Выработка требований к мультиспектральным данным дистанционного зондирования земли в задаче экспертизы зарастания пахотных земель древесно-кустарниковой растительностью

Экспертиза сельскохозяйственных угодий на предмет оценки их используемости в течение ряда лет является основой рационального использования земельных ресурсов. Участки, на которых отсутствует сельскохозяйственная деятельность за длительный период (20 лет), могут быть переведены в земли иных категорий или введены в оборот посредством установления нового собственника участка. В постановлении Правительства РФ от 23.04.2012 № 369 предусмотрен ряд критериев, определяющих состояние земельного участка как неиспользуемого. В их число входит залесённость и (или) закустаренность его пло- щади свыше, чем на 15 % [1]. Таким образом, экспертиза участков пашни на предмет зарастания древеснокустарниковой растительностью имеет большое хозяйственное значение и является одним из оснований для признания участка в качестве неиспользуемого. Формирование залежных участков получило особо широкое распространение в различных регионах РФ, начиная с 90-х, при этом в зарастании прежних пахотных угодий участвовали как аборигенные (например, берёза повислая, осина), так и интродуцированные в искусственные насаждения виды древесных растений (вяз мелколистный, клён ясенелистный, лох узколистный и др.).

Традиционным способом оценки залесённости является выезд на местность и формирование контрольных площадок в пределах исследуемого участка, на которых подсчитывается количество деревьев, средний диаметр крон и другие характеристики [2]. Однако данный способ является весьма трудоёмким и затратным.

Современные средства дистанционного зондирования Земли (ДЗЗ) и технологии классификации изображений способны сократить затраты на обследование участка. Изображения ДЗЗ могут быть получены без выезда на местность и обработаны в полуавтоматическом режиме, что позволяет сократить общую трудоёмкость обследований, в особенности при необходимости организации повторных обследований. Кроме того, использование архивных данных на территории позволяет побочно оценивать возраст образовавшихся на участке древесно-кустарниковых сообществ путём анализа результатов классификации в ретроспективе. В связи с этим исследование возможности использования данных ДЗЗ для экспертизы зарастания пашни является актуальной и перспективной задачей.

Особенностью растительного сообщества неиспользуемой пашни является сочетание различных типов травянистых естественных сообществ [3] и отдельно стоящих деревьев и кустарников, причём именно концентрация деревьев и кустарников определяет степень залесённости участка. Однако лишь некоторые методы классификации изображений могут определять отдельно стоящие экземпляры деревьев и кустарников, в том числе на фоне травянистых растительных сообществ [4–7]. Как правило, указанные методы требуют использования данных сверхвысокого разрешения (данных авиасъёмки), а также относительно большие обучающие выборки (несколько сотен пикселей), что бывает сложно обеспечить на практике.

На фоне указанных ограничений привлекательным является использование технологии анализа растительных сообществ на основе суперпиксельной сегментации, предложенной авторами настоящей статьи ранее в работе [8]. Особенностью предложенной технологии является использование предположения о локальной однородности растительных сообществ, что позволяет интерпретировать пространственно связные области с высокой степенью близости спектральных характеристик (суперпиксели) как ареалы, занятые одним типом растительности. Таким образом, на изображении, имеющем суперпиксельное представление, могут быть выделены даже малые участки одного типа растительности, в том числе отдельно стоящие деревья и кустарники. Кроме того, данная технология не требовательна к размеру обучающей выборки, формируемой экспертом для последующей классификации изображения.

