Спутниковые снимки Landsat в картографировании

Содержание

1. 1. История и роль Landsat в картографии3
2. 2. Технологии обработки спутниковых данных5
3. 3. Классификация земного покрова по снимкам7
4. 4. Оценка точности и перспективы применения10
5. Список литературы12

1. История и роль Landsat в картографии

Программа Landsat началась в 1972 году, когда NASA и USGS вывели на орбиту первый спутник серии, изначально называвшийся ERTS-1. Это был не очередной космический аппарат, а старт самой продолжительной непрерывной программы наблюдения Земли в истории. Ни один другой проект дистанционного зондирования не располагает столь длительным архивом данных: съемка ведется уже более пяти десятилетий. Благодаря этому исследователи могут проследить изменения ландшафтов с начала 1970-х годов до наших дней.

Пространственное разрешение снимков Landsat составляет 30 метров для большинства каналов. Это не слишком детально, но достаточно, чтобы различать поля, лесные массивы, городские кварталы и водные объекты. С 2008 года весь архив программы открыт для свободного доступа. Бесплатный характер данных сделал Landsat основным рабочим инструментом для картографов по всему миру, особенно в развивающихся странах, где бюджет на закупку коммерческих снимков ограничен.

Техническая эволюция программы шла через смену бортовых сенсоров. Первый аппарат нес мультиспектральный сканер MSS с разрешением 80 метров и четырьмя спектральными диапазонами. Спутники четвертого и пятого поколений, запущенные в 1982 и 1984 годах, получили тематический картограф TM: семь каналов, включая тепловой, и разрешение 30 метров в видимой и ближней инфракрасной зонах. Аппарат Landsat 7, стартовавший в 1999 году, оснащался улучшенным сенсором ETM+, который добавил панхроматический канал с разрешением 15 метров. Наконец, в 2013 и 2021 годах на орбиту вышли Landsat 8 и Landsat 9 с инструментом OLI. Этот сенсор увеличил число спектральных каналов до одиннадцати, добавив узкие диапазоны для изучения прибрежных вод и облаков.

Такое расширение спектральных возможностей напрямую повлияло на картографию. Появилась способность различать типы растительности по их

спектральным сигнатурам, оценивать состояние посевов и даже выявлять последствия пожаров. Данные Landsat стали основой для глобальных картографических проектов. Например, продукт Global Land Cover, созданный при участии программы, использует снимки Landsat для построения карт наземного покрова всей планеты с разрешением 30 метров. Монография Института космических исследований РАН под редакцией С. А. Барталева прямо указывает на Landsat как на фундамент подобных инициатив.

В системе географических данных снимки Landsat занимают промежуточное положение между грубыми метеорологическими изображениями с километровым разрешением и сверхдетальными коммерческими снимками субметрового класса. Это ниша регионального и национального масштаба. Именно здесь спутниковая съемка дает максимальную отдачу: покрывает огромные территории равномерно и без искажений, свойственных аэрофотосъемке. Архив USGS насчитывает миллионы сцен, что позволяет строить временные серии и анализировать динамику местности за десятки лет. Для картографа Landsat это не просто один из источников данных, а непрерывная летопись поверхности Земли, доступная каждому исследователю.

2. Технологии обработки спутниковых данных

Сырые данные, которые передает спутник, непригодны для прямого картографического анализа. Бортовые сенсоры регистрируют интенсивность электромагнитного излучения в условных цифровых отсчетах. Эти числа зависят от свойств земной поверхности, технических характеристик аппаратуры, состояния атмосферы и положения спутника на орбите. Поэтому первый этап обработки всегда начинается с радиометрической калибровки. Она преобразует безразмерные цифровые значения (DN) в физически осмысленные величины: коэффициент отражения (рефлектанс) для видимого и ближнего инфракрасного диапазонов либо температуру яркости для теплового канала. В архивах USGS для Landsat 8 и 9 эти коэффициенты уже заложены в метаданные. Однако исследователь, работающий с данными Collection 1 уровня L1TP, часто выполняет пересчет самостоятельно, используя формулы, приведенные в документации к сенсору OLI.

Калибровка решает проблему сравнения снимков, полученных разными датчиками в разное время. Но остается главный враг дистанционного зондирования: атмосфера. Молекулы водяного пара, аэрозоли и частицы пыли рассеивают и поглощают солнечное излучение, искажая спектральную сигнатуру объектов. Для удаления этого эффекта применяют атмосферную коррекцию. Один из распространенных подходов, метод DOS (Dark Object Subtraction), основан на допущении, что в сцене существуют пиксели с практически нулевым отражением, например, глубокие тени или чистые водоемы. Сигнал, зафиксированный в таких «темных объектах», считается чисто атмосферной добавкой, которую вычитают из всех остальных пикселей. Более строгие алгоритмы, такие как FLAASH или 6S, моделируют перенос излучения с учетом параметров атмосферы на момент съемки, но требуют дополнительных метеоданных. Без этой процедуры расчет вегетационных индексов (например, NDVI) будет давать смещенные значения, что критично для последующего

картографирования растительности.

