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.

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.

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).

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 - m_cp-)(M₂ -M_zcp)

_{r =} ^{i=1 .}

J J (mi - m_Cp У J (Mz - Mz_Cp 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.

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

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».

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

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

- 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.