Очевидным является тот факт, что качество данных ДЗЗ оказывает сильное влияние на результаты классификации. Однако применительно к рассматриваемой задаче анализа неиспользуемых пахотных зе- мель в целях экспертизы степени их зарастания отсутствуют сравнительные исследования качества различных источников ДЗЗ, что необходимо при переходе к использованию данных ДЗЗ для такого рода экспертиз. Поэтому в рамках настоящей статьи рассматривается вопрос влияния различных характеристик данных ДЗЗ на качество классификации состава растительного сообщества неиспользуемой пашни. В статье рассматриваются такие характеристики снимков, как спектральный состав, пространственное разрешение и дата наблюдений (или требования к оперативности съёмки). Результатом исследований является формирование требований к мультиспектральным данным ДЗЗ, применяемым для анализа неиспользуемых пахотных земель, на основе оценок качества классификации типовых растительных сообществ (элементарных классов растительности), а также качества оценки концентрации типовых растительных сообществ в пределах заданной окрестности пикселя. Сформулированные рекомендации могут быть применены при выборе средств ДЗЗ для проведения соответствующих экспертиз.

Общая характеристика растительного сообщества неиспользуемой пашни

Объектом экспертизы на используемость пахотных земель является земельный участок сельскохозяйственных земель, на котором предполагается длительное отсутствие деятельности по обработке почвы и выращиванию сельскохозяйственных культур. На таких участках в первые годы зарастания (5–8 лет) формируются устойчивые травянистые растительные сообщества и, при дальнейшем отсутствии обработки (более 10 лет), древесно-кустарниковые сообщества.

К числу травянистых сообществ, возникающих на брошенных пахотных землях, относятся разнотравнозлаковые и полынно-злаковые ассоциации. Основными характеристиками травянистого растительного покрова являются высота травостоя и проективное покрытие, отражающее долю площади, занимаемой надземными частями растений на единицу площади поверхности почвы. На основе этих характеристик уместно определять выделяемые в пределах анализируемого участка элементарные классы травянистой растительности.

Что касается древесно-кустарниковых сообществ, то их наиболее значимыми характеристиками являются: видовой состав, средний диаметр кроны, высота ствола и сомкнутость крон, отражающая отношение общей площади проекции крон деревьев и кустарников (без учёта площади перекрытия крон) к общей площади участка, на котором они расположены.

Степень зарастания участка древесно-кустарниковой растительностью определяется как доля площади, занимаемой этой растительностью на участке, от общей площади участка. При расчёте данного показателя учитываются как области, занятые сплошным лесом, так и совокупность отдельно стоящих на участке деревьев и кустарников, причём последние включаются в общую площадь древесно-кустарниковых растений как результат произведения площади кроны на количество экземпляров деревьев. На практике, как правило, применяются усреднённые показатели диаметра крон и концентрации деревьев и кустарников, так как при большой площади участка более точные измерения могут быть весьма трудоёмкими.

Таким образом, задача экспертизы заключается в определении суммарной площади участка, занятой древесно-кустарниковой растительностью на фоне различного рода травянистых растительных сообществ.

Данные наземных обследований

Выработка требований к мультиспектральным данным ДЗЗ, используемым для экспертизы зарастания сельскохозяйственных участков древесно-кустарниковой растительностью, производилась на примере двух контрольно-измерительных площадок (КИП) в Самарской области. Для этих КИП были доступны описания растительного покрова и его характеристики, полученные в ходе наземных обследований в 2016 году экспертами-экологами – сотрудниками кафедры экологии, ботаники и охраны природы Самарского университета.

Исследуемые участки, показанные на рис. 1, расположены в пределах земель сельскохозяйственного назначения в Кинельском районе Самарской области в окрестностях села Нижненикольское. Участки представляют собой залежные земли, на которых не производилась сельскохозяйственная обработка в течение 20 лет.

Участок 1 является примером пашни, заросшей вязом мелколистным (карагачом), что типично для Самарской области при отсутствии избыточного увлажнения. Высота древесного яруса на этом участке составляет до 8 м, сомкнутость крон – до 20%, а основой растительного сообщества являются разнотравно-злаковые ассоциации, отдельно стоящие вязы мелколистные и подрост деревьев и кустарников с высотой до 3 м (включая клён ясенелистный, сливу степную, яблоню лесную и др.).