После приведения сигнала к физическому смыслу необходимо решить пространственную задачу. Каждый пиксель снимка Landsat имеет размер 30 метров, но его координаты, зафиксированные бортовой системой навигации, могут отклоняться от истинного положения на местности на величину до сотен метров. Геометрическая коррекция устраняет эти искажения. Она использует наземные контрольные точки и цифровую модель рельефа, чтобы перепроецировать изображение в стандартную картографическую проекцию, например UTM. Современные продукты уровня L1TP уже содержат поправки за рельеф. Однако при создании карт на сложные горные территории иногда требуется дополнительная локальная привязка к более точным ортофотоснимкам.

Финальный этап предварительной обработки касается не отдельного кадра, а временной серии. Одиночный снимок Landsat редко бывает полностью безоблачным. Для обширных территорий это почти всегда проблема: даже летом отдельные участки закрыты облаками и их тенями. Решение лежит в создании композитных изображений. Идея проста: собирается серия снимков за определенный сезон (например, с июня по август), и для каждого пикселя вычисляется статистическая характеристика. Медианный композит, где берется медианное значение отражения для каждой спектральной полосы, устойчив к выбросам, таким как облака или случайные блики. Такой подход позволяет получить чистую, безоблачную картину местности, пригодную для автоматической классификации. В работах по глобальному картографированию, например в проекте Global Land Cover, именно медианные композиты из многолетних рядов Landsat служат базовой основой. Они обеспечивают сопоставимость данных для разных регионов планеты.

3. Классификация земного покрова по снимкам

Когда снимок приведён к отражательным характеристикам поверхности, перед исследователем встаёт главный вопрос: как превратить непрерывное поле яркостей в дискретные категории земного покрова. Ответ даёт классификация, которая на практике сводится к поиску спектральной сигнатуры каждого типа поверхности. Лес, вода, пашня и застройка по-разному отражают электромагнитное излучение в каналах Landsat, и именно эти различия становятся основой для тематической карты.

Исторически первым и наиболее доступным методом остаётся визуальное дешифрирование. Аналитик работает не с числами, а с изображением, опираясь на три группы признаков. Спектральные характеристики задают базовый тон объекта: вода в ближнем инфракрасном диапазоне выглядит почти чёрной, а густая растительность даёт яркое пятно. Текстурные признаки помогают отличить однородное поле от мозаичного лесного массива, где кроны создают характерную зернистость. Контекст, то есть взаимное расположение объектов, позволяет разделить схожие по яркости категории: луг в пойме и вырубка на водоразделе могут иметь близкие спектральные показатели, но их окружение подсказывает правильный ответ. Однако при всей простоте этот подход субъективен и крайне трудоёмок на больших территориях, поэтому для глобального картографирования он непригоден.

Автоматизация началась с контролируемой классификации, где основным элементом выступает обучающая выборка. Исследователь вручную задаёт эталонные участки для каждого класса, например, несколько десятков пикселей чистой воды или спелого леса. По этим образцам алгоритм вычисляет статистические параметры спектральных сигнатур, а затем относит каждый пиксель снимка к наиболее вероятному классу. Классический метод максимального правдоподобия предполагает, что распределение яркостей внутри класса подчиняется многомерному

нормальному закону, и для каждого пикселя рассчитывается вероятность принадлежности к каждому из эталонов. Метод даёт хорошие результаты на относительно однородных ландшафтах, но его слабое место, требование к качеству и полноте обучающих данных. Если выборка составлена небрежно или не отражает естественного разнообразия класса, ошибки множатся по всему снимку.

Альтернативу предлагает неконтролируемая классификация, которая не требует априорных знаний о территории. Алгоритмы вроде k-means или ISODATA самостоятельно группируют пиксели по близости их спектральных характеристик, разбивая изображение на заданное число кластеров. Исследователь получает набор спектрально однородных зон и уже на следующем шаге вручную интерпретирует, какой тип земного покрова скрывается за каждым кластером. Такой подход полезен для первичного знакомства с территорией, когда неизвестно, какие классы вообще присутствуют на снимке. Но он чувствителен к выбору начального числа кластеров и к естественной вариативности яркостей внутри одного типа поверхности.

