<<
>>

Оценка ареалов загрязнения снежного покрова по космическим сканерным изображениям

Выявления площадей с различной степенью загрязнения поч­венного и снежного покрова тяжелыми металлами по материалам, по­лученным с различных систем дистанционного зондирования, является одной из актуальных задач в связи с усилением антропогенных нагру­зок на природную среду, что требует получения оперативной инфор­мации для больших территорий.

Снежный покров, обладая свойством интегрального накопления загрязняющих веществ (ЗВ), которые ад­сорбируются на поверхности кристаллов в процессе их выпадения, используется в качестве планшета-индикатора загрязнения подсти­лающей поверхности. Аккумулируемые в снежном покрове ингреди­енты сохраняются до снеготаяния и таким образом несут в себе значи­тельную геохимическую информацию.

В районах действия техногенных источников загрязненный снежный покров позволяет оценить химический состав атмосферных выпадений, их интенсивность, выявить ареалы рассеяния и вместе с данными космической съемки получать информацию о степени за­грязнения снежного покрова вблизи промышленных центров. Накоп­ление ЗВ в снежном покрове зависит от климатических условий на данный период, свойств подстилающей поверхности, почв, горных пород, рельефа, растительности, локальных техногенных источников. Накопленные в снежной толще ЗВ в период таяния увеличивают кон­центрации в весеннем стоке. При таянии они попадают в дождевую канализацию, водоемы и могут быть причиной загрязнения питьевых вод. Известно, что концентрация ЗВ в атмосфере, поступающих от ис­точников, резко убывает с увеличением расстояния от источника. Ана­логичная картина содержания и изменения наблюдается в снежном покрове.

Применение дистанционных методов измерения параметров за­грязнения местности особенно примечательно, поскольку ранее в от­ношении снежного покрова эти методы применялись лишь для опре­деления пространственно-временных характеристик ореала загрязне­ния.

В связи с этим актуализируется проблема сбора и анализа опера­тивной информации о состоянии снежного покрова на большой терри­тории. Возникла необходимость в разработке дистанционных методов оценки уровней загрязнения снега по цифровым спутниковым изобра­жениям и в построении карт загрязнений.

возможностью установления связей параметров, характеризующих состояние природной среды с полем уходящего излучения. Важным свойством снежного покрова, обеспечивающим его дешифрирование на спутниковых изображениях, являются его высокие альбедо и спек­тральные коэффициенты яркости (СКЯ). Но эти характеристики, как показали исследования, зависят от очень многих факторов, в том числе

и от степени загрязнения. Альбедо чистого сухого снега может дости­гать 90-100%, а загрязнение снижает этот показатель до 20-50%, и таким образом оно может быть идентифицировано по дистанционным измерениям. На космических снимках, полученных в видимом и ближнем ИК диапазонах (0.6-1.1 мкм), загрязненным участкам снеж­ного покрова соответствуют более темные участки снимка и, соответ­ственно, меньшие значения коэффициентов интенсивности снега. Этот признак выбран в качестве основного для дешифрирования загрязне­ния снежного покрова.

Для определения функциональной зависимости между многозо­нальными дистанционными измерениями отражательных характери­стик снежного покрова и параметрами, характеризующими степень загрязнения снега, использовались данные, полученные при моделиро­вании, и цифровые данные сканеров МСУ-Э и МСУ-СК. Снимки, по­лученные с помощью МСУ-СК, обеспечивают съемку всей территории юга Западной Сибири за один пролет и позволяют глобально оценить и выявить источники и площади загрязнений, а снимки с МСУ-Э слу­жат для более детального изучения отдельных участков загрязнений.

В процессе моделирования загрязненность поверхности снега имитировалась путем искусственного запыления заданными дозами веществ, собственная яркость которых близка к встречающимся в зоне воздействия промышленности (уголь, зола).

Спектрофотометрирова- ние проводилось на девяти фиксированных значениях длины волны в диапазоне 560-946 нм. Далее с помощью процедуры простой регрес­сии пакета STATGRAPHICS (Statistical Graphics System) составлялась модель отношения СКЯ снежного покрова и массы загрязнителяй пу­тем минимизации суммы квадратов остаточных величин для подби­раемой линии. В результате аппроксимации модельных данных раз­личными функциями получили зависимость вида

L = (A-B)exp{-Cm}+ B,

са проводилось взятие образцов снега с тестовых участков наземными экспедициями. Территория съемки и места отбора проб предваритель­но планировались по архивным космическим снимкам. Для определе­ния концентрации твердого осадка загрязнений и содержания в снеге тяжелых металлов проводился химический анализ проб. Для опреде­ления связей между массой осадка m и массой тяжелых металлов Mz рассчитывалась корреляционная матрица, элементы которой (коэффи­циенты парной корреляции) определялись по формуле

J - mcp-)(M2 -Mzcp)

r = i=1 .