Участок 2 представляет собой залежь, типичную для южных районов области и характеризуется неравномерным зарастанием древесно-кустарниковой растительностью с различными видами травянистого покрова. Древесно-кустарниковый ярус составляют деревья лоха узколистного возраста более 15 лет с диаметром проекции крон от 3 м до 5 м и высотой 6–8 м. Сомкнутость крон в среднем составляет 50%, местами достигает 90%. Травянистые растения представлены полынно-злаковой и разнотравно-злаковыми ассоциациями. Первая ассоциация характеризуется высотой травостоя до 1 м с проективным покрытием травостоя более 80%, вторая – высотой травостоя около 30 см с проективным покрытием до 80%.

На основе данных наблюдений были определены целевые элементарные классы растительности (ЭКР): 1. Низкая трава (класс 1 – разнотравно-злаковые ассоциации).

Высокая трава (класс 2 – полынно-злаковые ассоциации).

Деревья и кустарники (класс 3).

Разреженная низкая трава (класс 0 – области с высокой долей открытой почвы).

Рис. 1. Участки залежных земель:

участок 1 (а), участок 2 (б)

Данные ДЗЗ

Для выявления оптимального набора спектральных каналов были проанализированы синтезированные данные ДЗЗ. Для определения оптимальной даты съёмки и пространственного разрешения были исследованы архивные снимки участков наземных обследований, выполненные различными оптическими системами ДЗЗ высокого разрешения (5 м и менее). Выбор снимков высокого разрешения обусловлен необходимостью оценки отдельно стоящих экземпляров древесно-кустарниковой растительности, которые неразличимы на снимках среднего разрешения.

Перечень источников использованных данных ДЗЗ представлен в табл. 1. Снимки, полученные с аппаратов (КА) SPOT-7, SPOT-5 и Ресурс-П, были подвергнуты предварительной обработке с повышением пространственного разрешения за счёт комплексиро-вания с данными панхроматических сенсоров той же съёмочной системы ДЗЗ. Предварительная обработка производилась с помощью программного комплекса Scanex Image Processor 4.0 [9]. Снимки с платформы Google Earth [10] дополнительной обработке не подвергались.

Примеры снимков участка 2, полученных из различных источников, показаны на рис. 2.

Используемые методы и алгоритмы

Задачей исследования являлось сравнение данных ДЗЗ по различным параметрам для формирования к ним требований, соблюдение которых обеспечит вы- сокое качество экспертизы зарастания пашни древесно-кустарниковой растительностью.

Табл. 1. Используемые данные ДЗЗ

Год	Пространственное разрешение, м	Система ДЗЗ (тип сенсора, источник)
2016	0,8	Ресурс-П (Геотон, РКЦ «ПРОГРЕСС»)
2016	1,5	SPOT-7 (ИТЦ СКАНЭКС)
2015	≈ 0,5	Geoeye-1 и WorldView-1,2 (Google Earth)
2014	≈ 0,5	Geoeye-1 и WorldView-1,2 (Google Earth)
2012	2,5	SPOT-5 (ИТЦ СКАНЭКС)
2010	≈ 0,5	Geoeye-1 и WorldView-1,2 (Google Earth)

Рис. 2. Примеры снимков участка 2: SPOT-7, 02 . 06 . 2016, 1,5 м (а), Геотон, 31 . 08 . 2016, 0,8 м (б)

Использованная в исследовании технология анализа растительных сообществ по данным ДЗЗ [8] представляет собой совокупность следующих этапов: 1. Формирование пользовательской обучающей вы борки малого размера. На данном этапе эксперт должен определить на изображении области малого размера, соответствующие растительности целевых классов с высокой степенью концентрации.

• 2.    Выполнение суперпиксельной сегментации изображения (со входным параметром - порогом е , который задаёт яркостной диапазон внутри суперпикселя) и вычисление признаков суперпикселей. Результатом суперпиксельной сегментации явля-

• ется разбиение изображения на пространственно связные участки с высокой степенью однородности по яркости пикселей. В итоге каждый суперпиксель может быть интерпретирован как участок земной поверхности, занятый только одним ЭКР.