Ограничения классических статистических методов стали особенно заметны при работе со сложными ландшафтами, где один и тот же класс имеет высокую внутриклассовую изменчивость. Здесь на сцену вышли алгоритмы машинного обучения. Случайный лес строит множество решающих деревьев на случайных подвыборках данных и усредняет их прогнозы, что делает метод устойчивым к шумам и переобучению. Метод опорных векторов (SVM) ищет оптимальную разделяющую поверхность между классами в многомерном пространстве признаков, что позволяет эффективно разделять даже близкие по спектрам категории. Исследования, например работы С. А. Барталева и его коллег по спутниковому картографированию, показывают, что на мозаичных территориях, где чередуются мелкие поля, перелески и застройка, точность таких алгоритмов на 10-15 процентов выше, чем у метода максимального правдоподобия.

Выбор конкретного метода определяется не только ландшафтом, но и доступными вычислительными ресурсами. Для небольшого снимка локальной территории достаточно и классического статистического подхода, а для создания национальной карты земного покрова на основе многолетних серий Landsat разумнее задействовать случайный лес. Принципиально важно понимать: ни один алгоритм не компенсирует плохой исходный материал. Классификация лишь переносит на карту те различия, которые уже заложены в спектральных сигнатурах, а задача исследователя, правильно эти различия выявить и интерпретировать.

4. Оценка точности и перспективы применения

Любая карта, построенная по снимкам Landsat, остается гипотезой, пока ее достоверность не проверена. Для этого применяется матрица ошибок, или таблица сопряженности, в которой фактические классы земного покрова сравниваются с теми, что распознал алгоритм. Диагональные элементы матрицы показывают число верных совпадений, а внедиагональные, ошибки пропуска и ошибки комиссии. На основе этой матрицы рассчитываются общая точность (доля правильных ответов) и индекс Каппа. Последний показатель особенно важен, так как он учитывает случайное согласие между картой и наземными данными. Значение Каппа выше 0,8 считается отличным результатом, ниже 0,6, сигналом о серьезных проблемах классификации.

Точность, однако, величина непостоянная. Она напрямую зависит от пространственного разрешения сенсора. У Landsat пиксели имеют размер 30 метров, поэтому мелкие объекты (лесные поляны, узкие реки) неизбежно смешиваются с соседними классами. В сложных ландшафтах, где степи перемежаются с перелесками, ошибки растут даже при использовании продвинутых алгоритмов. Не меньшее значение имеет качество обучающих данных: если тренировочные выборки содержат ошибки или собраны на однородных участках, итоговая карта унаследует эти погрешности. Исследования, например работа по Среднему Поволжью, показывают, что на мозаичных территориях разница в точности между разными алгоритмами может достигать 10-15 процентов.

Впрочем, перспективы применения снимков Landsat сегодня выглядят оптимистично. Запуск Landsat 9 в сентябре 2021 года обеспечил непрерывность данных: вместе с Landsat 8 эти спутники обновляют снимки каждые восемь дней. Еще больший потенциал дает совместное использование с европейскими аппаратами Sentinel-2, у которых разрешение 10 метров и которые также находятся на солнечно-синхронной орбите. Комбинируя

их потоки, исследователи получают повторные съемки каждые два-три дня, что критично для регионов с частой облачностью. Такая интеграция позволяет строить карты с точностью, недостижимой для каждого спутника по отдельности.

Наконец, главное преимущество Landsat раскрывается при анализе временных серий. Архив, накопленный за полвека, дает уникальную возможность отслеживать динамику земного покрова. Сплошные рубки лесов, зарастание пашен, наступление городов на сельхозугодья, все это видно при сопоставлении разновременных снимков. В работах, опирающихся на архивы USGS, ученые успешно выявляют зоны деградации земель и оценивают последствия пожаров по многолетним трендам вегетационных индексов. Соединение исторических снимков с потоковыми данными новых спутников превращает Landsat из простого источника изображений в инструмент прогнозирования. Возможность мониторинга в реальном времени, подкрепленная точностью верификации, делает эти данные основой для управления территориями на государственном уровне.

СПИСОК ЛИТЕРАТУРЫ

1. СПУТНИКОВОЕ КАРТОГРАФИРОВАНИЕ — http://www.iki.rssi.ru/books/2016bartalev.pdf

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

3. КАРТОГРАФИРОВАНИЕ РАСТИТЕЛЬНОГО ПОКРОВА — https://press.psu.ru/index.php/geogr/article/view/5319

4. УДК 504.064.37:528.8 — https://elib.bsu.by/bitstream/123456789/312514/1/56-60.pdf

5. Развитие методов спутникового картографирования — http://smiswww.iki.rssi.ru/default.aspx?page=940

6. Оценка точности и сопоставимости тематических карт лесного покрова разного пространственного разрешения на примере Среднего Поволжья — http://jr.rse.cosmos.ru/article.aspx?id=1467

7. Системы съемки спутников типа Landsat — https://geol.vsu.ru/ecology/ForStudents/4Graduate/RemoteSensing/Lection04.pdf

8. Спутники наблюдения за Землей Landsat и Sentinel-2 — https://www.esri.com/ru-ru/arcgis/products/unlock-earths-secrets