Алгоритм оценки степени загрязнения прибрежных акваторий по гиперспектральным данным дистанционного зондирования Земли

Задача поиска и оценки степени загрязнений в прибрежных акваториях в настоящее время имеет особое значение, поскольку в крупных городах прибрежные водные массивы испытывают большую нагрузку от береговых и морских источников загрязнения. Обработка гиперспектральных данных дистанционного зондирования Земли (ДЗЗ) предлагаемым алгоритмом предоставляет возможность своевременного отслеживания и контроля загрязняющих факторов и идентификацию мелководной зоны. Это направлено на оптимизацию промышленного использования акватории без ущерба для окружающей среды.
Результаты существующих исследований зависимости спектральной отражательной способности от длины волны падающего излучения объектов различного типа, таких как, например, растительность, открытая почва, антропогенные объекты, водная поверхность позволяют по данным ДЗЗ делать выводы о количественных показателях анализируемого объекта. В случае водной поверхности, это, например, концентрация минеральных и органических веществ, наличие мощных и тонких нефтяных плёнок, присутствие крупнодисперсных взвешенных частиц в приповерхностном водном слое.
В отличие от мультиспектральных изображений, как правило, зафиксированных в 3-10 участках спектра, гиперспектральные изображения регистрируются в десятках и сотнях узких соприкасающихся спектральных диапазонах, что позволяет с большей точностью построить спектральную характеристику (СХ) анализируемого объекта, которая описывает распределение энергии излучения по длине волны (Демидова Л.А. и др., 2014). В результате гиперспектральной съемки формируется так называемый гиперкуб данных в виде набора изображений одной и той же сцены, но полученных в различных спектральных диапазонах. Каждой точке гиперкуба соответствует СХ в виде вектора отсчётов яркости в различных спектральных каналах.
Для классификации водного объекта по уровню загрязнения и определения зоны мелководья реализован алгоритм, последовательно позволяющий в автоматическом режиме: выделять границы водного объекта; определять следы сильных загрязнений и тонких нефтяных плёнок; оценивать уровень концентрации хлорофилла "а"; оценивать концентрацию взвешенных веществ минерального происхождения, отделять загрязненные области от мелководных; делать итоговые выводы об общем и компонентном уровне загрязнения водоёма. Алгоритм протестирован на гиперспектральных данных, полученных КА "Ресурс-П" №2.
На первом этапе обработки данных ДЗЗ предлагаемым алгоритмом происходит определение границ водного объекта методом яркостного контраста объекта со смежным фоном путем наращивания областей. За объект принимается СХ точки, отмеченной оператором, усреднённая по ближайшей области. После этого производится уточнение контура выделенной области по индексу NDWI.
На втором этапе происходит попиксельная обработка найденного водного объекта. В первую очередь производится поиск областей, содержащих мощные пятна нефтепродуктов. Значение коэффициентов спектральной яркости (КСЯ) в ближнем инфракрасном диапазоне в этом случае в несколько раз превышают КСЯ других неоднородностей водной поверхности. Следующим шагом идентифицируются механические загрязнения крупнодисперсными взвешенными веществами минерального происхождения высоких концентрацией. Положение максимума СХ в этом случае смещается в красно-коричневую область спектра, при этом значения КСЯ в этой области также в несколько раз превышают КСЯ других неоднородностей.
Далее оценивается трофическое состояние водоема, в качестве индикатора используется концентрация хлорофилла «а», который является основным фотосинтетическим пигментом. Пигмент в составе фитопланктона, необходимый для фотосинтеза, дает сильные полосы поглощения в голубой и красной области спектра с одновременным смещением максимума отражательной способности в зелёную часть спектра (Пименова Е.В., 2011). Таким образом, отношения КСЯ в интервале длин волн, близким к 480 и 560 нм (биооптический индекс), будут очень чувствительны к изменению концентрации фитопланктона. Такой метод расчёта привлекателен тем, что основан на физических закономерностях формирования излучения от водной поверхности и не требует наземных измерений параметров водоёма, которые являются трудоёмкой и дорогостоящей операцией.
Следующим шагом является распознавание участков внутримассового загрязнения минеральными взвесями. Используется полуаналитический подход. При определении регрессионной зависимости, описывающей корреляционные связи между яркостью водной поверхности в видимом и ближнем инфракрасном диапазонах и вариацией содержания взвешенных веществ, использовалась физическая модель формирования излучения от водного объекта, содержащего минеральные взвеси (Григорьева О.В. и др., 2011). Прозрачность чистой воды в сине-зелёном спектральном интервале (470-570 нм) достигает 20-30 м и более, а КСЯ при достаточной глубине не превышает 0,04-0,05. Основные изменения в значении яркости чистой воды вносит увеличение рассеивания света в воде на частицах взвешенных веществ, что приводит к увеличению ослабления излучений и уменьшению глубины проникновения света. При слабом и умеренном загрязнении с увеличением концентрации твердых частиц в воде максимум СХ сдвигается в длинноволновую часть спектра.
Кроме присутствия в воде растворенных и взвешенных органических веществ, определяющих долю рассеивания и поглощения света в воде, величину КСЯ определяют тип дна и глубина водоёма при анализе состояния акватории в районе мелководья. Например, для участков интенсивного распространения высшей водной растительности характерно наличие максимума отражения в спектральном интервале 700-790 нм, а для песчаного дна в качестве признака принято значение энтропии в спектральном диапазоне 600-750 нм, где наблюдаются максимальные флуктуации яркости по сравнению с другими неоднородностями в виде взвесей (Григорьева О.В. и др., 2011).
После расчета признаков акватория классифицируется по степени загрязнения с учетом параметров действующего природоохранного законодательства, в соответствии с которым водные объекты по степени загрязнения разделяются на 5 уровней: условно чистая, слабо загрязненная, загрязненная, грязная, экстремально грязная. Каждый из признаков определяет наличие исследуемого компонента загрязнения. В результате формируются карты компонентного уровня загрязнения. Следующим этапом формируется массив данных из трех изображений, каждое из которых содержит классификационные коды, соответствующие пяти уровням загрязнения относительно каждого компонента. Далее проводится классификация созданного 3-х мерного пространства на 5 классов с использованием простой Евклидовой метрики. Таким образом, происходит кластеризация по общему уровню загрязнения, в результате которой формируется карта общего уровня загрязнения акватории.
Таким образом, данные гиперспектральной съемки в настоящее время могут быть эффективно использованы для выявления нарушения водопользования, своевременного выявления экологической деградации водоёма и принятию мер по её устранению. Предлагаемая реализация учитывает общий случай физических закономерностей изменения СХ водной поверхности от уровня и компонентов загрязнения и не требует предварительных измерений параметров анализируемого водоёма, что значительно сокращает временные, финансовые, производственные затраты.