• 3.    Сопоставление суперпиксельной сегментации с пользовательской обучающей выборкой и формирование обучающей выборки, состоящей из суперпикселей для каждого ЭКР. На данном этапе отбираются такие суперпиксели, суммарная площадь пересечения с пользовательской выборкой которых для данного ЭКР составляет не менее T %. Данный этап позволяет сократить усилия эксперта по формированию выборки большого объёма с точным очерчиванием границ ареалов растительности.

• 4.    По обучающей выборке, состоящей из суперпикселей, инициализируется алгоритм кластеризации k-means [11], с помощью которого производится разметка всего изображения на ЭКР согласно принадлежности центру ближайшего кластера.

• 5.    Рассчитывается концентрация каждого ЭКР в окрестности D каждой точки изображения.

Таким образом, технология позволяет классифицировать изображение на ЭКР и определять их концентрацию. В [8] было показано, что применение суперпиксельной сегментации со значениями порога 2 е =10,15,20,25 обеспечивает качество классификации методом k-means выше, чем поэлементный подход (классификация проводилась по яркостным и геометрическим признакам суперпикселей). Однако вопрос оптимальности выбора спектральных каналов при этом был оставлен в стороне, как и анализ других важных характеристик снимков.

В рамках настоящего исследования для целевых ЭКР было произведено комплексное исследование качества данных ДЗЗ, необходимых для устойчивого определения рассматриваемых целевых ЭКР и, следовательно, для проведения экспертизы зарастания участков пашни древесно-кустарниковой растительностью.

Для выполнения анализа как синтезированных данных ДЗЗ, так и реальных данных были использованы следующие величины:

1. Вероятность верной классификации ЭКР:

Р =

N true

N total

где N true – количество пикселей контрольной выборки, проклассифицированных верно, N total – общее количество пикселей в контрольной выборке. Среднеквадратичная ошибка оценки концентрации по контрольной выборке:

^ =

£ £ ( C k ( m i ,m ² ) — C k ( m i ,m 2 m i , m 2 eE k = 0

N total K

1/2

где C k ( m 1 , m 2 ) и C ^ˆ _k ( m ₁, m ₂) – эталонная и оценённая концентрация класса k в окрестности D в точке m 1 , m 2 , принадлежащей множеству пикселей контрольной выборки Ξ .

В качестве контрольной выборки на синтезированных изображениях выступали все пиксели, так как маска классов была известна полностью. На реальных изображениях ДЗЗ экспертами были отмечены области с высокой степенью однородности растительного покрова.

Ниже представлены результаты экспериментальной оценки влияния параметров изображений ДЗЗ на качество описанных выше показателей. Данные показатели имеют непосредственный смысл при оценке качества самой экспертизы зарастания пашни, поскольку и концентрация классов, и непосредственно подсчёт количества пикселей, классифицированных в заданный класс по участку, могут быть переведены в целевые показатели, т.е. в оценку процента площади участка, заросшего древесно-кустарниковой растительностью.

Выработка требований к спектральному составу снимков

Для выработки требований к спектральному составу снимков было произведено экспериментальное исследование на синтезированных изображениях залежных земель ввиду малого количества доступных реальных изображений и желаемого обеспечения статистически более устойчивых оценок.

Имевшиеся в наличии изображения ДЗЗ (перечислены в табл. 1) были представлены в RGB и RGB+NIR спектральных диапазонах. Синтезированные изображения залежей были сформированы с максимальным количеством доступных каналов, т.е. RGB+NIR. Среди представленных в табл. 1 изображений NIR канал присутствовал только в изображениях, полученных при помощи SPOT-7 и Ресурс-П. Так как изображения Ресурс-П имели большее пространственное разрешение, то именно они были использованы для получения параметров распределения яркости исследуемых ЭКР.

