Применение данных дистанционного зондирования для картографирования земельного покрова

Содержание

1. 1. Дистанционное зондирование: сущность и роль3
2. 2. Спутниковые данные и их характеристики5
3. 3. Методы классификации земного покрова8
4. 4. Оценка точности и практическое применение10
5. Список литературы13

1. Дистанционное зондирование: сущность и роль

Дистанционное зондирование Земли (ДЗЗ), это процесс получения информации об объекте без непосредственного контакта с ним. В его основе лежит регистрация электромагнитного излучения, отражённого или испущенного земной поверхностью. В отличие от полевых исследований, такой подход позволяет охватить обширные территории за короткий промежуток времени, что особенно ценно для географического анализа.

Физическая суть ДЗЗ сводится к взаимодействию электромагнитных волн с веществом. Когда солнечный свет достигает поверхности, часть энергии отражается, часть поглощается, а часть рассеивается атмосферой. Интенсивность и спектральный состав отражённого сигнала зависят от свойств объекта: влажности, структуры, минерального состава. Например, хлорофилл в листьях активно поглощает красный свет и отражает ближний инфракрасный, поэтому растительность и обнажённая почва уверенно различаются на снимках. Именно эти различия в спектральных сигнатурах лежат в основе дешифрирования.

История развития ДЗЗ насчитывает более полутора веков. Первые аэрофотосъёмки выполнялись с воздушных шаров в середине XIX века. Позже, в годы Первой мировой войны, для этих целей стали использовать самолёты, а систематическое картографирование местности по аэроснимкам получило широкое распространение в 1930-х годах. Переломный момент наступил в 1972 году с запуском американского спутника Landsat-1. Его мультиспектральная съёмка открыла эру регулярного глобального наблюдения. Современные системы, такие как Sentinel-2 Европейского космического агентства, обеспечивают снимки с периодичностью в несколько дней и пространственным разрешением до 10 метров.

Для географии ДЗЗ стало самостоятельным источником научных данных, а не просто вспомогательным инструментом. Оно даёт возможность изучать

динамику природных явлений: таяние ледников, продвижение пустынь, зарастание сельскохозяйственных угодий. По данным научных работ, опубликованных в журналах «Современные проблемы дистанционного зондирования Земли из космоса» и «Вестник СГУГиТ», спутниковые снимки лежат в основе национальных карт растительного покрова, таких как карта России, созданная коллективом исследователей под руководством С.А. Барталева. При этом важно понимать, что ДЗЗ даёт лишь исходную информацию, которую необходимо верифицировать наземными наблюдениями. Однако именно она обеспечивает непрерывность и полноту картины.

Таким образом, дистанционное зондирование выступает фундаментом для мониторинга окружающей среды. Без него невозможно создание актуальных карт земного покрова, обновление топографических материалов и оценка антропогенного воздействия на ландшафты. Метод сочетает в себе физическую строгость измерений и широту пространственного охвата, что делает его незаменимым в современной географической науке.

2. Спутниковые данные и их характеристики

Спутниковые данные, которые используются для картографирования земного покрова, заметно отличаются друг от друга по трём параметрам: пространственному, спектральному и временному разрешению. От этих характеристик напрямую зависит, какие задачи решаются с помощью конкретного снимка и насколько подробной получится карта.

Пространственное разрешение показывает, какой размер объекта на местности попадает в один пиксель изображения. Разброс здесь огромный. Сенсор MODIS на спутниках Terra и Aqua даёт снимки с разрешением от 250 до 1000 метров на пиксель. Этого хватает для глобального мониторинга растительности или оценки площади пожаров, но для выделения отдельных полей или построек такие данные бесполезны. На противоположном конце шкалы находятся коммерческие аппараты WorldView-3 и WorldView-4, которые обеспечивают разрешение до 0,3 метра. При такой детализации можно различить не только отдельные здания, но и дорожную разметку. Между этими крайностями располагаются основные рабочие инструменты картографии: Landsat-8 и Landsat-9 дают 30 метров, а Sentinel-2A и Sentinel-2B, 10 метров в видимом диапазоне. Для большинства задач регионального масштаба, например для карт растительного покрова островов Куйбышевского водохранилища, данных Sentinel-2 достаточно, что подтверждается практикой из профильных статей.

