RU2424540C2 - Method of determining parameters of state of vegetative ground cover from multispectral aerospace probing data - Google Patents
Method of determining parameters of state of vegetative ground cover from multispectral aerospace probing data Download PDFInfo
- Publication number
- RU2424540C2 RU2424540C2 RU2009136722/28A RU2009136722A RU2424540C2 RU 2424540 C2 RU2424540 C2 RU 2424540C2 RU 2009136722/28 A RU2009136722/28 A RU 2009136722/28A RU 2009136722 A RU2009136722 A RU 2009136722A RU 2424540 C2 RU2424540 C2 RU 2424540C2
- Authority
- RU
- Russia
- Prior art keywords
- vegetation
- data
- aerospace
- class
- multispectral
- Prior art date
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
Description
Изобретение относится к области исследования природных ресурсов Земли на основе цифровых многоспектральных аэрокосмических изображений и может быть использовано при оценке состояния почвенно-растительного покрова по данным дистанционного зондирования.The invention relates to the field of research of the Earth's natural resources based on digital multispectral aerospace images and can be used to assess the state of the land cover according to remote sensing data.
Известен способ определения объема фитомассы пробных площадок (в поле, в лесу и т.п.). В полевых условиях скашивается травянистая растительность в пределах выбранной площадки (2×2 метра) и взвешивается сырой вес образцов растительности, а при необходимости определяется и сухой вес. Так находится объем сырой и/или сухой фитомассы травянистой растительности. Для отдельных деревьев объем фитомассы определяется по таким эмпирическим параметрам, как диаметр ствола на уровне груди. Для выбранных тестовых участков при наземных обследованиях также существуют эмпирические связи между значениями зеленой фитомассы и общей биомассы древесины (Выгодская Н.Н., Козодеров В.В., Косолапов B.C. и др. Опыт использования аэрокосмических измерений для количественной оценки массы листвы лесных насаждений. Журнал «Лесоведение», 1995, №5, с.37-47).A known method for determining the volume of phytomass of test sites (in the field, in the forest, etc.). In the field, grassy vegetation is mowed within the selected site (2 × 2 meters) and the wet weight of the vegetation samples is weighed, and if necessary, dry weight is determined. So is the volume of raw and / or dry phytomass of herbaceous vegetation. For individual trees, the volume of phytomass is determined by such empirical parameters as trunk diameter at chest level. Empirical relationships between the values of green phytomass and total wood biomass (Vygodskaya NN, Kozoderov VV, Kosolapov BC et al. Experience in using aerospace measurements to quantify the mass of foliage of forest stands) also exist for selected test sites during ground surveys. "Forest Science", 1995, No. 5, p. 37-47).
Недостатками данного способа являются локальность и нерегулярность получаемых данных. Способ не позволяет одновременно охватить все участки достаточно большого региона для проведения комплексной оценки состояния растительного покрова. Кроме того, ведение наземных измерений требует значительных временных затрат, что не позволяет своевременно реагировать на возможные негативные последствия антропогенного влияния на окружающую среду.The disadvantages of this method are the locality and irregularity of the data obtained. The method does not simultaneously cover all areas of a sufficiently large region to conduct a comprehensive assessment of the state of vegetation. In addition, conducting ground-based measurements requires significant time costs, which does not allow timely response to possible negative consequences of anthropogenic impact on the environment.
Известен способ определения состояния почвы, включающий аэрокосмическую съемку поверхности открытых участков почвы в ранний весенний или поздний осенний период, преобразование полученного изображения, оценку фототона этих площадей с последующим выделением контуров и вычислением площадей выделенных контуров с привязкой обработанного изображения к почвенной карте и его трансформацию (Патент РФ №2265839).A known method for determining the state of the soil, including aerospace surveying the surface of open areas of soil in the early spring or late autumn, converting the received image, estimating the photon of these areas with the subsequent selection of contours and calculating the areas of the selected contours with reference to the processed image to the soil map and its transformation (Patent RF №2265839).
Основной недостаток данного способа состоит в использовании весьма ограниченной информации об интенсивности отраженного солнечного излучения. Неопределенность параметров почв, оцениваемых лишь на основе фототона, может быть очень велика, особенно в условиях высокой динамики изменений почвенного покрова. Для достоверной классификации и определения почвенных характеристик необходимо использовать детальную информацию о спектре отраженного излучения, которая может быть получена из много спектральных и гиперспектральных аэрокосмических изображений.The main disadvantage of this method is the use of very limited information on the intensity of reflected solar radiation. The uncertainty of soil parameters estimated only on the basis of photon can be very large, especially in conditions of high dynamics of changes in soil cover. For reliable classification and determination of soil characteristics, it is necessary to use detailed information about the spectrum of reflected radiation, which can be obtained from many spectral and hyperspectral aerospace images.
Наиболее близким аналогом к предлагаемому изобретению является способ обработки многоспектральных изображений, который заключается в том, что после приема и регистрации на магнитном носителе цифровых данных аэрокосмического зондирования производится их географическая привязка, учет геометрических, радиометрических, радиационных, спектральных искажений данных, их отображение в определенной проекции карты. Сазонов Н.В., Дедаев Ю.Н., Вандышева Н.М. Назад, в будущее - к 30-летию создания автоматизированной информационно-управляющей системы «АИУС-Агроресурсы» // Информационный бюллетень, 2009, №2(69) и/или на сайте по адресу http://www.gisa.ru/53086.html?searchstring=сазонов.The closest analogue to the present invention is a method for processing multispectral images, which consists in the fact that after receiving and recording digital data of aerospace sensing on a magnetic carrier, they are geo-referenced, geometric, radiometric, radiation, spectral distortions of the data are taken into account, and they are displayed in a certain projection cards. Sazonov N.V., Dedaev Yu.N., Vandysheva N.M. Back to the future - to the 30th anniversary of the creation of the automated information management system “AIUS-Agroresource” // Information Bulletin, 2009, No. 2 (69) and / or on the website at http://www.gisa.ru/53086 .html? searchstring = flowerpots.