J J (mi - mCp У J (Mz - MzCp У

i=1i=1

Очень сильной оказалась корреляционная связь между массой осадка и содержанием металлов, характерных для промышленных вы­бросов (ТЭЦ, промпредприятия): для B, Ba, Co, Mn, Ti, V они соответ­ственно составляют 0.86, 0.79, 0.93, 0.91, 0.87, 0.82 и низкие — для металлов, нехарактерных для антропогенного загрязнения. Также ока­залось, что данные подчиняются логнормальному распределению, среднее значение которого стремится (погрешность не превышает 10 %) к фоновому значению загрязнения местности.

Изображения МСУ-Э от 1.04.92 г., МСУ-СК от 24.03.92 г. и 14.03.94 г. совмещались с картоосновой, что позволило определить места отбора проб наземными экспедициями на снимке и значения интенсивности, соответствующие этой точке. Из-за невозможности точного, до нескольких десятков метров, определения на снимке места отбора пробы проводилось усреднение значения интенсивности кос­мических изображений по окну 5x5 пикселов.

Параллельно по карте места отбора разделялись на ландшафты (лес, снежный покров, насе­ленный пункт). В результате получили следующий набор данных: мас­са содержания осадка загрязнения; значения интенсивности снимка в данной точке отбора.

За основу решения задачи нахождения связи измеряемых спут­ником характеристик излучения с параметрами, характеризующими загрязнение снежного покрова, были взяты регрессионные методы, позволяющие получить эту связь простыми, но достаточно надежными способами. Задача этого этапа заключается в нахождении адекватной регрессионной зависимости и оценке уравнений связи функций — от­кликов (содержание твердого осадка или металлов) с факторами — параметрами (значениями интенсивности изображения разных каналов сканера). Прежде всего определялось наличие достаточно сильных и значимых связей между содержанием твердого осадка загрязнения и значением интенсивности снимка. Для построения регрессионных мо­делей использовались данные, представленные Алтайской гидрологи­ческой экспедицией (всего 209 точек). Используя зависимость, полу­ченную на модельном загрязнении (1), найдены коэффициенты A, B, C. Нахождение коэффициентов проводилось с помощью процедуры нелинейной регрессии из пакета STATGRAPHIC, который обеспечива­ет оценку параметров по методу наименьших квадратов.

Определение областей пригодности полученной модели было основано на совместном анализе результатов сплайн-аппроксимации, регрессионного и дисперсионного методов. Скользящим окном разме­ром 5x5 пикселов в области спутникового изображения рассчитыва­лась квадратичная ошибка восстановления m с помощью двух спосо­бов: кубического сплайна по наземным данным и регрессионного уравнения по орбитальным данным. Для наглядности вывода и удоб­ства анализа полученное пространственное распределение представля­лось в формате исходного изображения. Их визуальное сравнение по­казало, что в областях открытого снега, т.е. незанятого застройками и хвойным лесом, значения m, полученные разными методами, совпада­ют с погрешностью не более 10%, что свидетельствует о хорошей рас­четной точности построенной модели.

Эта же функциональная зависимость справедлива не только для твердого осадка, но и для ряда тяжелых металлов, имеющих высокий коэффициент парной корреляции с ним и характерных для антропо­генного загрязнения (B, Ba, Co, Mn, Ti, V) и наилучшим образом опи­сывает их распределение. Результаты оценки коэффициентов модели (1) по изображению и корреляционные отношения между значением интенсивности снимка и содержанием металла приведены в табл. 8.3. Для металлов, нехарактерных для антропогенного загрязнения, и, со­ответственно, имеющих низкие коэффициенты корреляции с массой осадка, такой связи нет. На рисунке представлена кривая, описываю­щая зависимость между содержанием осадка загрязнения и значением интенсивности спутникового изображения для снежного покрова.

