К.т.н., доцент Кузнецова И.А., Жылкыбаева Ж.К.

Казахский национальный технический университет имени                         К.И. Сатпаева, Казахстан

Применение нормализованного разностного вегетационного индекса NDVI при автоматизированном дешифрировании растительного покрова.

 

Развитие компьютерных технологий позволяет упростить процедуры выявления и распознавания объектов местности на космических снимках и перейти от визуального дешифрирования к автоматизированному, что ускоряет проведение географического анализа изображений. В настоящее время разработано большое число алгоритмов автоматизированного дешифрирования (классификации космических снимков), под которым понимается процесс разбиения пикселов изображения на классы, т. е. на однородные по некоторому критерию области. Первичным признаком при классификации объектов космических снимков служит яркость пикселов в различных спектральных диапазонах съемки. В качестве вторичных признаков используются характерный размер, форма и текстура объектов. Полученное в результате изображение называется тематической картой, на которой каждому цвету соответствует определенный класс объектов. Одним из методов автоматизированного дешифрирования является применение нормализованного разностного вегетационного индекса NDVI, который также основан на разбиении пикселей изображения на классы [1]. Индекс NDVIиспользуется для дешифрирования растительного покрова. Применение индекса происходило на примере ленточных сосновых боров Прииртышья.

Сосняки Прииртышья – продолжение ленточных боров Алтая, произрастающих в сухих степях по пескам в виде и узких лент. Преобладает здесь чистые сосняки на площади 855 тыс. га, почти наполовину покрытой лесом.

Рубки главного пользования в ленточных борах запрещены. Слишком велика роль этих сосняков в предохранении песчаных почв от развеивания, накоплении и сохранении влаги для прилегающих сельхозугодий, в защите их от знойных ветров. Но к сожалению, они подвержены высокой степени горения и почти ежегодно несут большой ущерб от лесных пожаров.

В связи с этим границы леса постоянно меняются и необходимо следить за происходящими изменениями, для предотвращения окончательной утраты столь ценной экосистемы. Дешифрирование границ производилось в программном комплексе ENVI, с применением нормализованногоразностного вегетационного индекса NDVI.

Вегетационные индексы основаны на отношениях значений яркости в спектральных зонах, наиболее информативных для характеристики растительности. Обычно используют характерный перепад между яркостями растительности в красной и ближней инфракрасной зонах. Чтобы понять принцип работы индексов, обратима к двумерному пространству этих спектральных признаков. В нем значения яркости растительности образуют характерную область, напоминающую треугольник, показанный на рисунке 1 [2].

 

Рисунок 1. Растительность, почвы и водные объекты в пространстве спектральных признаков

 

С увеличением фитомассы и сомкнутости растительности  значения ее яркости растут в ближней инфракрасной зоне и падают в красной. Разные виды растительности в различном состоянии будут занимать соответствующие части треугольной области, а изменение характеристик растений присмене фенологических фаз отобразится в ней характерной траекторией – временным образом растительности. Ниже области растительности яркости участков почвы без растительности формируют на график, так называемую линию почв – гипотетическую линию, которая соответствует яркости открытых почв. Ее осредненное положение определяют, отобразив на графике значения яркости для участков различных почв со снимка и проведя через них аппроксимирующую прямую. Область в нижней этой прямой, соответствует водным объектам, имеющим минимальную яркость в ближней инфракрасной зоне.

Нормализованный разностный вегетационный индекс NDVI(NormalisedDifferenceVegetationIndex),

 

NDVI= (ВИК*-ВК*)/(ВИК*+ВК*).

 

Который аналогично VI, но изменяется от -1 до +1. Это удобнее для хранения в памяти компьютера и анализа, поскольку заранее и известны минимальные и максимальные значения индекса. Для растительности характерны положительные значения NDVI, и чем больше зеленаяфитомасса, тем они выше. На значения индекса влияет также видовой состав растительности, ее сомкнутость состояние, экспозиция и угол наклона поверхности, цвет почвы под разряженной растительностью. Линия почв соответствует значениям индекса, близким к 0 ≤NDVI≤ 1 в зависимости от свойств почв. NDVI удобен для изучения сезонной динамики растительности например, прослеживания ее фенологических изменений [3].

Нормализованный разностный вегетационный индекс NDVI применен в прогрммном комплексе ENVI.

Сущность применения индекса NDVI заключается в ведении формулы, которая различна для каждого спутника. Для спутника Landsat формула складывается из ближнего инфракрасного и красного каналов.Введение формулы производиться при помощи команды  BasicTools→BandMath, показанной на рисунке 2.

 

 

Рисунок 2. Введение формулы индекса NDVI

 

Далее производим сохранение снимка, как на рисунке 3. Сохранение возможно производить в разных форматах. Для открытия снимка в ArcGIS, сохраняем снимок в формате ArcGISGeodatebase.

 

Рисунок 3. Сохранение формате ArcGISGeodatebase

 

Присвоение индекса NDVI, означает, что каждый пиксель снимка имеет свое цифровое значение. Это дает возможность классифицировать объекты по яркостным характеристикам. Дальнейшее обработка, то есть классификация и дешифрирование производилась в приложении ArcGISDesktop, ArcMap. После выполнения названных процессов получаем снимок, показанный на рисунке 4.

 

C:\Documents and Settings\Жанар\Local Settings\Temporary Internet Files\Content.Word\ndvi_20100922.tif

 

Рисунок 4. Результаты классификации по значениям NDVI

Благодаря полученным результатам, возможно, производить определение границ леса, с дальнейшим вычислением площадей и производить сравнительный анализ изменения этих границ.

 

 

ЛИТЕРАТУРА

 

1.                 Виноградова Н.С., Кобзева Е.А., Выделение растительности и объектов гидрографии по снимкам городских территорий сверхвысокого разрешения, www.gisa.ru.

2.                 Книжников Ю.Ф. Аэрокосмические методы географических исследований. Учебник для студентов высших учебных заведений. – М.: Издательский Центр «Академия», 2004. [138-149]

3.                 Лабутина И.А., Балдина Е.А. Использование данных дистанционного зондирования для мониторинга экосистем ООПТ. Методическое пособие. Всемирный фонд дикой природы.- М.,2011. [24-26]