На базе этого способа был создан автоматизированный комплекс, известный, как АИУС-Агроресурсы (Автоматизированная информационно-управляющая система - Агроресурсы), позволявший осуществлять обработку аэрокосмических изображений, полученных с помощью измерительных приборов, установленных на самолеты и советские спутники «Ресурс-Ф» и «Ресурс-О».On the basis of this method, an automated complex was created, known as AIUS-Agroresources (Automated Information Management System - Agroresources), which made it possible to process aerospace images obtained using measuring instruments installed on aircraft and Soviet satellites “Resource-F” and “ Resource-O ".
Основной недостаток известного способа состоит в том, что вместо реальных количественных оценок параметров состояния природных объектов рассчитываются лишь упрощенные эмпирические характеристики, известные как "вегетационные индексы". На практике при построении тематических карт вегетационных индексов или близких к ним "информационных продуктов" используется лишь два спектральных канала, охватывающих полосу поглощения хлорофилла (основного пигмента фотосинтезирующей растительности) и область максимума спектральной отражательной способности вегетирующей растительности в ближней инфракрасной части спектра. Одним из указанных информационных продуктов является "вегетационный индекс нормализованной разности" (NDVI/Normalized Difference Vegetation Index), который в соответствии с названием вычисляется как разность значений яркости в указанных выше двух каналах, деленной на их сумму. Такой подход не рассматривает все множество возможных решений обратной задачи оценки состояния растительности и не позволяет судить о неопределенности восстановления интересующих специалистов-биологов таких параметров состояния лесной растительности, как, например, объем фитомассы листвы/хвои. Именно этот параметр служит основным показателем нормального или стрессового состояния экосистем, которое возникает под влиянием дефицита увлажнения, загрязнений окружающей среды и других факторов.The main disadvantage of this method is that instead of real quantitative estimates of the state parameters of natural objects, only simplified empirical characteristics, known as “vegetation indices”, are calculated. In practice, when constructing thematic maps of vegetation indices or related “information products”, only two spectral channels are used, covering the absorption band of chlorophyll (the main pigment of photosynthetic vegetation) and the region of maximum spectral reflectivity of vegetative vegetation in the near infrared part of the spectrum. One of these information products is the NDVI / Normalized Difference Vegetation Index, which, according to the name, is calculated as the difference in brightness values in the above two channels divided by their sum. This approach does not consider the whole set of possible solutions to the inverse problem of assessing the state of vegetation and does not allow one to judge about the uncertainty of restoration of biologists of interest to such parameters of the state of forest vegetation, such as the volume of foliage / needles phytomass. It is this parameter that serves as the main indicator of the normal or stressful state of ecosystems, which occurs under the influence of moisture deficit, environmental pollution, and other factors.
Предлагаемый способ определения параметров состояния почвенно-растительного покрова по данным многоспектрального аэрокосмического зондирования устраняет недостатки известного прототипа и повышает эффективность обработки многоспектральных изображений. В предлагаемом способе в дополнение к этим стандартным процедурам первичной обработки данных производится их тематическая обработка с помощью компьютерных средств.The proposed method for determining the state parameters of the land cover according to multispectral aerospace sounding eliminates the disadvantages of the known prototype and improves the processing efficiency of multispectral images. In the proposed method, in addition to these standard procedures for primary data processing, thematic processing is performed using computer tools.
В основу предлагаемого способа определения параметров состояния почвенно-растительного покрова по данным многоспектрального аэрокосмического зондирования положена задача повышения эффективности обработки многоспектральных изображений путем объединения обрабатываемых данных аэрокосмического мониторинга с данными моделирования интенсивности уходящего излучения, регистрируемого конкретной аппаратурой дистанционного зондирования. В процессе моделирования решаются прямые задачи взаимодействия оптического излучения с природными средами с расчетом интенсивности регистрируемого излучения и обратные задачи восстановления указанных ниже параметров, характеризующих состояние наблюдаемых объектов, таких как биомасса листьев лесной растительности, тип леса, тип межкроновой растительности, чистая первичная продукция углерода и др.The basis of the proposed method for determining the state parameters of the land cover from multispectral aerospace sensing data is based on the task of increasing the processing efficiency of multispectral images by combining the processed aerospace monitoring data with simulation data of the intensity of the outgoing radiation recorded by specific remote sensing equipment. In the modeling process, the direct problems of the interaction of optical radiation with natural media are solved with the calculation of the intensity of the detected radiation and the inverse problems of restoring the following parameters characterizing the state of the observed objects, such as the biomass of leaves of forest vegetation, forest type, type of inter-crown vegetation, net primary carbon production, etc. .
Решение поставленной задачи повышения эффективности оценки параметров состояния почвенно-растительного покрова на больших площадях достигается путем такой обработки цифровых многоспектральных изображений, при которой используются результаты обращения основного функционала яркостей регистрируемых образов соответствующих объектов.The solution of the problem of increasing the efficiency of assessing the state parameters of soil and vegetation cover over large areas is achieved by processing digital multispectral images in which the results of the inversion of the basic brightness functional of the recorded images of the corresponding objects are used.
