].

По климатическому районированию массив относят к Донецко-Донскому району степного климата с неустойчивой зимой и умеренно-засушливым летом. Годовой радиационный баланс положительный и составляет 111–113 ккал/см², его максимум приходится на июнь-июль, а минимум – на декабрь-январь. В зимнее и летнее время года на территории преобладают умеренно-континентальные воздушные массы, повторяемость которых в году составляет 68%, арктических – 11%, тропических – 21%. Амплитуда температуры воздуха ярко выражена в течение года. Средняя годовая температура составляет 6.9°С. Самый холодный месяц – январь (–8.8°С), самый теплый – июль (22.6°С). Среднегодовое количество осадков составляет 444 мм. Среднее число дней с осадками 122 за год. Четко выделяются два максимума: в июле (53 мм) и ноябре (41 мм). Большая часть осадков выпадает в летнее время.

Долина р. Дон на данной территории врезана в четвертичные, неогеновые, палеогеновые, меловые и каменноугольные породы. В отложениях кайнозойской эры широко представлены пески (по цвету от белых до ржавых), местами сцементированные в песчаники.

Характерные черты рельефа – равнинность и четкое выделение двух надпойменных террас, которые расположены в субширотном направлении. На I надпойменной террасе рельеф равнинный, на II террасе – бугристо-холмистый.

Казанско-Вешенский песчаный массив расположен в черноземной зоне. Легкие степные почвы песчаного массива азональны. Зональными почвами являются южные черноземы тяжелого механического состава. Материнские породы тяжелых почв водоразделов – элювиальные, делювиальные или эоловые лессовидные суглинки, у легких почв надпойменных террас – это аллювиальные неперевеянные или перевеянные пески [9].

По комплексному ботанико-географическому районированию район песчаного массива входит в Евразийскую степную область. Степная растительность является зональной, лесная – экстразональная. Распространение лесов совпадает с подзоной разнотравно-ковыльных степей, но небольшие лесные участки встречаются и в северной части подзоны типчаково-ковыльных степей [4].

Теоретическое исследование проводилось на ключевом участке, который расположен в юго-западной части Казанско-Вешенского песчаного массива. Площадь участка составляет 7093.6 га с координатами центра 49°.65′ с.ш., 41°.35′ в.д. (рис. 2).

В работе использовались снимки спутника Landsat-8 с пространственным разрешением 15 м/пиксель в период вегетации растений (дата съемки 07.07.2020 г.). Отдельно классифицировался спутниковый снимок (дата съемки 12.03.2019 г.) для получения информации о площади, занимаемой лесными культурами сосны. Основным критерием выбора изображений служило отсутствие облачности на территории исследуемого участка.

На этапе предварительной обработки спутниковых снимков для устранения различных искажений, внесенных наличием атмосферы, проведена коррекция изображений.

При построении картосхемы ключевого участка применялись два способа: первый – применение полуавтоматической классификации с обучением (SC) по эталонным участкам; второй – полуавтоматическое дешифрирование по нормализованному вегетационному индексу (NDVI).

При дешифрировании выделялись следующие классы растительного покрова: открытые пески; слабозаросшие пески; заросшие пески; кустарниковая и травянистая (вегетирующая) растительность; лесные культуры сосны; лиственные древостои. Степень зарастания песков естественной растительностью оценивалась по проективному покрытию: открытые пески – менее 10%; слабозаросшие (включая среднезаросшие) – от 10 до 50%; заросшие – более 50% [11]. В данном разделении изображения спутникового снимка ключевого участка на классы отдельно от заросших песков выделялась травянистая растительность, которая в рассматриваемый временной период находится в стадии вегетации.

В результате классификации полученное растровое изображение переводилось в вектор, а класс “лиственные древостои”, при использовании обоих способов обработки снимков, обрезался по слою лесных культур сосны, полученного в результате обработки снимка, сделанного в период отсутствия вегетации прочей растительности. То есть на летнем снимке лиственные древостои выделяются с культурами сосны. Для оценки точности дешифрирования полученного результата использовался коэффициент Каппа Коэна.

Классификация по первому способу представляет собой выделение классов на спутниковом снимке при помощи обучаемой полуавтоматической классификации, которая заключается в поиске и выделении эталонных участков на снимке. Для наиболее точного выделения эталонов (и соответственно классов) на снимке в “естественных цветах” (синтезирование каналов спектрального диапазона 4-3-2) необходимо визуально проанализировать изображения, полученные в результате синтезирования каналов различного спектрального диапазона, рекомендованные для работы со спутниковыми снимками Landsat-8 [1]:

− 5-4-3 – “искусственные цвета”. Комбинация использовалась для изучения состояния растительного покрова местности. Растительность отображается в оттенках красного, цвет почвы – от темно- до светло-коричневого, открытые пески – белый, пески различной степени зарастания – зелено-голубой цветовой гаммы. Преимуществом данного сочетания каналов является возможность различать хвойные лесонасаждения (темно-красный) от широколиственной растительности. Более светлые оттенки красного обозначают вегетирующую травянистую и кустарниковую растительность. В этой комбинации использовался спутниковый снимок за 12.03.2019 г.;

