Классификация лесного покрова центральной части Сихотэ-Алинского заповедника с использованием космического снимка со спутника серии Landsat*.


 
Громыко М.Н., Шевляков А.М.,

Сихотэ-Алинский государственный биосферный природный заповедник.

* Статья 1996 г.

Аннотация:

Была изучена возможность использования данных, полученных с помощью ИСЗ Landsat Thematic Mapper (США) в 1992 г., для классификации лесного покрова, на примере лесов Сихотэ-Алинского биосферного заповедника на местности со сложным топографическим рельефом. При определении фактического видового состава древостоя и оптимальной типологии категорий с помощью спутника использовались материалы лесоустройства 1979г. Сделан вывод о принципиальной возможности использовать данные спутника для определения доминирующего вида взрослого древостоя, общая точность классификации по оценке к данным лесоустройства составила 79%, вместе с тем указана возможность заниженной оценки точности для данной классификации при использовании обобщенных данных.
 
В настоящее время известно, что данные, полученные с помощью коммерческого спутника серии Landsat (США), могут с достаточной точностью определять текущее состояние землепользования, за исключением районов со сложным рельефом. Точность классификации зависит от учета зависимости отражения солнечной энергии поверхностями, расположенными под разными углами к направлению потока света в момент съемки. Проводились различные исследования с учетом влияния топографии, начиная с данных сканера Landsat MSS (3,9), затем данных улучшенного 7-полосного сканера спутников Landsat 4 и Landsat 5 (5). При этом обычно используются цифровые модели земной поверхности, или DEM, что позволяет существенно улучшить точность классификации. В настоящее время развитие GIS-технологий позволяет существенно ускорить анализ спутниковых снимков путем програмного интегрирования GIS и среды классификации (2,6,8). Проводились также исследования спектра лесного покрова в видимом и инфракрасном диапазонах с помощью ИСЗ. Показано, что такие факторы, как виды деревьев, сомкнутость крон, полнота, высота, диаметр, болезни древостоя влияют на отражение солнечной энергии. Сходные исследования в районах сложного рельефа (горные и холмистые местности) указывают на важность учета топографического эффекта (4,7).

Целью работы было выяснить возможность использования спутникового изображения местности в районе южной части Сихотэ-Алинского заповедника и прилегающей к нему с юга территории, полученного 1.08.1992 спутником Landsat 4, для классификации лесного покрова и для определения основных факторов, влияющих на точность классификации, с применением нового програмного комплекса ER Mapper rel.5.1, являющегося средством проведения классификации. Также важно было установить оптимальное число категорий классификации, доступных при пользовании ER Mapper,и их возможную связь с принятой системой классификации типов леса, отраженной в материалах лесоустройства заповедника, для последующего использования карт спутниковой классификации вместе с оцифровкой планшетов.

В качестве полигона для классификации был выбран участок Тернейского лесничества Сихотэ-Алинского заповедника на северных склонах хребта Дальний и в долинных участках р. Серебрянки и ее притоков в районе кордона Усть-Серебряный (рис. 1). Общая площадь выделов в этой части территории заповедника составила 29000 Га. Выбор района обусловлен а)наличием оцифрованной информации по лесоустройству для данного района б)наличием аэрофотоснимков данного района, по времени съемки совпадающих с последним лесоустройством 1979 г. в)имеющимися данными о полноте видового разнообразия древостоя в данном районе относительно других территорий в заповеднике (1).

Рисунок 1.
Область Сихотэ-Алинского заповедника, выбранная для проведения классификации лесного покрова,

Выбранное место характерно для лесных массивов восточных склонов средней части Сихотэ-Алинского хребта. Здесь присутствуют различные виды лиственных деревьев, в основном дуб монгольский Quercus mongolica, береза белая Betula mandshurica, липа амурская Tilia amurensis. Из хвойных деревьев здесь произрастают лиственница даурская Larix dahurica, ель аянская Picea ajanensis, пихта белокорая Abies nephrolepis, кедр корейский Pinus koraiensis. Типы леса, с соответствующими доминирующими видами, и данные о процентном соотношении площадей, занимаемых основными формациями, суммироваными по признаку доминирующего вида, приведены на основе статистики для выбранного района по данным лесоустройства 1979г.

Таблица 1.

Процентное соотношение площадей формаций в изучаемой области.

Лиственничники                      тт. 21 - 28                 6%

Ельники                                     тт. 29 - 31                 10%

Кедровники                               тт. 1 - 20                   47%

Березняки                                   тт. 38,39,44,45         13°s

Дубняки                                      тт. 32 - 37                 12%

Долинные широколиственные тт. 40-43,46-49         10%

 

Рельеф выбранной области характерен наличием склонов всех экспозиций с крутизной 15 - 30 градусов, незначительная часть склонов большей крутизны у гребня хр. Дальний. На склонах имеются каменистые россыпи.

Используя GIS систему ARC/INFO, планшеты с нанесенными границами выделов масштаба 1:25000 были оцифрованы дигитайзером и спроектированы для удобства совместимости с форматом ER Mapper в координатную систему UTM.