Сущность предлагаемого способа заключается в том, что при определении параметров состояния почвенно-растительного покрова по данным многоспектрального аэрокосмического зондирования сначала производят прием и регистрацию на магнитном носителе цифровых данных аэрокосмического зондирования. Затем эти данные обрабатывают путем проведения их географической привязки, учета геометрических, радиометрических и спектральных искажений данных с последующим отображением обработанных данных в определенной проекции географической карты исследуемой местности. Кроме того, при обработке данных производится их тематическая обработка, заключающаяся в распознавании образов наблюдаемых объектов. При тематической обработке изображений для каждого элемента разрешения производится распознавание объектов аэрокосмического мониторинга. Для этого выделяют следующие классы: «облачность», «водоемы», «почвогрунты», «растительность». Класс растительность включает в себя лесные, луговые, болотные, сельскохозяйственные и другие экосистемы. Для элементов разрешения, относящихся к классу «растительность», производят количественную оценку параметров состояния этих объектов. Для лесной растительности определяется породный состав: лиственные, хвойные, смешанные экосистемы. Также определяется тип подстилающей поверхности (почва, трава, кустарники, болота и т.д.) и продукционные характеристики (скорость изменения содержания углерода в соответствующих экосистемах).The essence of the proposed method lies in the fact that when determining the state parameters of the soil and vegetation cover according to multispectral aerospace sounding, they first receive and register digital data of aerospace sounding on a magnetic medium. Then these data are processed by geo-referencing them, taking into account geometric, radiometric and spectral distortions of the data, followed by displaying the processed data in a specific projection of the geographic map of the study area. In addition, when processing data, thematic processing is performed, which consists in recognizing the images of observed objects. With thematic image processing for each resolution element, recognition of aerospace monitoring objects is performed. For this, the following classes are distinguished: “cloudiness”, “ponds”, “soil,” “vegetation”. Class vegetation includes forest, meadow, marsh, agricultural and other ecosystems. For resolution elements belonging to the class “vegetation”, a quantitative assessment is made of the state parameters of these objects. For forest vegetation, species composition is determined: deciduous, coniferous, mixed ecosystems. The type of underlying surface (soil, grass, shrubs, swamps, etc.) and production characteristics (rate of change in carbon content in the corresponding ecosystems) are also determined.
Перечень чертежей и краткое их описание.The list of drawings and a brief description.
Фиг.1. Результаты обработки многоспектрального изображения аппаратуры MODIS для района г.Москвы. Верхний - восстановление биомассы зеленых фитоэлементов (т/га); нижний - фотоизображений из системы Google Earth. На горизонтальной и вертикальной осях представлены приблизительные значения долготы и широты в градусах.Figure 1. Results of processing multispectral images of MODIS equipment for the Moscow region. Upper - restoration of biomass of green phytoelements (t / ha); bottom - images from Google Earth. The horizontal and vertical axes represent approximate values of longitude and latitude in degrees.
Фиг.2. Обработка многоспектрального изображения аппаратуры ЕТМ + для района г.Тверь. Верхний - восстановление биомассы зеленых фитоэлементов (т/га); нижний - фотоизображений из системы Google Earth. На горизонтальной и вертикальной осях представлены приблизительные значения долготы и широты в градусах.Figure 2. Multispectral image processing of ЕТМ + equipment for the region of Tver. Upper - restoration of biomass of green phytoelements (t / ha); bottom - images from Google Earth. The horizontal and vertical axes represent approximate values of longitude and latitude in degrees.
Фиг.3. Пример определения продукционных характеристик леса для района г.Тверь по данным аппаратуры ЕТМ+. Красно-зеленой цветовой гаммой обозначена чистая первичная продукция (г/м2/год) лесной растительности, черным цветом обозначена растительность, не классифицированная как лес, серый - открытые почвогрунты, темно-серый - антропогенные объекты, синий - вода, фиолетовый - пропуски данных измерений.Figure 3. An example of determining the production characteristics of forests for the Tver region according to the ETM + equipment. The red-green color scheme indicates the net primary production (g / m 2 / year) of forest vegetation, the black color indicates the vegetation not classified as forest, gray - open soil, dark gray - anthropogenic objects, blue - water, purple - omissions measurements.
Фиг.4. Принцип поиска частного решения обратной задачи.Figure 4. The principle of searching for a particular solution to the inverse problem.
Предлагаемый способ определения параметров состояния почвенно-растительного покрова по данным многоспектрального аэрокосмического зондирования осуществляется следующим образом.The proposed method for determining the state parameters of soil and vegetation cover according to multispectral aerospace sounding is as follows.
При обработке текущих данных аэрокосмического зондирования учитываются результаты моделирования полей уходящего излучения и выбора конкретных решений для обрабатываемых сцен из множества всех возможных решений, относящихся к результатам предшествующих модельных расчетов. Указанный функционал определяется выражением:When processing the current data of aerospace sounding, the results of modeling the fields of outgoing radiation and selecting specific solutions for the processed scenes from the set of all possible solutions related to the results of previous model calculations are taken into account. The specified functionality is determined by the expression:
где j - номер канала приемной аппаратуры k-го типа с функцией чувствительности аппаратуры R; Ω - телесный угол визирования; i - тип леса; r - тип межкроновой растительности; В - биомасса листвы/хвои; θ, φ (θ', φ') - зенитный и азимутальный углы визирования (падающего излучения), соответственно; Dcanopy - сомкнутость полога; Dcrown - плотность крон; δ1 и δ2 - доля теней в межкроновой области и на кронах деревьев; ρ1, ρ2, ρ3 - спектральные коэффициенты отражения межкроновой области, кроновой области и многократного рассеяния внутри кроновых просветов; US и HS - спектральные интенсивности падающего прямого и рассеянного солнечного излучения.where j is the channel number of the receiving equipment of the k-th type with the sensitivity function of the equipment R; Ω is the solid angle of sight; i - type of forest; r - type of inter-crown vegetation; B - foliage / needles biomass; θ, φ (θ ', φ') - zenith and azimuthal angles of sight (incident radiation), respectively; D canopy - canopy closure; D crown - density of crowns; δ 1 and δ 2 - the proportion of shadows in the inter-crown region and on the crowns of trees; ρ 1 , ρ 2 , ρ 3 - spectral reflection coefficients of the inter-crown region, crown region and multiple scattering inside the crown gaps; U S and H S are the spectral intensities of the incident direct and scattered solar radiation.