− 5-6-4 – комбинация представляет собой сочетание ближнего, среднего ИК-каналов и красного видимого канала и позволяет рассмотреть скрытые детали, плохо видимые при использовании комбинации “естественные цвета”. Растительность отображается в различных тонах зеленого, коричневого и оранжевого. Данное синтезирование применялось для выделения на местности открытых, слабозаросших и заросших песков на снимке за 07.07.2020 г.;

– 4-3-2 – отображение космоснимка в “естественных цветах” (RGB). В данном случае использовались каналы видимого для человеческого глаза диапазона, а именно: красный, зеленый и синий. Здоровая растительность – зеленая, больная и прекратившая вегетацию растительность – коричневая или желтая, вода – оттенок темно-синего. Используется для предварительной визуальной оценки местности, но ее недостатком является трудноразличимость одного типа растительности от другого. Использовался только снимок летнего периода.

Второй способ – построение по нормализованному вегетационному индексу (NDVI) – один из самых используемых показателей для числовой оценки качества и количества фотосинтетически активной биомассы. Он базируется на анализе двух наиболее стабильных (не зависящих от прочих факторов) участках спектральной кривой отражения растительности и отличается простотой построения [7]. Высокие показатели индекса указывают на плотный растительный покров, а низкий – на разреженность покрова или же его отсутствие.

NDVI рассчитывается как соотношение между значениями каналов красного (R) и ближнего инфракрасного (NIR) каналов (Band) [7]:

После расчета полученное изображение классифицировалось на основе критериев оценки вегетационного индекса, представленных в табл. 1, и визуальной оценки спутникового изображения местности (синтезирование каналов 4-3-2).

С учетом особенностей местности рассматриваемого участка (песчаные земли) проведена адаптация изначального типа объекта, а опытным путем в ходе выполнения работы изменены граничные значения индекса для повышения достоверности классификации (табл. 2).

Полученные картографические материалы со спутникового снимка Landsat-8 проверялись на точность дешифрирования на основе архивного спутникового изображения местности в Google Earth за 07.07.2020 г. Одним из самых простых способов такой проверки является применение коэффициента Каппа Коэна.

Данный способ основан на построении матрицы ошибок, где указывалась как погрешность дешифрирования для каждой категории, так и ошибки, связанные с неверной классификацией. Количество контрольных точек (пикселей) устанавливалось согласно методике от 70 до 100 на класс [13, 15, 16].

Оценка точности дешифрирования состоит из нескольких этапов [10]:

1. Расчет суммарной погрешности (overall accuracy):

где: Total number of correctly classified pixels (digital) – общее количество правильно классифицированных пикселей по диагонали в матрице; Total number of reference pixels – общее количество опорных пикселей.

2. Анализ достоверности классификации (Producer’s accuracy):

где: Number of correctly classified pixels in category – количество правильно классифицированных пикселей в одной из категории; Total number of classified pixels in that category – общее количество классифицированных пикселей в одной из категории.

3. Расчет коэффициента Каппа Коэна (Kappa coefficient (K)):

где N – общее количество пикселей; r – количество строк в матрице ошибок; x_ii – количество наблюдений в строке i и столбце i (по главной диагонали); x_i+ – общее количество наблюдений в строке i (показано как общее количество точек (в табл. 4, 5 столбец “всего точек на класс, проставленные пользователем”)); x_+i – общее количество наблюдений в столбце i (показано как общее количество в нижней части матрицы (в табл. 4, 5 строка “итоговое количество точек на класс”)).

Для оценки полученных результатов использовалась следующая шкала: менее 40% – плохо, необходимо переклассифицировать изображение; от 40 до 75% – хорошо, картосхему можно переклассифицировать в зависимости от разрешения спутникового снимка и требований выполняемой задачи; более 75% – отлично, классификация проведена наиболее точно [17].

РЕЗУЛЬТАТЫ И ИХ ОБСУЖДЕНИЕ

На ключевом участке представлены 6 классов растительного покрова: открытые, слабозаросшие пески, заросшие пески, травянистая (вегетирующая) и кустарниковая растительность, лесные культуры сосны, лиственные древостои. Стоит отметить, что в рассматриваемой зоне полностью отсутствуют асфальтированные дороги, коммуникации, путепроводы и различные строения, что, в свою очередь, является положительным фактором при классификации местности, так как уменьшается количество классов, соответственно и погрешность дешифрирования. Результат классификации представлен на рис. 3.

На основе полученных изображений была составлена таблица для сравнительного анализа площади, занимаемой каждым классом (табл. 3).

В классе открытых песков разница в площади между двумя методами классификации растра составляет 252 га или 3.6%. Cлабозаросшие пески различаются на 270.8 га. Заросшие пески занимают бóльшее пространство при использовании NDVI, а именно 1449.0 га, что на 0.9% больше, чем в полуавтоматической классификации (68.3 га). В оставшихся трех классах наблюдаются небольшая разница по соотношениям занимаемой площади: в кустарниковой и травянистой растительности она составила 47.3 га, лесных культурах сосны – 20.7 га, лиственных древостоях – 17.9 га.