Пространственное распределение Co в снежном покрове пока­зано на рис. 8.22. Такие цифровые карты построены для 18 химических элементов. В данном разделе представлены также картосхемы распро­странения Pb и Mz (масса твердого осадка), размерность цветовой шкалы соответствует превышению фонового значения (рис. 8.23).

Рис. 8.22. Распределение кобальта в снежном покрове

Анализ данных химического анализа проб снега показал, что содержание некоторых тяжелых металлов в снежном покрове превы­шает предельно допустимые концентрации в несколько раз.

Рис. 8.23. Содержание тяжелых металлов в снежном покрове

На рис. 8.24 трехмерном виде представлено распределение мас­сы твердого осадка в снежном покрове.

Рис. 8.24. Распределение массы твердого осадка в снежном покрове Таблица 8.3

Результаты регрессионного анализа для снежного покрова

Элемент Коэффициенты Корре­

ляция

A отклонение ошибка C отклонение ошибка
Mz 146.7 7.13 0.049 18.7 0.7 0.037 0.88
B 144.3 7.1 0.049 0.467 0.018 0.039 0.87
Ba 132.6 4.7 0.035 0.188 0.00057 0.031 0.92
Co 151.8 7.72 0.051 0.637 0.0245 0.038 0.88
Mn 149.4 8.0 0.054 0.019 0.0008 0.042 0.86
Ti 139.9 6.1 0.045 0.0039 0.00015 0.38 0.88
V 157.3 9.1 0.058 0.189 0.008 0.042 0.86

Классификация спутниковых изображений. Для определения статистически связанных областей в пространстве интенсивности применяются методы автоматической классификации, непосредствен­но опирающиеся на задачи выделения в многомерном пространстве компактных групп точек и основанные на описании классов «ядрами».

В основе программы автоматической классификации FOREL (разра­ботка лаборатории обработки изображений Алтайского госуниверси­тета) лежит следующий алгоритм:

- задается начальное разбиение Q1 ,..., Qk;

- пусть после m-ой итерации имеем Q1 ,., Qk;

- вычисляется набор средних Q^ [i];

- объект Q относится к классу Q [i], если расстояние между Q^ [i] и Q не превышает D0;

- если объект не относится ни к одному из классов, и число до­пустимых классов maxQ превышает количество существующих клас­сов, то определяется новый класс с «ядром» Q;

- если за текущую итерацию набор средних и количество эле­ментов в классе не изменяется, то завершаем работу алгоритма.

Реализация программы состоит из следующих этапов: опреде­ление оператором начальных параметров классификатора по уже имеющейся методике классификации и требуемых характеристик вы­ходной карты (количество классов, дисперсия яркостных значений в одном классе), автоматическая классификация с заданным параметром классификатора, предварительная оценка правильности классифика­ции исходя из требований, заложенных в первом пункте, коррекция параметров и, если необходимо, повторная автоматическая классифи­кация; полученная карта и набор классов, соответствующих ей, на ос­новании имеющихся наземных данных или иного картографического материала анализируются на предмет исключения классов, не пред­ставляющих интереса (леса, водные поверхности, участки занятые строениями и др.), на основе сформированного набора классов произ­водится окончательная классификация исходного снимка и определя­ется принадлежность классов различным природным объектам; если необходимо, проводится более тонкая классификация с целью разде­ления классов на подклассы.

Полученные значения ядер классов могут использоваться для обучения при дальнейшей обработке других аналогичных снимков и могут представлять банк данных яркостных характеристик снежного покрова. Помимо значений ядер классов в банк данных входят данные, полученные наземными экспедициями о химическом составе, влажно­сти и спектральных характеристиках.

С использованием описанной программы производится выявле­ние и определение пространственного распределения зон загрязненно­го снежного покрова с pазличными отpажательными способностями в оптическом и ИК диапазоне на основе данных, полученных бортовыми космическими сканерами МСУ-Э (3-канальное изображение) и МСУ- СК (1- и 4-канальное изображения).

На выходе классификатора получено 200 классов МСУ-Э, 10 и 58 классов МСУ-СК, включающих в себя среднее значение интенсив­ности, дисперсию и количество точек в классе. Ядра выходных классов для снимков приведены на рис. 8.25 и 8.26.