При обработке изображений сначала производится классификация естественных и антропогенных объектов аэрокосмического мониторинга. Спектральная упорядоченность позволяет классифицировать каждый отдельный пиксель изображения, поскольку спектральные характеристики разнородных поверхностей, вообще говоря, не совпадают. Для построения алгоритма распознавания определяется функция отклика, характерная для заданного типа объектов.When processing images, the classification of natural and man-made objects of aerospace monitoring is first performed. Spectral ordering allows each individual pixel of the image to be classified, since the spectral characteristics of dissimilar surfaces, generally speaking, do not coincide. To build a recognition algorithm, a response function is defined that is characteristic for a given type of object.
Множество образов, принадлежащих одному классу, запоминается системой распознавания. При предъявлении системе новых образов она последовательно сравнивает каждый из образов с другими, хранящимися в ее памяти. В соответствии с заданными признаками система относит новый образ к наиболее близкому из имеющихся эталонов. Задание класса с помощью свойств, общих для всех входящих в его состав подобразов, предусматривает реализацию процесса автоматического распознавания путем выделения подобных признаков.Many images belonging to one class are remembered by the recognition system. When new images are presented to the system, it sequentially compares each of the images with the others stored in its memory. In accordance with the specified features, the system classifies the new image as the closest of the available standards. Defining a class using properties common to all its sub-images includes the implementation of an automatic recognition process by highlighting such features.
На основе принципа общности свойств были получены наборы признаков, позволяющие достаточно качественно проводить классификацию на изображениях, выделенных для обучения алгоритма. Для многоспектральных изображений схемы распознавания основаны на информации о характерных значениях яркости объектов и выделении контрастирующих объектов. В этом случае функция отклика составляется из элементарных функций вида 
Затем для каждого элемента класса «растительность» восстанавливаются значения параметров ее состояния и продуктивности. В частности, определяется объем фитомассы листьев, а для лесной растительности определяется породный состав (лиственные, хвойные, смешанные экосистемы), тип подстилающей поверхности (почва, трава, кустарники, болота и т.д.) и чистая первичная продукция. Для этого определяется тип атмосферных условий и осуществляется поиск наилучшего соответствия между измеряемыми значениями энергетических яркостей и их значениями, полученными в результате модельных расчетов. В алгоритме расчета рассматриваются все возможные частные решения обратной задачи. Число вариантов определяется следующими параметрами: высотой Солнца в разные сезоны; условиями затенения фитоэлементов; дискретными значениями отражательной способности межкроновой растительности, кроновой области и многократного рассеяния внутрикроновых просветов; породным составом леса; допустимыми значениями прозрачности атмосферы; типом межкроновой растительности; числом спектральных каналов и углами визирования.Then, for each element of the "vegetation" class, the values of the parameters of its state and productivity are restored. In particular, the volume of leaf phytomass is determined, and the species composition (deciduous, coniferous, mixed ecosystems), the type of underlying surface (soil, grass, shrubs, swamps, etc.) and the net primary production are determined for forest vegetation. To do this, determine the type of atmospheric conditions and search for the best match between the measured values of the energy brightness and their values obtained as a result of model calculations. The calculation algorithm considers all possible particular solutions to the inverse problem. The number of options is determined by the following parameters: the height of the Sun in different seasons; phytoelectric shading conditions; discrete values of reflectivity of inter-crown vegetation, crown area and multiple scattering of intracrown gaps; species composition of the forest; acceptable atmospheric transparency values; type of inter-crown vegetation; number of spectral channels and viewing angles.
Частные решения обратной задачи находятся в процессе поиска соответствия многоканальных данных дистанционного зондирования в координатах "плотность лесного полога (Dcanopy) - ажурность крон деревьев (Acrown)" наиболее близким численным значениям модельных яркостей прямой задачи (в дальнейших рассуждениях будет использоваться параметр плотности кроны Dcrown=1-Аcrown). На Фиг.4 приведен иллюстративный пример поиска частных решений для пары спектральных каналов. В каждом спектральном спутниковом канале модельные яркости, которые представляют собой поверхность L=L(Dcanopy,Dcrown), секутся плоскостью на уровне, соответствующем измеряемым яркостям. Частным решением является точка пересечения полученных таким образом линий уровня в плоскости аргументов Dcanopy и Dcrown. Каждой такой точке соответствует значение биомассы листьев B=B(Dcanopy,Dcrown), которая определяется в соответствии с известной параметризацией материалов аэрокосмической съемки.Particular solutions of the inverse problem are in the process of searching for correspondence of multichannel remote sensing data in the coordinates "canopy density (D canopy ) - tree crown openwork (A crown )" to the closest numerical values of the model brightnesses of the direct problem (in further considerations, the crown density parameter D crown = 1-A crown ). Figure 4 shows an illustrative example of the search for private solutions for a pair of spectral channels. In each spectral satellite channel, the model brightnesses, which are the surface L = L (D canopy , D crown ), are cut by a plane at a level corresponding to the measured brightnesses. A particular solution is the intersection point of the level lines thus obtained in the plane of the arguments D canopy and D crown . Each such point corresponds to the leaf biomass B = B (D canopy , D crown ), which is determined in accordance with the well-known parameterization of aerospace materials.