Таким образом, самые большие различия отмечены в трех классах песков, данное явление обусловлено применением разных методик классификации растрового изображения местности. Если при первом способе пользователь сам выбирает и задает эталоны классов на основе использования различных комбинаций каналов, то при использовании NDVI необходимо корректировать значения индекса для достижения максимальной точности дешифрирования спутникового снимка. Также, как отмечалось выше, для получения наиболее точных данных по культурам сосны использовался снимок за 12.03.19 г., что позволило с наименьшей погрешностью выделить классы кустарников и травянистой растительности; лиственные древостои.

На основе полученных данных составлена матрица ошибок для проверки точности дешифрирования при использовании способа полуавтоматической классификации (табл. 4).

Суммарная погрешность рассчитывается путем суммирования по диагонали количества правильных точек из каждого класса и делится на общее количество пикселей, проставленных пользователем (540 точек). При использовании данного способа общий процент точности составил 80.7%, что является отличным результатом. По матрице ошибок при использовании полуавтоматической классификации основная часть ошибок приходится на открытые, слабозаросшие и заросшие пески, а также на класс кустарниковой и травянистой растительности. Данный факт объясняется тем, что при выделении эталонных участков на снимке в “естественных цветах” некоторые пиксели могут находиться в одном и том же цветовом диапазоне, следовательно, они будут относиться только к одной из выделенных категорий. Повышает погрешность и пространственное разрешение спутникового снимка (15 м/пиксель.)

В матрице по нормализованному вегетационному индексу точность дешифрирования спутникового снимка составила 74.3%, что на 6.4% меньше, чем при первом способе (табл. 5). При использовании NDVI классы растительного покрова, у которых наблюдается наибольшая погрешность, остались те же. Но в данном случае это связано с тем, что даже несмотря на изменение граничных значений, разрешение спутникового снимка не позволяет повысить точность классификации. Особенно сильно выделяются классы открытых и слабозаросших песков (30 и 33 неправильных точек).

Сводные данные для оценки достоверности дешифрирования растрового изображения по двум способам классификации представлены в табл. 6. Классы открытых и слабозаросших песков точнее определялись через нормализованный вегетационный индекс. В первом случае разница составила 5.7%, а во втором – 16.6%. При этом заросшие пески с наименьшей погрешностью определились в полуавтоматической классификации, разница составила 13.8%. Также NDVI уступает по достоверности дешифрирования в кустарниковой и травянистой растительности на 8.7% и лесных культур сосны – на 2.6%. В то же время по обоим способам классификации лиственные древостои определились на 100%.

На основе полученных данных по матрице ошибок был произведен расчет коэффициента Каппа Коэна для полуавтоматической классификации растра (SC) и нормализованного вегетационного индекса (NDVI):

Таким образом, по данному коэффициенту метод полуавтоматической классификации растровых изображений оказался точен на 77.4%, что на 3.3% меньше, если считать по формуле суммарной погрешности. Точность классификации по NDVI равна 70.5%, что на 3.8% меньше, чем первоначальный результат оценки. В целом разница между двумя способами составила 6.9%.

ВЫВОДЫ

В результате классификации спутникового снимка Landsat-8 для ключевого участка Казанско-Вешенского песчаного массива был проведен расчет площадей, занимаемых каждым классом растительного покрова. Наибольшие отличия при применении двух разных методов дешифрирования заключаются в трех категориях песков: открытые (1.4–5.0% площади), слабозаросшие (8.2–22.0%), заросшие (19.5–20.4%).

На основе полученных картосхем, путем установки в каждом классе от 70 до 100 точек и проверки их достоверности с помощью архивного спутникового изображения были составлены матрицы ошибок, которые позволили рассчитать суммарную погрешность (Overall accuracy). Для полуавтоматической классификации она составила 80.7%, для NDVI – 74.3%. При этом по вегетационному индексу с меньшей погрешностью определились классы “открытые пески” и “слабозаросшие пески”, в остальных случаях метод SC оказался точнее.

Коэффициент Каппа Коэна для полуавтоматической классификации с обучением составил 77.4%, что является отличным результатом. Для NDVI коэффициент равен 70.5%, что является хорошим результатом. Разница в точности классификации составила 6.9%.

Учитывая полученный результат, в дальнейшем планируется продолжение работы по оценке точности дешифрирования спутниковых снимков песчаных земель, которая будет включать совмещение двух способов дешифрирования, рассмотренных в статье; использование данных со спутника Sentinel-2 с пространственным разрешением 10 м/пиксель; изучение и апробацию “ландшафтного индекса песчаных земель” на песках Среднего Дона.

Работа выполнялась в рамках государственного задания по теме НИР № FNFE-2022-0011 “Разработка новой методологии оптимального управления биоресурсами в агроландшафтах засушливой зоны РФ с использованием системно-динамического моделирования почвенно-гидрологических процессов, комплексной оценки влияния климатических изменений и антропогенных нагрузок на агробиологический потенциал и лесорастительные условия”.