Рис. 8.25. МСУ-Э: ядра выходных классов

Рис. 8.26. МСУ-СК: ядра выходных классов

Из полученных классов визуально по карте отобраны классы, приходящиеся на снежный покров. Пространственное расположение выходных классов однозначно указывает на их связь с загрязненно­стью территории атмосферными выпадениями. Отдельные классы представляют дымовые шлейфы в атмосфере, «отпечатки» шлейфов на свежевыпавшем снеге, средне- и сильнозагрязненные городские квар­талы, а также открытую от снега почву и различные степени загрязне­ния снежного покрова, соснового леса. На синтезированном изобра­жении МСУ-Э от 1.04.92 г. хорошо выделяется различная степень за­грязнения города, а также зоны открытой воды на р. Обь, образовав­шиеся вследствие сброса отработанных вод с промышленных пред­приятий города (рис. 8.27). Вытянутая на северо-восток эллипсоидная форма загрязненного снега соответствует розе ветров в зимний период и превышает площадь города в 4 раза. Вклад г. Новоалтайска заметен в восточной части пятна вытаявшего снега.

Рис. 8.27. Синтезированное изображение (МСУ-Э, 01.04.92 г.)

Рис. 8.28. Загрязнение снежного покрова (по изображениям МСУ-Э)

На рис. 8.28 представлено загрязнение снежного покрова, полу­ченное по изображениям МСУ-Э от 1.04.92 , МСУ-СК от 24.03.92, и МСУ-СК от 14.03.94. Цветовые классы, указанные на клине, соответ­ствуют номерам выходных классов на рис. 8.26 и построены в порядке уменьшения степени загрязнения. Класс леса при обработке снимков МСУ-СК совпадает с классом сильно загрязненного снега. При анали­зе изображений, полученных с МСУ-Э и МСУ-СК, наблюдается уменьшение загрязнения снежного покрова вокруг г. Барнаула в 1994 г. по сравнению с 1992 г.

Дымовые шлейфы в атмосфере и их «отпечатки» на фоне све­жевыпавшего снега представлены на синтезированных изображениях МСУ-Э от 15.03.91 г., МСУ-Э от 21.03.92 г. и сканерных снимках со спутника SPOT (рис. 8.29, 8.30).

В процессе мониторинга и оценки степени загрязнения снежно­го покрова на территории Юга Западной Сибири и Горного Алтая ис­пользовались 4 снимка МСУ-С, 22 снимка МСУ-СК и 8 снимков МСУ- Э со спутников серии «Космос» за осенне-весенний период с 1989 по 1992 г.

Анализ данных материалов дистанционного зондирования пока­зал, что на осенних снимках (октябрь-ноябрь) хорошо видна динамика установления снежного покрова. Источников промышленного загряз­нения обнаружить не удается. В зимний период загрязнения проявля­ются только во время долгого отсутствия снегопадов. На свежевыпав­шем снеге выделяются точечные источники загрязнений в виде от­дельных городов и поселков (в пределах городской черты).

Рис. 8.29. Сканерный снимок со спутника SPOT, 13.02.94 г.

Рис. 8.30. Сканерный снимок со спутника SPOT, 24.02.94 г.

По мере прекращения снегопадов и наступления снеготаяния в марте начинают проявляться обширные зоны загрязнения вокруг промцентров. Так, на территории Западной Сибири и Казахстана в конце марта проявляются: Павлодар - Ермак с радиусом загрязнений 120 км, Экибастуз -- 150 км, Славгород -- 30 км, Горняк - Жезкент - Змеиногорск -- полоса с запада на восток длиной 100 км и шириной 30 км, Восточный Казахстан: полоса с северо-запада на юго-восток -- 250x60 км. (Первомайский - Глубокое - Усть-Каменогорск - Ленино- горск - Серебрянск). На территории Республики Алтай выделяется загрязнение долины Горно-Алтайск - Майма с площадью 100 кв. км и долины у с. Шебалино. Другие населенные пункты сливаются с окру­жающим их хвойным лесом (Онгудай, Акташ). В других случаях пло­щадь загрязнений не превышает границ поселков.

