Выявление очагов короеда-типографа в Московской области с использованием снимков Landsat

Введение
Площадь еловых насаждений в Московской области составляет 453.7 тыс. га (25,9 % от лесопокрытой площади). На состояние еловых лесов влияют загрязнение атмосферного воздуха, неорганизованная рекреация, механические повреждения стволов и крон деревьев, уплотнение почвы при строительстве жилья и объектов инфраструктуры, рубки, ежегодная вариация погодных условий и периодический подъем численности стволовых вредителей. С 2000 по 2009 гг. в Московской области от вредителей (главным образом короеда-типографа) погибло 27,8 тыс. га лесов (1,7% от лесопокрытой площади или 67,9% всех погибших лесов) (Обзор..., 2010).
Летом 2010 г. установилась аномально засушливая погода. Это послужило основной причиной массового размножения короеда-типографа. Второй по важности причиной, по-видимому, являлось наличие в насаждениях большого количества буреломной и ветровальной древесины. Общая площадь насаждений, пострадавших от ураганных ветров за 2008-2010 гг. составила 16100,7 га (Обзор..., 2011). Основные крупные ветровалы были разработаны, однако осталось много неразработанных мелких ветровалов.
Для выявления поврежденных насаждений применяются следующие виды дистанционного зондирования: авиационная и космическая съемка, аэровизуальное обследование. В ряде случаев использование современной космической съемки и методов ее обработки позволяет достичь оптимального сочетания оперативности, точности и стоимости работ.
Нами использовались снимки Landsat. При использовании данных Landsat необходимо учитывать, что крона единичного дерева занимает на таких снимках меньше одного пикселя, что делает весьма затруднительным выделение отдельных погибших деревьев. Однако, как отмечалось ранее, в нашем случае преобладает куртинное усыхание. Если разрешение позволяет различать кроны отдельных деревьев, то погибшие деревья заметны и в видимом диапазоне. При использовании данных более низкого разрешения наибольшую информативность имеют ближний и средние инфракрасные каналы. Участки погибших насаждений имеют существенно большую отражательную способность в 5 и 7 каналах (рис. 1).