Для каждого из классов растительности по примерам участков с высокой степенью однородности растительного покрова были рассчитаны математическое ожидание и корреляционная матрица значений яркости в RGB+NIR каналах, а также средний коэффициент пространственной корреляции пикселей. Затем при помощи спектрального метода по этим параметрам были сформированы стационарные случайные поля [12] с Гауссовым распределением яркости пикселей. Фрагменты данных полей в соответствии с маской классов составляли окончательное тестовое изображение.

Маски классов задавались как 6 квадратных областей фона (200×200 пикселей), расположенных в случайном порядке и соответствующих классам травянистой растительности № 0-2. Области, моделирующие распространение экземпляров древесно-кустарнико- вой растительности (класс № 3), накладывались поверх фоновых областей случайным образом и представляли собой квадраты размера 5×5 пикселей, что с учётом пространственного разрешения моделируемых снимков соответствует диаметру кроны 4 м. Примеры масок классов использованных синтезированных изображений ДЗЗ приведены на рис. 3.

для синтезированных изображений

В итоге было использовано 10 изображений размера 600×400 пикселей с различным пространственным расположением объектов каждого ЭКР, моделирующих яркости целевых классов в RGB+NIR каналах. Каждое модельное изображение имело эталонную разметку на классы и эталонное изображение концентрации классов в пределах окрестности D размером 25×25 пикселей.

Выбор рекомендуемого спектрального состава изображений ДЗЗ, позволяющего наилучшим образом классифицировать целевые ЭКР, производился путём использования всевозможных комбинаций рассматриваемых спектральных каналов (R, G, B и NIR). То есть из каждого тестового изображения предварительно формировалось изображение, имеющее определённую спектральную конфигурацию, и в качестве признаков суперпикселей на этапе кластеризации рассматривались только средние значения яркости суперпикселя в каждом выбранном спектральном канале.

В качестве значений порога суперпиксельной сегментации использовались значения 2 ε = 10, 15, 20, 25, зарекомендовавшие себя как наилучшие по результатам сравнения качества распознавания ЭКР с поэлементной кластеризацией методом k-means [8].

Пользовательская обучающая выборка для каждого из ЭКР включала по одной области размером 15×15, т.е. суммарно составляла 0,3 % пикселей изображения. В обучающую выборку суперпиксели выбирались путём сопоставления пользовательской обучающей выборки с границами суперпиксельной сегментации при значении параметра T =75%. Для расчёта концентрации использовалось окно D. В экспе- риментах и при расчёте эталонной концентрации его размер был равен 25×25 пикселей.

Наилучшие из полученных значений показателей качества p и ^ , а также соответствующие им удвоенные значения порога сегментации е для каждой группы спектральных каналов приведены в табл. 2. Значения показателей качества рассчитаны как средние по 10 модельным изображениям. Комбинации каналов, обеспечивающие наилучшие параметры качества, выделены в табл. 2 жирным шрифтом.

Табл. 2. Наилучшие значения показателей качества и соответствующие им значения порога суперпиксельной сегментации и спектральные составы исходных изображений

Каналы	2 е	p	^
NIR, R, B	20	1,00	0,01
NIR, G, B	25	1,00	0,01
NIR, R, G, B	25	1,00	0,01
NIR, R	10	1,00	0,01
NIR, G	10	1,00	0,02
NIR, R, G	10	1,00	0,02
NIR, B	20	0,99	0,04
R, B	10	0,97	0,04
R, G, B	15	0,93	0,09
NIR	10	0,87	0,16
G, B	10	0,80	0,22
R, G	10	0,77	0,23
R	10	0,77	0.22
G	20	0,66	0,33
B	10	0,53	0,37

Из табл. 2 видно, что все комбинации спектральных каналов, обеспечивающие наилучшие значения показателей качества, содержат ближний инфракрасный и красный спектральные каналы. Вторым по частоте включения является синий канал, а зелёный канал является менее информативным и присутствует всего в двух комбинациях. При этом для всех удачных комбинаций точность классификации на ЭКР составляет в среднем 1, а СКО оценки концентрации 0,01.