Спектральное разрешение определяет, в скольких диапазонах электромагнитного спектра сенсор улавливает отражённое излучение. Мультиспектральная съёмка захватывает несколько широких зон: синюю, зелёную, красную и ближнюю инфракрасную. Последняя особенно важна для анализа растительности, так как здоровые листья активно отражают инфракрасные лучи. Landsat-8 регистрирует изображения в 11 каналах, Sentinel-2, в 13. Благодаря этому можно уверенно различать хвойные и

лиственные породы деревьев, а также отделять водные объекты от почв по их спектральным сигнатурам. У каждого типа земного покрова своя характерная кривая отражения; чем больше каналов доступно, тем точнее проходит граница между лугом и пашней. Гиперспектральная съёмка, например на аппарате EO-1 Hyperion, разбивает спектр на сотни узких полос. Такие данные позволяют определять даже видовой состав травянистой растительности или содержание хлорофилла в листьях, но их обработка требует серьёзных вычислительных мощностей, поэтому в рутинном картографировании они пока применяются редко.

Временное разрешение, то есть периодичность съёмки одного и того же участка, определяет, можно ли отслеживать динамику земного покрова. Спутники на полярных орбитах возвращаются к одной точке каждые несколько дней. Sentinel-2 снимает повторно каждые 5 дней на экваторе, а в умеренных широтах интервал сокращается до 2-3 дней из-за перекрытия соседних витков. Такая частота нужна для наблюдения за сезонными изменениями: сходом снежного покрова, началом вегетации, уборкой урожая. У аппаратов серии Landsat цикл составляет 16 дней, из-за чего они хуже подходят для мониторинга быстрых процессов, но вполне годятся для ежегодного картографирования. Данные MODIS поступают ежедневно; на их основе строят композитные изображения за неделю или месяц, очищенные от облачности, и затем создают карты растительного покрова всей России. Такую работу проделал коллектив авторов для статьи в журнале «Современные проблемы дистанционного зондирования Земли из космоса».

Основным источником данных для научных исследований остаются открытые архивы. Программа Landsat работает с 1972 года и накопила более 50 лет непрерывных наблюдений, что делает её незаменимой для анализа долговременных изменений ландшафтов. Европейская программа Copernicus даёт бесплатный доступ к данным Sentinel, в том числе к радиолокационным снимкам Sentinel-1, которые выручают при сплошной

облачности. Американский MODIS и французские аппараты SPOT, несмотря на свои ограничения по разрешению, дополняют общую картину. Современные порталы вроде USGS EarthExplorer или Copernicus Open Access Hub позволяют скачивать и архивные, и оперативные снимки в автоматическом режиме, так что проблема нехватки исходных материалов практически снята. Выбор конкретного источника всегда сводится к балансу между нужной детализацией, требуемой частотой съёмки и объёмом данных, которые предстоит обработать.

3. Методы классификации земного покрова

Разрозненные спектральные данные сами по себе ещё не карта. Чтобы превратить снимок в набор категорий земного покрова, необходимо применить один из методов классификации. У каждого из них своя логика, свои сильные стороны и свои ограничения.

Исторически первым и самым простым подходом остаётся визуальное дешифрирование. Эксперт анализирует снимок, опираясь на дешифровочные признаки: форму объектов, их текстуру, взаиморасположение, а также характерные тени (они позволяют оценить высоту и структуру растительности). Такой подход незаменим для распознавания мелких или сложных объектов, например, отдельных построек или пород деревьев. Однако у него есть фундаментальный недостаток: высокая трудоёмкость при обработке больших территорий и неизбежная субъективность. Два разных исследователя, глядя на один и тот же кадр, могут по-разному провести границу между лугом и пашней. Результат в таком случае практически невоспроизводим.