При применении космических снимков для выявления очагов стволовых вредителей возможно использование как визуального, так и автоматизированного метода дешифрирования. При автоматизированном выявлении поврежденных участков применяются различные методы компьютерной классификации изображений. Для одиночных снимков, в основном, используются алгоритмы классификации с применением эталонов, например, по методу максимального правдоподобия (Franklin et al.,2003). Выявление изменений с помощью анализа серий снимков обычно показывает более высокую точность. Различными исследователями использовались критерии на основе разницы вегетационных индексов NDVI, SWVI и результатов преобразования Tasselled Cap (Skakun et al., 2003, Wulder et al., 2006). Также возможно применение метода опорных векторов (SVM), нейронных сетей.
Чтобы изучить возможность использования снимков Landsat TM для выявления очагов короеда-типографа в условиях Московской области, нами был выбран участок Свердловского участкового лесничества Московского учебно-опытного лесничества. На его территории в настоящий момент действуют мощные очаги короеда-типографа. Очаги приурочены к участкам ветровалов 2009-2010 г. и хорошо прогреваемым опушкам леса.
На эту территорию доступен безоблачный снимок Landsat TM за 22 июня 2010 г., когда процесс усыхания еще не проявился, а также снимок за 18 августа 2010 г., когда стали заметными куртины усыхания. Одновременно, на 18 августа 2010 г., в сервисах GoogleEarth, на изучаемую территорию доступен снимок сверхвысокого разрешения GeoEye, который использовался для подбора эталонов.
Были отобраны 100 точек-эталонов внутри наиболее крупных усыханий и 150 точек в неповрежденной части насаждений. Для данных точек извлечены значения яркости изображения в различных каналах и рассчитан индексы SWVI и NDVI. Нами опробованы несколько методов выявления поврежденных участков с применением критериев на основе линейной комбинации значений каналов и индекса SWVI.
Результаты и обсуждение
Проведенный дискриминантный анализ показал, что для разделения участков на поврежденные и неповрежденные индекс NDVI обладает низкой информативностью (точность разделения эталонов 73%, критерий F=0.22). Наибольшей информативностью обладает индекс SWVI, рассчитанный для изображения за август (критерий F=26.5, точность разделения, используя только SWVI - 95%). Несколько меньшей информативностью обладают сами значения каналов 5-го (F=10), 4-го (F=9) и 7-го (F=4.3) за август и 1-го за июнь (F=5.5). Пошаговый анализ с последовательным включением переменных позволил прийти к простому уравнению, обеспечивающему разделение эталонных точек с точностью 97%. При положительных значениях уравнения участок относится к поврежденным, при отрицательных - к неповрежденным:
I= - 97.77•SWVIавгуст - 167•5канал июнь + 44.24 (1)
97 % точности получены для разделения эталонов: наиболее характерных пикселей из центра куртин усыхания и неповрежденных участков. Часто куртины усыхания имеют размер меньше пикселя, и границы более крупных куртин не совпадают с границами пикселя. В этом случае пиксели представляют смесь отраженного излучения от поврежденных и неповрежденных участков. Нами проведен анализ, показавший линейную зависимость вероятности выявления куртины от ее размера (табл. 1). В целом по снимкам Landsat правильно выделено 66% процентов куртин усыхания по площади и 28% по числу куртин. Таким образом, основным фактором, влияющим на вероятность выявления куртины, является ее площадь, а первый и главный источник ошибок пропуска объектов — недостаточное разрешение сенсора для выявления мелких куртин.
Таблица 1. Вероятность выделения куртин погибших деревьев в зависимости от их площади.
Площадь куртин в пикселях изображения Landsat TM Число пропущенных куртин Число правильно выделенных куртин Общее число куртин Процент правильно выделенных куртин
Менее 1 343 41 384 11
1(0.09 га) 117 21 138 15
2 (0.18 га) 31 16 47 34
3 (0.27 га) 21 8 29 28
4-7(0.36-0.63 га) 29 38 67 57
8-14 (0.72-126 га) 9 35 44 80
Свыше 15 (более 1.35 га) 1 13 14 93
По своим спектральным характеристикам участки погибших насаждений достаточно близки к вырубкам, гарям, сельскохозяйственным землям. Отделение усыханий от таких участков достаточно хорошо проводится путем использования границ лесопокрытой площади, полученных с помощью дешифрирования снимков, предшествующих усыханию, или из материалов лесоустройства. Однако сложности возникают на границах леса с непокрытыми лесом и нелесными землями, так как границы не совпадают с границами пикселов, и происходит смешение спектральных свойств граничащих участков. Проблема может решаться исключением из анализа всех пограничных пикселей, но тогда мы пропускаем достаточно много куртин, так как усыхание очень часто приурочено к опушкам леса. Таким образом, второй источник ошибок - это краевые эффекты на границах с нелесными участками.
Третий источник ошибок - заселенные вредителями усыхающие деревья с зеленой кроной, незаметные даже по эталонному снимку GeoEye. Выявление «сухостоя с зеленой кроной», по-видимому, возможно по специфическим изменениям в узких спектральных диапазонах, но на практике представляется весьма затруднительным. Оценки этой ошибки могут быть сделаны как по более поздним снимкам сверхвысокого разрешения, сделанным в период, когда проявится весь сухостой, так и по данным наземных обследований. Проведенные в апреле 2011 г. выборочные наземные обследования путем оконтуривания куртин с помощью GPS показывали на 20-30% большую площадь, чем отдешифрированная по снимкам GeoEye за август 2010 года. Более точно можно будет оценить эту ошибку после появления снимков и данных массовых площадных лесопатологических обследований 2011 г.
Заключение
Исходя из всего вышеизложенного, можно считать доказанной возможность выявления крупных куртин погибших от стволовых вредителей елей по снимкам Landsat TM. Выявление таких куртин возможно после высыхания кроны деревьев, заселенных стволовыми вредителями. Достоверность дешифрирования может быть увеличена при применении данных более высокого разрешения, таких как Rapid Eye, SPOT-5 или ALOS AVNIR-2. В то же время достаточно большой процент куртин деревьев ели, заселенных короедом типографом, но не изменивших цвет хвои, остался невыявленным. При использовании данных дистанционного зондирования для планирования наземного обследования важно то, что пропущенные куртины «сухостоя с зеленой кроной» часто расположены рядом с выявленными по снимкам куртинами ели с пожелтевшими кронами.
В таких условиях наибольшего эффекта можно добиться путем совместного применения наземных и дистанционных данных. Оперативную оценку общей площади очагов короеда-типографа и погибших насаждений целесообразно делать на основе данных пробных площадей, заложенных по принципу стратифицированной выборки. В настоящее время сотрудниками ФГУ «Рослесозащита» производится выделение куртин усыхания ели по снимкам Landsat TM на территории всей Московской области.
Спутниковые данные уже сейчас играют большую роль в мониторинге состояния темнохвойных лесов России. Однако наибольшего эффекта мы можем достичь, создав автоматизированную систему обработки спутниковых данных высокого разрешения и интегрировав такие данные с данными наземного мониторинга и максимальным количеством внешних данных необходимых для прогноза лесопатологической ситуации.

Литература:
1. Обзор лесопатологического и санитарного состояния лесов в 2009 году в Московской области и прогноз лесопатологической ситуации на 2010 год –Пушкино: ФГУ "Рослесозащита" 2010.
2. Обзор лесопатологического и санитарного состояния лесов в 2010 году в Московской области и прогноз лесопатологической ситуации на 2011 год –Пушкино: ФГУ "Рослесозащита" 2011.
3. Franklin, S.E., Wulder, M.A., Skakun, R.S. & Carroll, A.L. Mountain pine beetle red attack forest damage classification using stratified Landsat TM data in British Columbia, Canada. // Photogrammetric Engineering and Remote Sensing, 2003 №69(3):283–288.
4. Skakun, R.S., Wulder, M.A., Franklin, S.E. Sensitivity of the thematic mapper enhanced wetness difference index to detect mountain pine beetle red attack damage//Remote Sensing of Environment. 2003 №86(4): 433–443.
5. Wulder, M.A., White, J.C., Bentz, B.J. & Ebata, T. Augmenting the existing survey hierarchy for mountain pine beetle red attack damage with satellite remotely sensed data// The Forestry Chronicle 2006 №82(2): 187–202.