Поскольку рассматриваемая обратная задача относится к классу математических задач, некорректных по Адамару, ее решение может не существовать, быть не единственным или существенно неустойчивым. Таким образом, для получения оптимального решения необходимо применять методы регуляризации. Очевидно, что расчетная база данных не описывает всех вариаций спектров растительных объектов, которые могут быть получены в результате реальных измерений. Таким образом, поиск решений рассматриваемой обратной задачи осуществляется с некоторой заданной точностью |Lизмер.-Lмодельн.|<Δ, (параметр Δ будем называть областью поиска), значение которой может изменяться в процессе поиска. Важно также установить разумное начальное значение Δ. Для грубого начального приближения точность решения будет невелика, при малых затратах компьютерного времени. Если же уменьшить начальное значение области поиска решения, то компьютерное время расчета будет большим, но при этом возрастет и точность. В расчетной процедуре область поиска увеличивается до тех пор, пока не находятся частные решения во всех парах каналов. В случае неединственности из полученного ансамбля решений выбирается наиболее вероятное.Since the inverse problem under consideration belongs to the class of mathematical problems that are incorrect according to Hadamard, its solution may not exist, it may not be the only or substantially unstable. Thus, to obtain the optimal solution, it is necessary to apply regularization methods. Obviously, the calculation database does not describe all the variations in the spectra of plant objects that can be obtained as a result of real measurements. Thus, the search for solutions to the inverse problem under consideration is carried out with some given accuracy | L meas. -L model | <Δ, (the parameter Δ will be called the search region), the value of which can change during the search. It is also important to establish a reasonable initial value of Δ. For a rough initial approximation, the accuracy of the solution will be small, at low cost of computer time. If we reduce the initial value of the solution search area, then the computer calculation time will be large, but the accuracy will also increase. In the calculation procedure, the search area increases until there are partial solutions in all pairs of channels. In the case of nonuniqueness, the most probable is selected from the ensemble of solutions.
Кроме параметров, характеризующих состояние растительного покрова, модель позволяет оценивать некоторые продукционные характеристики.In addition to the parameters characterizing the state of the vegetation cover, the model allows one to evaluate some production characteristics.
Полная выходная информационная продукция предлагаемого способа решения рассматриваемых прикладных задач может быть представлена следующим списком:The full output information products of the proposed method for solving the considered applied problems can be represented by the following list:
1. Тип объекта (растительность, водные объекты, облачность, открытые почвогрунты, антропогенные объекты).1. Type of object (vegetation, water bodies, cloud cover, open soil, anthropogenic objects).
2. Прозрачность атмосферы. Обратная задача решается только для значения прозрачности атмосферы Р>0.7 (при углах визирования в надир). Приняты следующие градации: 1 - мутная Р~0.75, 2 - средне-прозрачная Р~0.79, 3 - легкая дымка Р~0.83, 4 - прозрачная Р ~ 0.88.2. The transparency of the atmosphere. The inverse problem is solved only for the value of atmospheric transparency P> 0.7 (at angles of sight in nadir). The following gradations were adopted: 1 - cloudy P ~ 0.75, 2 - medium transparent P ~ 0.79, 3 - light haze P ~ 0.83, 4 - transparent P ~ 0.88.
3. Объем фитомассы листвы/хвои лесной растительности. Возможные значения варьируются от нуля до 35 т/га.3. The volume of phytomass of foliage / needles of forest vegetation. Possible values range from zero to 35 t / ha.
4. Дисперсии ошибки объема зеленой фитомассы растительности в (т/га)2.4. Dispersions of the error in the volume of green phytomass of vegetation in (t / ha) 2 .
5. Тип леса. Выделяется 11 классов породного состава от полностью лиственных до полностью хвойных пород.5. Type of forest. There are 11 classes of breed composition from fully deciduous to fully coniferous.
6. Тип межкроновой растительности. Выделяется до 12-ти классов в соответствии с исходными данными модельных представлений о спектральных образах: яркая трава; более темная трава; болотная растительность: более темная и более светлая; мох; отсутствие растительности; кустарники; преобладание открытой водной поверхности между кронами деревьев.6. Type of inter-crown vegetation. It stands out up to 12 classes in accordance with the initial data of model representations of spectral images: bright grass; darker grass; swamp vegetation: darker and lighter; moss; lack of vegetation; Shrubs the prevalence of open water between the crowns of trees.
7. Изрезанность верхней границы лесного полога.7. Roughness of the upper border of the forest canopy.
8. Сомкнутость полога. Параметр означает относительную площадь покрытия элемента разрешения кронами деревьев и принимает значения от нуля до единицы. Значение 0 соответствует отсутствию лесной растительности, 1 - полному покрытию лесом или кустарниковой растительностью.8. The closeness of the canopy. The parameter means the relative coverage area of the resolution element by the crowns of trees and takes values from zero to one. A value of 0 corresponds to the absence of forest vegetation, 1 to full coverage by forest or shrubbery.
9. Ажурность крон деревьев. Параметр характеризует плотность листвы для отдельного дерева и имеет значения от единицы до нуля. 1 означает отсутствие листвы (голые ветки), 0 соответствует максимально плотной кроне.9. Openwork crowns of trees. The parameter characterizes the density of foliage for an individual tree and has values from one to zero. 1 means no foliage (bare branches), 0 corresponds to the most dense crown.
10. Площадь проективного покрытия. Параметр означает относительную меру заполнения поверхности почвы фитоэлементами растений при рассмотрении сверху. 0 - отсутствие растительности, 1 - полное покрытие элемента разрешения фитоэлементами лесной растительности.10. The area of the projective cover. The parameter means a relative measure of filling the soil surface with plant phytoelements when viewed from above. 0 - lack of vegetation, 1 - full coverage of the resolution element by phytoelements of forest vegetation.
11. Доля поглощенной фотосинтетически активной радиации. Параметр означает долю солнечной радиации в диапазоне 380-710 нм, поглощенной листьями деревьев при фотосинтезе. Формально параметр принимает значения от 0 до 1.11. The proportion of absorbed photosynthetically active radiation. The parameter means the fraction of solar radiation in the range of 380-710 nm absorbed by the leaves of trees during photosynthesis. Formally, the parameter takes values from 0 to 1.