Следует отметить, что полученные результаты хорошо согласуются с результатами исследований качества классификации деревьев на снимках среднего разрешения в зависимости от спектральных каналов, приведённых в работах [13–14]. Авторы данных работ также отмечают высокую информативность синего, красного и ближнего инфракрасного спектральных каналов.

Выработка требований к сезону съёмки и пространственному разрешению данных ДЗЗ

Для исследования различных сезонов съёмки и влияния пространственного разрешения данных ДЗЗ было проанализировано десять снимков участка 1 и девять снимков участка 2 за разные даты.

Для каждого из участков имелись маски ЭКР, составленные по результатам наземных обследований и визуального дешифрования снимков. В разметку ЭКР были включены области с высокой однородностью растительного покрова, то есть можно считать, что эталонная концентрация классов ЭКР для обеих разметок составляла 95–100 %. На участке 1 было выделено три ЭКР за исключением класса высокой травы, так как полынно-злаковые ассоциации на данном участке отсутствовали. Для участка 2 использовались все четыре ЭКР.

Поскольку тени могут оказывать существенное влияние на качество классификации по снимкам высокого разрешения, были также проведены эксперименты с дополнением масок ЭКР классом теней. Тени рассчитывались с использованием пороговой обработки изображений нормализованного разностного индекса ( Normalized Difference Index, NDI ), для расчёта которого использовалось представление исходного изображения в пространстве HSV [15, 16]:

S-У

NDI =-----.                                (3)

S + V

Выбор порога осуществлялся вручную путём визуального контроля качества выделяемых на изображении теней.

Примеры масок классов для обоих участков с учётом и без учёта теней приведены на рис. 4 и 5 соответственно. Заметим, что на рис. 4 и 5 неразмеченные области выделены белым цветом, а на рис. 4 б и 5 б чёрный цвет соответствует теням.

а)                              б)

Рис. 4. Примеры масок классов для участка 1: без учёта теней (а), с учётом теней (б)

а)

б)

Рис. 5. Примеры масок классов для участка 2: без учёта теней (а), с учётом теней (б)

Пользовательская обучающая выборка включала области малого размера, находящиеся в пределах выделенных масок классов, и составляла не более 5% отсчётов изображения для всех ЭКР в сумме. Пример изображений пользовательских обучающих выборок для обоих участков приведён на рис. 6.

Наилучшие для каждой даты снимка и источника данных параметры технологии и оценки показателей качества p и ξ для участка 1 и участка 2 приведены в табл. 3 и 4 соответственно.

Из табл. 3 видно, что для участка 1 точность классификации ЭКР выше чем 80% и СКО концентрации классов 0,28 и ниже обеспечивают снимки SPOT-5 и SPOT-7 с разрешением 1,5–2,5 м, а также Ресурс-П с разрешением 0,8 м. При этом для участка 1 в большинстве случаев учёт теней ухудшает качество классификации. Предпочтительным сезоном съёмки является осень, поскольку для изображений, полученных в данный период, среднее значение качества оценки ЭКР выше, чем для весенних и летних снимков, и составляет 0,77 при СКО концентрации 0,25.

а)

б)

Рис. 6. Примеры пользовательских обучающих выборок

Табл. 3. Лучшие значения показателей качества, полученные по снимку 1, и соответствующие им даты съёмки и пространственные разрешения