Альтернативой ручному труду стала автоматизированная классификация. Она оперирует числовыми значениями яркости пикселей в разных спектральных каналах. Здесь выделяют два принципиально разных подхода. Первый, контролируемая классификация, требует активного участия человека на этапе обучения. Исследователь задаёт эталонные участки (обучающие выборки) для каждого класса, например, «лес» или «вода». Алгоритм анализирует их спектральные сигнатуры и по определённому правилу относит все остальные пиксели к тому классу, чей эталон им ближе. Классический пример такого правила, метод максимального правдоподобия, рассчитывает вероятность принадлежности пикселя к каждому классу на основе статистического распределения яркостей. При корректно подобранных и репрезентативных обучающих данных этот метод показывает высокую точность. Но ошибка в выборе эталона способна заметно исказить результат. Например,

если в выборку «леса» случайно попадает участок тени.

Второй подход, неконтролируемая классификация, или кластеризация, работает без предварительных знаний о территории. Алгоритм самостоятельно группирует пиксели в кластеры по степени спектральной близости. На выходе исследователь получает набор статистически однородных групп. Однако их содержательная интерпретация (ответ на вопрос «что это за объект») остаётся за человеком. Например, и тёмный хвойный лес, и глубокое озеро могут дать сходные спектральные характеристики в ближнем инфракрасном диапазоне. Различить их позволит только анализ дополнительных каналов или визуальный контроль. Несмотря на кажущуюся простоту, этот метод часто оказывается полезным как первый шаг для анализа неизвестной территории или для выявления неоднородностей внутри уже известных классов.

Современный этап развития методов связан с машинным обучением. Алгоритмы, такие как случайный лес или свёрточные нейронные сети, способны улавливать сложные нелинейные зависимости в данных, недоступные классическим статистическим методам. Случайный лес строит множество решающих деревьев на основе случайных подвыборок пикселей и признаков, а затем «голосует» за итоговый класс. Нейронные сети, в свою очередь, учитывают не только спектр пикселя, но и его текстурное окружение. Это критически важно для анализа сложных ландшафтов, таких как мозаичные сельхозугодья или зоны лесотундры. Исследования последних лет (в частности, работы по классификации островов Куйбышевского водохранилища по данным Landsat 8) показывают, что машинное обучение даёт прирост точности в среднем на 5-15% по сравнению с методом максимального правдоподобия. Особенно заметна эта разница на территориях с перекрывающимися спектральными сигнатурами классов. Эффект достигается за счёт того, что модели обучаются на огромном количестве признаков, извлечённых из снимка, и менее чувствительны к шумам и вариативности освещения.

4. Оценка точности и практическое применение

Классификация земного покрова приобретает научную ценность только после строгой проверки результата. Верификация строится на сопоставлении автоматически выделенных классов с эталонными данными: полевыми наблюдениями, более детальными снимками или материалами топографических съёмок. Результаты сравнения сводятся в матрицу ошибок. Это квадратная таблица, где строки соответствуют фактическому состоянию поверхности, а столбцы предсказанному алгоритмом. Диагональные элементы показывают число верно распознанных пикселей. Смещения от диагонали выявляют систематические ошибки: лес, принятый за луг, или пашню, отнесённую к застройке.

На основе матрицы вычисляют два ключевых показателя. Общая точность это доля корректно классифицированных объектов в общем объёме выборки. Критерий обманчив. При доминировании одного класса (например, тайги) он может оставаться высоким даже при полном провале распознавания редких категорий. Поэтому используют индекс Каппа, который учитывает вероятность случайного совпадения. Значение Каппа выше 0,8 считается отличным результатом. Диапазон 0,6-0,8 приемлем для региональных карт. Всё, что ниже, требует пересмотра обучающих выборок или самой методики. Такой подход описан в работе по классификации островов Куйбышевского водохранилища, где спутниковые данные Landsat 8 OLI позволили достичь Каппа 0,87.