Общая площадь фрагмента спутникового изображения, отделенного от основного снимка, при размерах 784 х 530 пикселов составила 33750 Га. Разрешающая способность (велична пиксела в реальных координатах) известна для данного спутника и составляет 28.5 м. При исследовании снимка были обнаружены периодические изменения яркости (полосы) в каждой из 7 спектральных составляющих полос снимка (особенно заметные в синей полосе видимого спектра), вызванные неравномерными показаниями детекторов спутника. С помощью ER Mapper была проведена процедура статистического усреднения (destriping), т.е. устранение полос, после чего фрагмент был трансформирован в реальную систему координат UTM zone 53 с параметрами эллипсоида Красовского. Матрица корреляций спектральных полос позволяет выбрать для классификации полосы 1,2,4,5 и 7.

При выборе участков тренировки классификации были использованы карты лесоустройства, повыдельные характеристики древостоя, цветные аэрофотоснимки местности. Учитывались, прежде всего, видовой состав древесного яруса на данном участке, полнота, визуально оценивалась однородность покрова выдела. Суммарные статистическе данные о распределенности основных групп типов леса по различным экспозициям позволяют выделить как категории классификации леса на солнечных (ю, юв, в), полутемных и темных склонах (св,юз,сз,с,з). Точность указанных в описании характеристик экспозиции и крутизны склонов была оценена с помощью построения DEM, и в основном не расходится с полученной математической моделью.

В итоге нами были выбраны как классы светлый дубняк (OL), темный дубняк (OD), светлый березняк (BL) , темный березняк (BD), долинный широколиственный лес (IKY), светлый кедровник (К1), темный средний кедровник (К2), темный густой кедровник (КЗ), долинный кедровник (К4), лиственичник густой с кедром (LD1), лиственичник густой с дубом и березой (LD2), лиственичник с обилием широколиственных (LD3), ельник (Е) , каменистые россыпи на светлых склонах (ST_L), то же на темных (ST_D) (Табл. 2) . В качестве меры, показывающей относительное расстояние классов, использовалось расчитываемое ER Mapper взвешенное расстояние между средними значениями для классов по пяти полосам.

Таблица 2.

Типы леса, видовой состав, экспозиция и склон (в градусах) для тренировочных регионов классов.

Название # типа Состав взросл.древостоя Экспоз. Склон

BL 44 5ббл2дм1ос1лпа se 31

BD 44 5ббл3ос1лпа1пб n 28

OL 33 3дм2ббл2лпа2ос1кл е 21

OD 33 3дм2ббл1кп1ос1лд1кк1пб sw 28

IKY 46 3ббл2илд2ям2ос1кп - -

К1 5 4кк1пб3ббл1бж1лпа е 28

К2 10 4кк3пб2еа1бж n 15

КЗ 10 5кк2пб2еа1ббл nw 28

К4 17 4кк2пб1еа1бж1лпа1тм - -

К4 17 3кк1пб1еа2тм1ббл1ям1илд - -

LD1 28 8лд2кк nw 35

LD2 21 7лд1кк1ббл1дм n 28

LD3 21 3лд3ббл2ос1дм1кп nе 28

Е 29 4еа2кк1пб2ббл1лпа nе 12

Здесь:
ббл-береза белая, бж-береза желтая, дм-дуб монгольский, еа-ель аянская, илд-ильм долинный, кк-кедр корейский,лд-лиственница даурская,кл-клен, лпа-липа амурская, ос-осина, пб-пихта белокорая, тм-тополь Максимовича,ям-ясень манчжурский.

Классификация проводилась по методу максимального правдоподобия с последующим сглаживанием по 5 пикселам. Полученные карты с наложенной для ориентировки повыдельной сеткой сравнивались с генерализованной по типам леса, вошедшим в одну категорию классификации, картой базы данных лесоустройства. Отмечено, что состав классов внутри одного выдела (средняя площадь 15 Га ) характерен наличием нескольких классов с преобладанием какого-либо одного. Этот факт может быть объяснен как действительно имеющая место неоднородность лесного покрова внутри выдела. Исходные карты лесоустройства могли носить обобщенный характер по интересующим нас признакам для каждого данного выдела.

Точность классификации оценивалась путем повыдельного сравнения. Каждому выделу присваивался класс, преобладающий внутри его границ. Всего было проанализировано 303 выдела общей площадью 9418 га. Составлена матрица ошибок с учетом того, что классы кедровников К2 и КЗ принадлежат к одному типу леса, как и классы LD2 и LD3. При оценке точности классификации использовались суммарные значения площадей выделов. Отмечено, что большую долю ошибок классификации составляют ошибки внутри "квадрата" кедровников и лиственичников, т.е. внутри каждого из надклассов. Таким образом, подсчитаны значения правильной классификации для каждой формации.

Таблица 3.

Точность классификации для отдельных формаций.