12. Чистая первичная продукция. Параметр означает продукцию годовую углерода лесной древесной растительностью в единичный период времени. Единицы измерения - г/м2/год.12. Net primary production. The parameter means the annual carbon production of forest woody plants in a single time period. Units of measurement - g / m 2 / year.
В предлагаемом способе реализовано разработанное авторами алгоритмическое и программное обеспечение распознавания образов наблюдаемых объектов и количественной оценки параметров состояния этих объектов в автоматизированном режиме компьютерной обработки данных аэрокосмического зондирования. Программное обеспечение основано на методах вычислительной математики при решении прямых задач формирования спектральной интенсивности уходящего излучения для разных условий солнечного освещения объектов почвенно-растительного покрова, взаимного затенения фитоэлементов (листья/хвоя, ветки и др.), а также при решении обратных задач восстановления параметров состояния этих объектов. Поиск численных решений обратных задач осуществляется в координатах «плотность растительного полога - степень заполнения пространства фитоэлементами» (последний из упомянутых параметров обычно называется ажурностью крон деревьев).The proposed method implements the algorithm and software developed by the authors for recognizing patterns of observed objects and quantifying the state parameters of these objects in an automated mode of computer processing of aerospace sensing data. The software is based on the methods of computational mathematics in solving the direct problems of generating the spectral intensity of outgoing radiation for different conditions of solar illumination of objects of soil and vegetation cover, mutual shading of phytoelements (leaves / needles, branches, etc.), as well as in solving inverse problems of restoring state parameters these objects. The search for numerical solutions of inverse problems is carried out in the coordinates "density of the canopy - the degree of space filling with phytoelements" (the last of the mentioned parameters is usually called openwork of tree crowns).
В итоге реализации отмеченных этапов обработки многоспектральных изображений потребителям (комитеты по экологии и природопользованию субъектов Российской Федерации) выдается унифицированная информационная продукция отображения данных аэрокосмического зондирования в терминах тех параметров состояния почвенно-растительного покрова, с которыми они имеют дело в своей повседневной практике управления региональным развитием.As a result of the implementation of the indicated stages of processing multispectral images, consumers (ecology and nature management committees of the constituent entities of the Russian Federation) are given unified information products for displaying aerospace sensing data in terms of the parameters of the state of land cover with which they deal in their daily practice of managing regional development.
Следующие примеры иллюстрируют данный способ.The following examples illustrate this method.
На Фиг.1 приведен пример обработки изображения аппаратуры MODIS спутника Terra на дату съемки 30.05.2002, соответствующей г.Москва и близлежащих районов Московской области. Данные MODIS имеют достаточно грубое пространственное разрешение (500 м), что в определенной степени затрудняет классификацию почвогрунтов, небольших водоемов и антропогенных объектов. Таким образом, изображение классифицировалось на облачность (белый цвет), водоемы (синий цвет), плотная городская застройка (серый цвет) и растительность (красно-зеленая цветовая гамма).Figure 1 shows an example of image processing of the MODIS equipment of the Terra satellite on the survey date 05/30/2002, corresponding to Moscow and the surrounding areas of the Moscow region. MODIS data have a rather coarse spatial resolution (500 m), which to some extent complicates the classification of soil, small water bodies and anthropogenic objects. Thus, the image was classified into clouds (white color), ponds (blue color), dense urban areas (gray color) and vegetation (red-green color scheme).
Валидация данного изображения может быть проведена на качественном уровне с использованием фотографических изображений из известной системы Google Earth, в которой данный регион представлен с высоким пространственным разрешением. Видно, что удается распознать крупные водоемы - Клязьминское, Пироговское, Учинское, Пестовское и Икшинское водохранилища. Река Москва практически везде в черте города имеет ширину 80-250 м, и таким образом она классифицируется только в районе Серебряного Бора, станции метро Кожуховская и Борисовских прудов. Всем крупным лесопарковым зонам внутри города соответствует значительный объем биомассы. Так, например, в северной части можно видеть парк Сокольники, Лосиный остров, Главный Ботанический Сад РАН, парк Сельскохозяйственной Академии им. К.А. Тимирязева, лесопарки Покровкое-Глебово, Серебряный Бор, Химкинский, Красногорский и Хлебниковский. В южной части хорошо видны Битцевкий и Бирюлевский лесопарки, в Восточной части - Измайловский и Кузьминский лесопарки.Validation of this image can be carried out at a qualitative level using photographic images from the well-known Google Earth system, in which this region is represented with high spatial resolution. It can be seen that it is possible to recognize large reservoirs - Klyazminskoye, Pirogovskoye, Uchinskoye, Pestovskoye and Ikshinskoye reservoirs. The Moscow River almost everywhere in the city has a width of 80-250 m, and thus it is classified only in the area of Serebryany Bor, metro station Kozhukhovskaya and Borisov ponds. All large forest areas within the city correspond to a significant amount of biomass. So, for example, in the northern part you can see Sokolniki Park, Elk Island, the Main Botanical Garden of the Russian Academy of Sciences, the park of the Agricultural Academy named after K.A. Timiryazev, Pokrovkoe-Glebovo forest parks, Serebryany Bor, Khimki, Krasnogorsk and Khlebnikovsky. In the southern part, Bitsevsky and Biryulyovsky forest parks are clearly visible, in the eastern part - Izmailovsky and Kuzminsky forest parks.
