Объектно-ориентированная тематическая обработка мультивременных спутниковых данных Landsat для картографирования породной структуры лесов.

При комплексной оценке биоразнообразия лесных экосистем и ландшафтов одним из важных параметров (индикаторов) является разнообразие и пространственное распределение видов древесной растительности (лесных пород) на анализируемой территории. Мультиспектральные изображения высокого пространственного разрешения, получаемые со спутников Landsat, Sentinel и аналогичных аппаратов, являются универсальным, оперативным и общедоступным материалом для картографирования наземных экосистем и, в частности, лесов, как на уровне отдельных регионов (Ершов и др., 2015), так и в глобальном масштабе (Hansen et al., 2013). Совместное использование мультивременных спутниковых данных, отражающих последовательность фенологических изменений лесного покрова в течение всего года, позволяет существенно повысить точность тематической классификации при оценке породной структуры древостоев (Zhu, Liu, 2014). Объектно-ориентированный подход, получивший широкое распространение при анализе спутниковых изображений сверхвысокого пространственного разрешения, в настоящее время находит применение и при тематической обработке менее детальных данных, хотя по мере снижения разрешения падает и его объективное преимущество в точности классификации по сравнению с традиционным попиксельным анализом (Gao, Mas, 2008).
Данное исследование направлено на разработку и апробацию методики объектно-ориентированной тематической обработки мультивременных спутниковых данных Landsat для создания карты преобладающих пород древостоев на территорию Государственного природного биосферного заповедника «Брянский лес», расположенного в Брянской области. Географические координаты заповедника: 52° 25' 46" - 52° 33' 25" С.Ш. и 33° 48' 30" - 34° 06' 55"В.Д.; общая площадь вместе с охранной зоной – более 20 тыс. га.
В качестве исходных данных использовались материалы спутниковой съемки аппаратом Landsat 8 (сенсор OLI) за период с 2013 по 2016 год. Была сформирована мультивременная серия из восьми изображений, выстроенных в последовательности март-апрель-май-лето-сентябрь-октябрь-ноябрь-зима. Использовалась стандартная комбинация из трех спектральных каналов – красного (0,63-0,69 мкм), ближнего инфра-красного (0,75-0,9 мкм) и среднего инфра-красного (2,09-2,35 мкм) – для каждого изображения. Таким образом, конечный набор данных для анализа (мультивременной стек) состоял из 24 информационных слоев.
В рамках объектно-ориентированного подхода при анализе спутниковых изображений первым этапом тематической обработки является процесс пространственной сегментации. Сегментация осуществлялась алгоритмом Full Lambda Schedule (Redding et al., 1999, Crisp et al., 2003), для которого ключевым параметром является средний размер сегмента (масштаб), непосредственно влияющий на количество сегментов на результирующем изображении. Оптимальное значение масштаба оценивалось на основе анализа изменений средней локальной вариации изображения при разных уровнях детальности сегментации (Drǎgut et al., 2010, Ming et al., 2015), и в результате составило 30 пикселей (16945 сегментов).
Обучающая и контрольная выборки формировалась на основе визуальной интерпретации изображений, материалов повыделенной лесной таксации (лесоустройство 2005 года) и результатов выборочных наземных обследований территории, проводившихся летом 2015 и 2016 годов. На территории заповедника было выделено пять тематических классов по доминантам древесного полога – сосна, береза, осина, дуб и ольха черная, а также два класса смешанных насаждений – смешанные хвойно-лиственные и смешанные лиственные леса.
Тематическая классификация сегментов выполнялась в двух вариантах. Было использовано два популярных в настоящее время метода машинного обучения – случайные леса (англ. RF, Random forest – Breiman, 2001) и метод опорных векторов (англ. SVM, Support Vector Machine – Cortes, Vapnik, 1995). Классификация проходила в два этапа: сначала изображение дифференцировалось по признаку покрытой/не покрытой лесом площади, а затем в пределах полученной маски лесов выделялись преобладающие породы. Для обоих вариантов классификации общая точность, оцененная по контрольной выборке, составила 99,3% для покрытой лесом территории и более 90% для преобладающих пород.
Объектно-ориентированный подход при тематической обработке спутниковых данных Landsat обладает рядом преимуществ, по сравнению с попиксельным анализом, в частности – на этапах интерпретации изображения, поиска эталонных областей и формирования конечных картографических продуктов. При этом, большинство процессов может быть в значительной степени автоматизировано, в том числе и выбор исходных параметров для процессов сегментации и классификации. Кроме того, результаты работы обоих алгоритмов классификации, использованных в данном исследовании, продемонстрировали достаточно высокую степень соответствия контрольным данным. Формально, более высокие показатели точности были получены при использование классификатора SVM с полиномиальной функцией в качестве ядра (разница 1,6% в общем и до 16,7% для отдельных классов). Тем не менее, Random forest имеет объективные преимущества в относительной простоте настройки параметров и скорости работы алгоритма, при хорошем уровне точности, поэтому может быть предпочтительнее при картографировании основных характеристик лесного покрова в больших масштабах (на уровне отдельных регионов или всей страны).
Работа выполнялась в рамках проекта РФФИ № 15-29-02697 офи_м «Выявление роли экосистемных инженеров и биоразнообразия в функционировании лесов на основе синтеза наземных и спутниковых данных».