Дата	Источник снимка, разрешение	Спектральные каналы	2ε	Учёт теней	Точность	СКО концентрации
20.09.2012	Spot-5, 2,5 м	R, B	25	нет	0,80	0,28
28.05.2014	Google Earth, 0,4 м	R, G, B	15	нет	0,68	0,28
01.06.2014	Google Earth, 0,4 м	R, G, B	15	да	0,74	0,23
02.06.2014	Google Earth, 0,4 м	R, B	10	нет	0,63	0,28
28.08.2015	Google Earth, 0,4 м	R, G	20	нет	0,67	0,30
22.10.2015	Google Earth, 0,4 м	R, B	20	да	0,69	0,22
02.06.2016	Spot-7, 1,5 м	R, G, B	15	нет	0,91	0,29
23.09.2016	Ресурс-П, 0,8 м	R , B, NIR	20	нет	0,85	0,26
31.08.2016	Ресурс-П, 0,8 м	B, G, NIR	25	нет	0,62	0,28

Табл. 4. Лучшие значения показателей качества, полученные по снимку 2, и соответствующие им даты съёмки и пространственные разрешения

Дата	Источник снимка, разрешение	Спектральные каналы	2ε	Учёт теней	Точность	СКО концентрации
28.07.2010	Google Earth, 0,4 м	R, B	20	нет	0,56	0,18
28.05.2014	Google Earth, 0,4 м	R, G, B	20	нет	0,38	0,19
01.06.2014	Google Earth, 0,4 м	R, B	10	нет	0,53	0,20
02.06.2014	Google Earth, 0,4 м	R, G, B	25	нет	0,59	0,19
28.08.2015	Google Earth, 0,4 м	R, B	25	нет	0,44	0,22
22.10.2015	Google Earth, 0,4 м	R, B	15	нет	0,62	0,18
16.04.2016	Ресурс-П, 0,8 м	R, B, NIR	20	нет	0,75	0,16
31.08.2016	Ресурс-П, 0,8 м	R, B, NIR	20	да	0,76	0,18
23.09.2016	Ресурс-П, 0,8 м	R, NIR	20	да	0,83	0,22

Для участка 2 точность классификации более 80% была получена только для снимка Ресурс-П, соответствующего осеннему периоду (дополнительный класс – тени учитывался). Источником двух других снимков, для которых точность классификации ЭКР составила более 75%, также является Ресурс-П. Для участка 2 оказалось более существенным влияние NIR-канала в составе снимка, так как все полученные наилучшие комбинации содержат NIR-канал. Не- смотря на более высокое пространственное разрешение фрагментов снимков, полученных с ресурса Google Earth, качество полученных по ним оценок оказалось значительно ниже. Таким образом, для участка 2 необходимость наличия измерений в NIR-канале преобладает над необходимостью в высоком пространственном разрешении. Предпочтительным временем съёмки для участка 2 также является осенний период по сравнению с другими периодами съёмки (весна и лето), поскольку по снимкам данного периода была получена наивысшая средняя точность классификации ЭКР (0,79) и СКО концентрации (0,2).

Из результатов, полученных по двум участкам, видно, что в качестве предпочтительного периода съёмки следует выбирать осень, а именно вторую половину сентября. Такой результат обусловлен тем, что в осенний период различия в прохождении фаз вегетации травянистыми степными и рудеральными, а также древесными и кустарниковыми растениями выражены в резком контрасте ослабления зелёной окраски травянистым ярусом, завершающим сезонное развитие. На этом фоне свойственная периоду вегетации окраска листьев древесных растений сохраняется в большей степени, что особенно характерно для древесных ин-тродуцентов (вяз мелколистный, лох узколистный).

Другие характеристики снимков, при которых были получены наиболее точные результаты для участка 1 и участка 2, отличаются.

Преимущество использования снимков участка 1 с разрешением от 1,5 м до 2,5 м по сравнению с использованием снимков более высокого пространственного разрешения заключается в том, что концентрация отдельно стоящих кустарников и деревьев на них является низкой, а высота мала (до 3 м). В итоге рассматриваемые массивы древесно-кустарниковой растительности для участка 1 могут быть классифицированы с большей пространственной однородностью по снимкам с меньшим пространственным разрешением, а ввиду малых отбрасываемых теней от объектов и их малой площади во всех случаях предпочтительна классификация без учёта теней.