На Фиг.2 приведен пример обработки изображения аппаратуры ЕТМ + спутника Landsat-7 на дату съемки 02.09.1999, соответствующей восточной части г.Тверь и ближайших окрестностей. Данные ЕТМ + имеют пространственное разрешение 30 м, что позволяет существенно улучшить качество классификации. На обработанном снимке выделены следующие классы: растительность (красно-зеленая цветовая гамма), водоемы (синий цвет), облачность (белый цвет, на приведенном примере отсутствует), открытые почвогрунты (светло-серый цвет) и антропогенные объекты (темно-серый цвет). Фиолетовым цветом выделены пропуски в данных. В приведенном примере пропуски возникали из-за солнечных бликов на водной поверхности. Данное изображение можно также сравнить с фотографическими снимками системы Google Earth.Figure 2 shows an example of image processing of the ETM + equipment of the Landsat-7 satellite as of the survey date 02.09.1999, corresponding to the eastern part of Tver and its immediate vicinity. ETM + data have a spatial resolution of 30 m, which can significantly improve the quality of classification. The following classes are highlighted in the processed image: vegetation (red-green color scheme), water bodies (blue color), cloud cover (white color, absent in the above example), open soil (light gray color) and anthropogenic objects (dark gray color) . Gaps in the data are highlighted in purple. In the above example, gaps occurred due to sun glare on the water surface. This image can also be compared with photographic images of the Google Earth system.
На обработанном снимке можно видеть, что наряду с крупными водными объектами, такими как р. Волга и песчаный карьер, воспроизводятся более мелкие объекты, соответствующие городским отстойникам и портовой зоне. Ложного распознавания водных объектов не выявлено. Также хорошо распознаются открытые грунты (например, песчаные берега карьера) и промышленные зоны. Можно видеть, что наибольшие значения биомассы соответствуют лесным массивам. Наряду с крупными загородными лесными угодьями можно увидеть лесопарковые зоны внутри г.Тверь, например Бобачевскую рощу.In the processed image, you can see that along with large water bodies, such as p. Volga and sand pit, smaller objects are reproduced, corresponding to urban sedimentation tanks and the port area. No false recognition of water bodies. Open ground (for example, sandy shores of a quarry) and industrial zones are also well recognized. It can be seen that the highest biomass values correspond to forests. Along with large suburban forest lands, one can see forest park areas inside the city of Tver, for example, Bobachevskaya Grove.
Кроме параметров, характеризующих состояние растительного покрова, модель позволяет оценивать некоторые продукционные характеристики, такие как доля поглощенной фотосинтетически-активной радиации и чистая первичная продукция. Под фотосинтетически-активной радиацией (ФАР) понимают ту часть солнечной радиации, которая поглощается растением при фотосинтезе. В российских работах - это диапазон длин волн 380-710 нм, именно такое определение используется в нашей программе. В зарубежных работах ФАР соответствует диапазону 400-700 нм.In addition to the parameters characterizing the state of the vegetation cover, the model makes it possible to evaluate some production characteristics, such as the fraction of absorbed photosynthetically active radiation and pure primary production. Photosynthetically active radiation (PAR) means that part of solar radiation that is absorbed by the plant during photosynthesis. In Russian works, this is the wavelength range of 380-710 nm, and this is the definition used in our program. In foreign works, the PAR corresponds to the range of 400-700 nm.
Для расчета доли поглощенной ФАР в нашей модели применяется следующее соотношение FAPAR=A*F*[1+R*(1-(1-T)*F)], где А - коэффициент поглощения фитоэлементами деревьев различного типа, F - значение площади проективного покрытия, рассчитанное в нашей модели, R - коэффициенты отражения межкроновой растительностью различного типа (функция типа межкроновой раститительности), Т - коэффициент пропускания фитоэлементами деревьев различного типа (функция состава лесной растительности).To calculate the fraction of absorbed PAR in our model, the following relation is used: FAPAR = A * F * [1 + R * (1- (1-T) * F)], where A is the absorption coefficient by phytoelements of trees of various types, F is the value of the projective area coatings calculated in our model, R are the reflection coefficients of inter-crown vegetation of various types (a function of the type of inter-crown vegetation), T is the transmittance of phytoelements of trees of various types (a function of the composition of forest vegetation).
Чистой первичной продукцией называют массу углерода, поглощенного растениями из атмосферы на единичной площади в единичный период времени за вычетом дыхания растений. Устоявшаяся единица измерений - г/м2/год. В нашей методике используются параметризации - зависимости чистой первичной продукции от биомассы листвы, построенные по данным Московскго государственного университета леса. Параметризации адаптированы к растительности восточно-европейской части России. Туда вошли данные по сосне, ели, березе, клену, осине и ясеню. Соотношение для вычисления чистой первичной продукции имеет видNet primary production is the mass of carbon absorbed by plants from the atmosphere on a unit area in a unit period of time minus the respiration of plants. The settled unit of measurement is g / m 2 / year. Our methodology uses parameterization - the dependence of the net primary production on foliage biomass, constructed according to the Moscow State Forest University. Parameterization adapted to the vegetation of the eastern European part of Russia. It includes data on pine, spruce, birch, maple, aspen and ash. The ratio for calculating net primary production is
где Y - чистая первичная продукция (текущий прирост углерода в г/м2/год), Х - биомасса (в т/га), W - процент хвойного леса в лиственном, А и В - параметры, оцениваемые по статистическим данным отдельно для лиственных и хвойных лесов (А<1).where Y is the net primary production (current carbon gain in g / m 2 / year), X is the biomass (in t / ha), W is the percentage of coniferous forest in deciduous, A and B are the parameters estimated separately from deciduous statistics and coniferous forests (A <1).
