Оценка возможности дешифрирования растительности по тепловым космическим снимкам на примере Южного Урала и Кузнецкого Алатау

DOI: 10.35595/2414-9179-2022-1-28-496-507

Посмотреть или загрузить статью (Rus)

Об авторах

М.Ю. Грищенко

Московский государственный университет имени М.В. Ломоносова, Географический факультет,
Ленинские Горы, 1, 119991, Москва, Россия;

Национальный исследовательский университет «Высшая школа экономики», ФГиГТ,
Покровский бульвар, 11, 109028, Москва, Россия;

E-mail: m.gri@geogr.msu.ru

Д.А. Лучер

Московский государственный университет имени М.В. Ломоносова, Географический факультет,
Ленинские Горы, 1, 119991, Москва, Россия;
E-mail: denis.lucher@gmail.com

М.В. Бочарников

Московский государственный университет имени М.В. Ломоносова, Географический факультет,
Ленинские Горы, 1, 119991, Москва, Россия;
E-mail: maxim-msu-bg@mail.ru

Аннотация

В работе представлены результаты дешифрирования растительного покрова по многовременным тепловым космическим снимкам двух горно-степных участков: на Южном Урале (Абзелиловский район Республики Башкортостан) и в Кузнецком Алатау (Усть-Абаканский и Ширинский районы Республики Хакасии). По этим участкам есть большой объем полевых данных о растительном покрове, что позволяет проводить надежную верификацию спутниковых данных. На основе полевых данных и снимков высокого пространственного разрешения в оптическом диапазоне составлены карты растительности, которые стали основой для дальнейшего дешифрирования тепловых снимков — использованы снимки съемочной системы TIRS, спутник Landsat 8. К многовременным снимкам применены методы контролируемой и неконтролируемой классификации. В ходе исследования удалось установить, что по результатам дешифрирования растительности по тепловым космическим снимкам для участка на Южном Урале можно с хорошей достоверностью (до 50–70 %) определять лесные территории, уверенно проводить границу леса и безлесных территорий. С удовлетворительной точностью (до 44 %) определяются петрофитные степи. Для участка на Южном Урале характерны небольшие размеры территории, малое разнообразие растительных сообществ и достаточно большая зависимость интенсивности теплового излучения от экспозиции склонов. Участок в Кузнецком Алатау показал более репрезентативные результаты дешифрирования. Наиболее уверенно распознаются лиственничные и березово-лиственничные леса (до 70 %), пихтовые и березово-пихтовые леса (до 56 %), ерниковые и мохово-лишайниковые тундры (до 49 %), степная растительность (до 45 %).

Ключ. слова

географическое дешифрирование, Landsat, контролируемая классификация, неконтролируемая классификация, Южный Урал, Кузнецкий Алатау

Список литературы

  1. Грищенко М.Ю., Буторина С.А. Исследование возможностей применения тепловых снимков для дешифрирования растительности (на примере островов Беринга и Кунашир). Материалы Международной конференции ИнтерКарто. ИнтерГИС, 2017. Т. 23. № 3. С. 71–81. DOI: 10.24057/2414-9179-2017-3-23-71-81.
  2. Грищенко М.Ю., Калитка Л.С. Изучение сезонной изменчивости теплового поля Краснодара по космическим снимкам со спутника Landsat 8. Материалы Международной конференции ИнтерКарто. ИнтерГИС, 2019. Т. 25. № 2. С. 101–111. DOI: 10.35595/2414-9179-2019-2-25-101-111.
  3. Книжников Ю.Ф. Динамическое аэрокосмическое зондирование (содержание, проблемы, область применения). Вестник Московского университета. Серия 5: География. 1985. № 4. С. 7–14.
  4. Книжников Ю.Ф., Кравцова В.И. Аэрокосмические исследования динамики географических явлений. М.: Изд-во МГУ, 1991. 206 с.
  5. Кронберг П. Дистанционное изучение Земли: Основы и методы дистанционных исследований в геологии: пер. с нем. М.: Мир, 1988. 343 с.
  6. Alshaikh A. Vegetation Cover Density and Land Surface Temperature Interrelationship Using Satellite Data, Case Study of Wadi Bisha, South KSA. Advances in Remote Sensing, 2015. V. 4. No. 3 P. 248–262. DOI: 10.4236/ars.2015.43020.
  7. Hansen M.C., DeFries R.S., Townshend J.R.G., Sohlberg R., Dimiceli C., Carroll M. Towards an operational MODIS continuous field of percent tree cover algorithm: examples using AVHRR and MODIS data. Remote Sensing of Environment, 2002. V. 83. Issues 1–2. P. 303–319. DOI: 10.1016/S0034-4257(02)00079-2.
  8. Neinavaz E., Schlerf M., Darvishzadeh R., Gerhards M., Skidmore A.K. Thermal infrared remote sensing of vegetation: Current status and perspectives. International Journal of Applied Earth Observation and Geoinformation, 2021. V. 102. P. 102415. DOI: 10.1016/j.jag.2021.102415.
  9. Rodriguez-Galiano V., Pardo-Iguzquiza E., Sanchez-Castillo M., Chica-Olmo M., Chica-Rivas M. Downscaling Landsat 7 ETM+ thermal imagery using land surface temperature and NDVI images. International Journal of Applied Earth Observation and Geoinformation. 2012. V. 18. P. 515–527. DOI: 10.1016/j.jag.2011.10.002.
  10. Sinha S., Sharma L.K., Nathawat M.S. Improved Land-use/Land-cover classification of semi-arid deciduous forest landscape using thermal remote sensing. The Egyptian Journal of Remote Sensing and Space Science, 2015. V. 18. Issue 2. P. 217–233. DOI: 10.1016/J.EJRS.2015.09.005.
  11. Southworth J. An assessment of Landsat TM band 6 thermal data for analysing land cover in tropical dry forest regions, International Journal of Remote Sensing, 2004. V. 25. No. 4. P. 689–706. DOI: 10.1080/0143116031000139917.
  12. Srivastava P.K., Majumdar T.J., Bhattacharya A.K. Surface temperature estimation in Singhbhum Shear Zone of India using Landsat 7 ETM+ thermal infrared data. Advances in Space Research, 2009. V. 43. No. 10. P. 1563–1574. DOI: 10.1016/j.asr.2009.01.023.

Для цитирования: Грищенко М.Ю., Лучер Д.А., Бочарников М.В. Оценка возможности дешифрирования растительности по тепловым космическим снимкам на примере Южного Урала и Кузнецкого Алатау. ИнтерКарто. ИнтерГИС. M.: Географический факультет МГУ, 2022. Т. 28. Ч. 1. С. 496–507. DOI: 10.35595/2414-9179-2022-1-28-496-507

For citation: Grishchenko M.Y., Lucher D.A., Bocharnikov M.V. Evaluation of the possibility of vegetation interpretation on thermal infrared satellite images, case of the Southern Urals and Kuznetsk Alatau. InterCarto. InterGIS. Moscow: MSU, Faculty of Geography, 2022. V. 28. Part 1. P. 496–507. DOI: 10.35595/2414-9179-2022-1-28-496-507 (in Russian)