Для снимков участка 2 наблюдается обратная ситуация, так как высота и количество отдельно стоящих экземпляров деревьев и кустарников значительно выше.

Различия в предпочтительном спектральном составе снимков участков 1 и 2 объясняются различным составом классов.

На участке 2 присутствует класс высокой травы (полынь), для устойчивой оценки которого по отношению к другим классам травянистой растительности необходим учёт различия в биомассе, который наиболее явно проявляется для пары каналов NIR+R. Тогда как учёт синего спектрального канала позволяет в паре с красным наиболее качественно разделить классы древесной растительности на фоне классов травянистой растительности. Заметим, что единственное удачное сочетание каналов без учёта синей части спектра – это NIR+R для участка 2, но оно использовано в сочетании с дополнительным классом теней на изображении.

Лучшие результаты классификации ЭКР и исходные изображения для участков 1 и 2 представлены на рис. 7 и 8 соответственно.

Результаты проведённых экспериментальных исследований можно обобщить следующим образом. Для экспертизы зарастания пашни древесно-кустарниковой растительностью необходимо использовать данные ДЗЗ следующей конфигурации:

– спектральный состав данных ДЗЗ должен включать красный, ближний инфракрасный и синий спек- тральные каналы;

– рекомендуемое пространственное разрешение для участков с низкорослыми редкими кустарниками составляет 1,5–2,5 м и учёт класса теней в качестве дополнительного не требуется;

– рекомендуемое пространственное разрешение для участков с большой концентрацией отдельно стоящих высоких деревьев и кустарников – 0,8 м, учёт класса теней в качестве дополнительного требуется в случае использование пары спектральных каналов NIR+R;

– благоприятный период съёмки – вторая половина сентября.

Рис. 7. Изображения участка 1: снимок от 02.06.2016

SPOT-7 (а), результат классификации на ЭКР (б)

б)

а)

Рис. 8. Изображения участка 2: снимок от 23.09.2016, Ресурс-П (Геотон) (а), результат классификации на ЭКР (б)

Заключение

В статье на примере авторской технологии анализа растительных сообществ по мультиспектральным данным ДЗЗ рассмотрено влияние различных характеристик снимков на результаты оценки зарастания пахотных земель древесно-кустарниковой растительностью. Исследование производилось с применением синтезированных и реальных мультиспектральных данных ДЗЗ целевых классов растительности, характеризующих растительное сообщество неиспользуемой пашни в Самарской области. Было выявлено, что для определения древесно-кустарниковой растительности эффективно использование данных ДЗЗ за осенний период, а именно за вторую половину сентября. Требуемый спектральный состав снимков для анализа древесно-кустарниковой растительности на фоне травянистых растительных сообществ включает красный и синий спектральные каналы, а для разделения на классы различных травянистых растительных сообществ необходим учёт ближнего инфракрасного спектрального канала. Данные ДЗЗ с пространственным разрешением от 1,5 м до 2,5 м могут быть использованы для классификации сплошных древесно-кустарниковых массивов, но не позволяют выделить отдельно стоящие экземпляры деревьев. Для классификации высоких отдельно стоящих деревьев и кустарников (с высотой порядка 8 м) могут быть использованы изображения с пространственным разрешением 0,8 м. Однако дальнейшее увеличение пространственного разрешения не повышает качества классификации. Наивысшая достигнутая с помощью использованной технологии точность определения элементарных классов растительности для исследуемых участков залежей составила 90% и 83 %, что показывает высокий потенциал применённой технологии при проведении рассматриваемого вида экспертизы пахотных земель.

Работа выполнена при поддержке грантов РФФИ № 16-29-09494 офи_м, № 19-37-90116 Аспиранты, а также Министерства науки и высшего образования РФ в рамках выполнения работ по Государственному заданию ФНИЦ «Кристаллография и фотоника» РАН (соглашение № 007-ГЗ/Ч3363/26).