Проверенная карта превращается в рабочий инструмент географа. Первое и самое очевидное применение это фиксация динамики ландшафтов. Сравнивая разновременные снимки, исследователи отслеживают сокращение лесов, зарастание сельхозугодий, миграцию русел рек. Особое место занимает урбанизация. Серия карт за 10-20 лет наглядно показывает расползание городов, поглощение пригородных полей и смену теплового контура территории. Такие данные ложатся в основу схем

территориального планирования, позволяя чиновникам видеть реальную скорость застройки, а не только декларируемые цифры.

Карты земного покрова служат базой для оценки природных ресурсов. По спектральным сигнатурам пастбищ и сенокосов рассчитывают биомассу. По площадям водно-болотных угодий судят о запасах торфа. Контуры гарей и вырубок позволяют оценить ущерб лесного хозяйства. Климатические модели также опираются на эти данные. Альбедо поверхности, шероховатость рельефа и интенсивность испарения напрямую зависят от типа покрова, поэтому региональные климатические прогнозы без актуальной карты теряют точность.

Отдельная сфера применения ДЗЗ обновление топографических карт. Традиционные съёмки устаревают за 5-10 лет, тогда как спутниковые изображения дают актуальную картину местности ежегодно. Это критично для районов активного хозяйственного освоения: новые дороги, карьеры, линии электропередач наносятся на карты без выезда в поле. Тематическое картографирование для регионального планирования идёт дальше. Создаются карты рекреационной нагрузки, степени деградации почв, экологического каркаса территории. Примером служит карта растительного покрова России, построенная по спутниковым данным. Она стала основой для оценки продуктивности экосистем на всей территории страны.

Дальнейшее развитие метода связано с двумя направлениями. Первое это переход на данные сверхвысокого разрешения (менее 1 метра на пиксель), которые позволяют различать отдельные строения, кроны деревьев и даже тропы. Это открывает возможности для картографирования городских экосистем и точного земледелия, но требует новых подходов к обработке из-за огромных объёмов информации. Второе направление глубокая интеграция с ГИС. Классифицированные растры соединяются с векторными слоями рельефа, гидрографии и административных границ. Такая связка позволяет автоматизировать расчёты площадей, строить буферные зоны и моделировать сценарии развития территории.

Оценка точности не завершает исследование, а запускает цикл заново. Выявленные ошибки указывают на слабые места методики, требующие уточнения обучающих данных. Этот итеративный процесс, где каждый новый снимок уточняет предыдущий результат, и составляет суть современного картографирования. Данные дистанционного зондирования перестали быть экзотикой. Они стали стандартным инструментом, без которого невозможно представить ни одно серьёзное географическое исследование.

СПИСОК ЛИТЕРАТУРЫ

1. Карта растительного покрова России, полученная по данным дистанционного зондирования Земли из космоса — http://jr.rse.cosmos.ru/article.aspx?id=1810

2. Классификация земного покрова островов Куйбышевского водохранилища по спутниковым данным Landsat 8 OLI — https://www.rjae.ru/index.php/rjae/article/view/232

3. Концепция наземного покрова Land Cover как основа дистанционного мониторинга земель — https://reg-geosystems-journal.ru/index.php/journal/article/view/202

4. Использование данных дистанционного зондирования Земли для картографирования территории — https://bulletin.esoil.ru/jour/article/view/896

5. Основы дистанционного зондирования Земли: прикладные аспекты — https://www.hse.ru/ba/geography/courses/1048867186.html

6. Дистанционное зондирование Земли и классификация изображений — https://vestnik.sgugit.ru/upload/vestnik/sborniki/2021/26_5/75-85.pdf

7. Учебное пособие по дистанционному зондированию Земли — http://program.isu.ru/ru/report/docs/konk_Uch_posob_2013/9.pdf

8. Классификация материалов дистанционного зондирования Земли — http://www.ulrmc.org.ua/publication/it/Automation%20of%20Landscapes%20Classification_rus.pdf