На поздневесенних снимках (до 10 апреля) сильно загрязненные участки протаяли до открытой почвы (видна структура и нарезка сель­скохозяйственных полей), а чистые по прежнему покрыты снегом. На хребтах Рудного Алтая в Восточном Казахстане — Убинском, Уль- бинском снег продолжает лежать, но это обусловлено высотной пояс­ностью. На позднеосенних изображениях (октябрь-ноябрь), когда под­стилающая поверхность степных районов имеет яркость темнее снеж­ного покрова в предгорьях и на хребтах, при слабой атмосферной дымке выделяется перенос воздушных потоков из Западного Китая. Оперативная съемка территории юга Западной Сибири проведена

24.03.92 г. со спутника «КОСМОС-1939» сканером МСУ-СК. Для ка­чественной оценки загрязнения использовалось разбиение гистограм­мы интенсивности 2-го канала на отдельные градации. Интервалы подбирались в интерактивном режиме с учетом опыта дешифрирова­ния аналогичных снимков. На рис. 8.31 вытянутость поля загрязнения объясняется преобладанием ветров в этом направлении в течение не­скольких дней перед моментом съемки.

Рис. 8.31. Загрязнение снежного покрова в районе г. Павлодара

анализе космоснимков выделяется аномальная по отношению к розе ветров зона загрязнений снежного покрова в западной и северо­западной части окрестностей г. Бийска. Ширина загрязнения к западу от Бийска по направлению север-юг в районе с. Сорокино составляет

около 30 км, а к востоку от города (по розе ветров) в районе с. Больше­енисейское — около 10 км. Возможным источником загрязнения снежного покрова в северо-западном направлении является промзона в западной части г. Бийска и промплощадка НПО «Алтай».

Интерес представляют дымовые шлейфы от г. Горняка в Лок- тевском районе Алтайского края и г. Жезкент в Семипалатинской об­ласти Казахстана. Источниками служат котельные на горно­обогатительных комбинатах и мелкие городские котельные. На снеж­ном покрове «отпечатались» следы от дымовых шлейфов, соответст­вующие направлениям ветра в период от последнего крупного снего­пада до момента съемки. На снимках г. Рубцовска выделяются дымо­вые шлейфы в северной части города. Загрязнение снега достигает только оз. Горького. На рис. 8.32 представлено изображение загрязне­ния снежного покрова вокруг Горняка и Жезкента по снимку за 24.03.92 г. в масштабе 1:140000.

Рис. 8.32. Загрязнения снежного покрова вокруг г. Горняка, 24.03.92 г.

градации соответствует слабая степень загрязнение (значения интен­сивностей 3-го канала МСУ-Э от 177 до 186), которое имеет резкую границу с запада. На север -- протяжение до 50 км. Это обнаружено на снимках за все даты. Возможными источниками загрязнения явля­ются дымовые шлейфы, а также открытые от снега почвы. На рис. 8.33 представлены дымовые шлейфы от Горняка и Жезкента, выделенные по снимку за 5.03.92 г.

Рис. 8.33. Дымовые шлейфы от г. Горняка и г. Жезкента, 05.03.92 г.

Пересчет в проекцию карты проводился по формуле неполного квадрата. Изображение разбивалось на два кадра размером 512x512 элементов каждый с перекрытием в 30 строк. На каждом фрагменте указывалось 6 опорных точек, при этом 2 точки находились в области перекрытия кадров.

Проведены исследования на предмет обусловленности связей спектрально-яркостных свойств снежного покрова влиянием на него загрязняющих веществ, получена зависимость степени загрязнения снежного покрова и интенсивности спутникового изображения. Полу­чены количественные зависимости содержания твердого осадка и тя­желых металлов в снежном покрове от значения интенсивности изо­бражения. Построены цифровые карты пространственного распреде­ления загрязнения снежного покрова в окрестностях г. Барнаула тяже­лыми металлами. Примененный метод обработки космических изо­бражений загрязненного снежного покрова с помощью алгоритмов классификации и регрессионного анализа позволяет пространственно экстраполировать уровень загрязнения на обширной территории, на­ходящейся за пределами доступной наземным экспедициям области, и это существенно ускоряет и упрощает оценку экологической обста­новки.

8.2.

<< | >>
Источник: Толмачева Н.И., Шкляева Л.С.. Космические методы экологического мониторинга: учеб. пособие / Н.И. Толмачева, Л.С. Шкляева; Перм. ун­т.- Пермь,2006.- 296 с.. 2006

Еще по теме Оценка ареалов загрязнения снежного покрова по космическим сканерным изображениям:

  1. ОГЛАВЛЕНИЕ
  2. Оценка ареалов загрязнения снежного покрова по космическим сканерным изображениям