Claims (1)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2009136722/28A RU2424540C2 (en) | 2009-10-06 | 2009-10-06 | Method of determining parameters of state of vegetative ground cover from multispectral aerospace probing data |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2009136722/28A RU2424540C2 (en) | 2009-10-06 | 2009-10-06 | Method of determining parameters of state of vegetative ground cover from multispectral aerospace probing data |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| RU2009136722A RU2009136722A (en) | 2011-04-20 |
| RU2424540C2 true RU2424540C2 (en) | 2011-07-20 |
Family
ID=44050786
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2009136722/28A RU2424540C2 (en) | 2009-10-06 | 2009-10-06 | Method of determining parameters of state of vegetative ground cover from multispectral aerospace probing data |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU2424540C2 (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2538997C2 (en) * | 2012-12-25 | 2015-01-10 | Государственное научное учреждение Всероссийский научно-исследовательский институт электрификации сельского хозяйства Российской академии сельскохозяйственных наук (ГНУ ВИЭСХ Россельхозакадемии) | Method and device of automatic control of processes of crop growing |
| RU2572712C2 (en) * | 2014-03-28 | 2016-01-20 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Омский государственный аграрный университет имени П.А. Столыпина" | Method of agrochemical inspection of soil |
| RU2657363C1 (en) * | 2017-04-20 | 2018-06-13 | Федеральное государственное автономное образовательное учреждение высшего образования "Санкт-Петербургский государственный университет аэрокосмического приборостроения" | Method of determining parameters of state of vegetative ground cover by multispectral aerospace probing data |
-
2009
- 2009-10-06 RU RU2009136722/28A patent/RU2424540C2/en active
Non-Patent Citations (1)
| Title |
|---|
| Козодеров В.В. и др. Восстановление объема фитомассы и других параметров состояния почвенно-растительного покрова по результатам обработки многоспектральных спутниковых изображений. - Исследование Земли из космоса.: Издательство Наука, 2007 г., №1. * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2538997C2 (en) * | 2012-12-25 | 2015-01-10 | Государственное научное учреждение Всероссийский научно-исследовательский институт электрификации сельского хозяйства Российской академии сельскохозяйственных наук (ГНУ ВИЭСХ Россельхозакадемии) | Method and device of automatic control of processes of crop growing |
| RU2572712C2 (en) * | 2014-03-28 | 2016-01-20 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Омский государственный аграрный университет имени П.А. Столыпина" | Method of agrochemical inspection of soil |
| RU2657363C1 (en) * | 2017-04-20 | 2018-06-13 | Федеральное государственное автономное образовательное учреждение высшего образования "Санкт-Петербургский государственный университет аэрокосмического приборостроения" | Method of determining parameters of state of vegetative ground cover by multispectral aerospace probing data |
Also Published As
| Publication number | Publication date |
|---|---|
| RU2009136722A (en) | 2011-04-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| White et al. | Remote sensing technologies for enhancing forest inventories: A review | |
| Le Maire et al. | Calibration and validation of hyperspectral indices for the estimation of broadleaved forest leaf chlorophyll content, leaf mass per area, leaf area index and leaf canopy biomass | |
| Sun et al. | Wavelength selection of the multispectral lidar system for estimating leaf chlorophyll and water contents through the PROSPECT model | |
| Schneider et al. | Simulating imaging spectrometer data: 3D forest modeling based on LiDAR and in situ data | |
| Malenovský et al. | Influence of woody elements of a Norway spruce canopy on nadir reflectance simulated by the DART model at very high spatial resolution | |
| Zhang et al. | Leaf chlorophyll content retrieval from airborne hyperspectral remote sensing imagery | |
| Rautiainen et al. | Application of photon recollision probability in coniferous canopy reflectance simulations | |
| Omasa et al. | 3D lidar imaging for detecting and understanding plant responses and canopy structure | |
| Gonsamo et al. | Improved LAI algorithm implementation to MODIS data by incorporating background, topography, and foliage clumping information | |
| Rautiainen et al. | Coupling forest canopy and understory reflectance in the Arctic latitudes of Finland | |
| Heiskanen et al. | Sensitivity of narrowband vegetation indices to boreal forest LAI, reflectance seasonality and species composition | |
| Olofsson et al. | Estimation of absorbed PAR across Scandinavia from satellite measurements. Part II: Modeling and evaluating the fractional absorption | |
| Navarro-Cerrillo et al. | Hyperspectral and multispectral satellite sensors for mapping chlorophyll content in a Mediterranean Pinus sylvestris L. plantation | |
| Kükenbrink et al. | Mapping the irradiance field of a single tree: Quantifying vegetation-induced adjacency effects | |
| Stenberg et al. | Boreal forest leaf area index from optical satellite images: model simulations and empirical analyses using data from central Finland. | |
| Pätzig et al. | Allometric relationships for selected macrophytes of kettle holes in northeast Germany as a basis for efficient biomass estimation using unmanned aerial systems (UAS) | |
| RU2424540C2 (en) | Method of determining parameters of state of vegetative ground cover from multispectral aerospace probing data | |
| Panigada et al. | Chlorophyll concentration mapping with MIVIS data to assess crown discoloration in the Ticino Park oak forest | |
| Smith et al. | Forest canopy structural properties | |
| Hovi et al. | Empirical validation of photon recollision probability in single crowns of tree seedlings | |
| Kozoderov et al. | Remote sensing of soils and vegetation: quantitative parameters retrieval using pattern-recognition techniques and forest stand structure assessment | |
| Huang et al. | A 3D approach to reconstruct continuous optical images using lidar and MODIS | |
| Lee et al. | Remote sensing of seasonal variation of LAI and fAPAR in a deciduous broadleaf forest | |
| Rautiainen et al. | Application of a forest reflectance model in estimating leaf area index of Scots pine stands using Landsat-7 ETM reflectance data | |
| Chen | Remote sensing of leaf area index of vegetation covers |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PD4A | Correction of name of patent owner | ||
| TK4A | Correction to the publication in the bulletin (patent) |
Free format text: AMENDMENT TO CHAPTER -FG4A- IN JOURNAL: 10-2012 FOR TAG: (73) |