Березняки                 37%

Дубняки                     78%

Долинные широкол. 100%

Кедровники                 85%

Лиственичники           83%

Ельники                         68%

Общая точность классификации при данном методе оценки составила 79%. Отдельные низкие значения, как в случае березняков, могут быть объяснены сходством в составе выделов, использованых при тренировке классификации, издержками генерализации сравнительной карты, а также изменениями в древостоях с 1979 по 1992 гг, а именно, выходом в ярус хвойных в некоторых выделах, сложностью состава древостоя березняков.

Другим способом оценки точности классификации, еще более зависящим от обобщений сравнительной карты, условно принимаемой за истину, является попиксельное сравнение двух карт при их взаимном наложении. Для сравнения был проделан также этот анализ, причем процент точности классификации упал по сравнению с предыдущим для дуба до 57% (Рис. 2), для долинных широколиственных (100% предыдущим способом) - до 58%, для лиственичников - до 43%. Случайное наложение двух карт дало значения около 20 % для каждого рассмотренного класса. Очевидно, что данный способ оценки является менее реалистичным в силу указанной выше условной истиности сравнительной карты.
 

Рисунок 2.
Попиксельное сравнение карты лесоустройства 1979 (а) и результатов классификации снимка (б) для дубняков(1), долинных широколиственных лесов (2) и лиственничников (3). Размеры фрагментов порядка 10x10 км.

Следует подчеркнуть, что в данном исследовании как при тренировке, так и при оценке классифкации для идентификации типа леса на местности были использованы описания лесоустройства, со времени которого на момент снимка прошло 13 лет. Разрешающая способность спутника составляет 0.08 Га, т.е. на выдел в среднем приходится около 200 пикселов. Таким образом, при использовании более точных уг современных данных, взятых в весенне-летний период на местности в конкретных участках, было бы возможно как тренировать классификатор на участках с точно известными параметрами, так и оценивать точность по случайно пространственно распределенным точкам.

Заключение:

Мы провели исследование возможности использования снимка, полученного со спутника Landsat, для составления и поддержания базы данных по лесоустройству на основе принятой типологии лесов. Можно сделать вывод, что многоклассовый подход, используемый при наземной классификации, едва ли применим в случае классификации космических снимков, т.к. многие параметры наземной классификации при своем различии не вносят изменений в спектр отражаемой солнечной энергии. С другой стороны, подтверждена принципиальная возможность использовать снимок для определения групп типов леса, объединяемых по признаку доминантного вида, полноты, при учитывании геометрических особенностей отражающей поверхности. Использование базы данных по лесоустройству, являющейся более полной и разнообразной, для классификации лесов из космоса было бы наиболее эффективным при одновременном пространственном и качественном уточнении характеристик выделов на местности с помощью точной координатной привязки (методом GPS). Общая точность проведенной классификации, составившая 79%, может быть заниженой в силу условности методики оценки с использованием карты типов леса.
 
Авторы благодарят Т.Меррилла (ун. Айдахо, США) за предоставленный им снимок Landsat и литературу.
 
Список литературы:

1.Петропавловский, B.C., В.В.Суханов, Н.А.Чавтур. Структура растительных сообществ Сихотэ-Алинского заповедника. Владивосток, Дальнаука, 1994.

2. Ferris, J.S., R.G. Congalton,1989. Satellite and Geographic Information System Estimates of Colorado River Basin Snowpack. Photogrammetric Engineering and Remote Sensing, Vol. 55:11, pp. 1629-1635.

3. Franklin, S.E.,1987. Terrain Analysis from Digital Patterns in Geomorphometry and Landsat MSS Spectral Response. Photogrammetric Engineering and Remote Sensing, Vol. 53:1, pp. 59-65.

4. Franklin, S.E.,1994. Discrimination of Subalpine Forest Species and Canopy Density Using Digital CASI, SPOT PLA, and Landsat TM data. Photogrammetric Engineering and Remote Sensing, Vol. 63:10, pp. 1233-1241.

5. Goodenough, D.G.,1988. Thematic Mapper and Spot Integration with a Geographic Information System. Photogrammetric Engineering and Remote Sensing, Vol. 54:2,pp. 167-176.

6. Janssen, L.L.F., M.N. Jaarsma, E.T.M. van der Linden, 1990. Integrating Topographic Data with Remote Sensing for Land-Cover Classification. Photogrammetric Engineering and Remote Sensing, Vol.56-11, pp. 1503-1606.

7. Leprieur, C.E., J.M. Durand, J.L. Peyron,1988. Influence of Topography on Forest Reflectance Using Landsat Thematic Mapper and Digital Terrain Data. Photogrammetric Engineering and Remote Sensing, Vol. 54:4, pp. 491-496.

S. Morse, A., T.J.Zariello, W.J.Kramber,1990. Using Remote Sensing and GIS Technology to Help Adjudicate Idaho Water Rights. Photogrammetric Engineering and Remote Sensing, Vol. 56:3, pp. 365-370.

9. Seidel, K., F. Ade, J. Lightenegger,1982. Augmenting Landsat MSS Data with Topographic Information for Enhanced Registration and Classification. IEEE Transactions on Geoscience and Remote Sensing, Vol. GE-21(3), pp. 252-258.