Необxодимые данные по объектам мониторинга могут быть выявлены в дополнительные источникаx, к которым можно отнести почвенные, литологические карты, атрибутивную текстовую информацию, результаты полевые исследований и др. Объектами для экспериментальные и полевые работ по проверке методов ведения агролесомелиоративного мониторинга выбираются ландшафты с типичными зональными агроэкологическими условиями, где выделяются защитные лесные насаждения и земли сельскоxозяйственного назначения.
Для пространственной организации информации в системе мониторинга принят треxмерный подxод. Он заключается в выделении на территории объекта мониторинга структур различного пространственного уровня. Иерарxичность рельефа позволяет проводить группировку территориальные структур и обобщать собранные данные о ресурсном и агроэкологическом потенциале агроландшафта, задаваясь определенным масштабом и уровнем детализации.
Районирование и картографирование выполняется на оцифрованной топографической карте масштаба 1:10000, 1:25000. Границы категорий земель и функциональные зоны выделяются послойно и могут быть представлены в виде отдельные изображений. Картографирование деградации агроландшафтов осуществляется в два этапа для обеспечения управляющая: решений по рациональному использованию природные ресурсов и соxранения плодородия земель [22].
Этап 1 - выбор территориальные объектов - регионов или областей, подверженные процессам деградации и опустынивания, - осуществляется на основании аэрокосмического мониторинга агроландшафтов. Потенциально такими объектами могут считаться следующие: предрасположенные к водной эрозии участки с углом склона более 1°; предрасположенные к ветровой эрозии открытые, не защищенные лесными насаждениями, участки пашни или пастбищ без травостоя; интенсивно используемые участки поверхности для сельскохозяйственного производства (пашня, пастбища) с антропогенной нагрузкой, превышающей их продуктивность при отсутствии систем мелиорации ландшафта; агроландшафты с неблагоприятными почвенно-климатическими условиями; любые регионы, подвергшиеся критическому воздействию природно-антропогенных «катастроф», таких как сели, наводнения, ураганы, ливневые (затяжные) дожди и др.
Этап 2 - создание картографической и топологической базы данных.
Информационное обеспечение картографирования агроландшафтов региона (области), выбранного в качестве объекта исследований, осуществляется созданием картографической и топологической базы данных, подбором и цифрованием топографических и тематических карт, созданием электронных таблиц для описания свойств объекта, а также использованием существующих геоинформационных систем в качестве внешней базы данных. При необходимости уточняются межхозяйственные, административные и государственные границы, проходящие по территории региона исследований, и создается тематический слой границы. Эта операция проводится для отнесения площадей территорий к определенному субъекту землепользования. В результате реализации такой технологии создаются тематические картографические слои, несущие необходимую предварительную информацию об объектах исследований.
Создание обзорной космофотокарты осуществляется с целью оценки общего состояния территорий, подверженных деградации и определения координат объектов мониторинга. Масштаб обзорной космофотокарты (1:1000000, 1:2000000) выбирается таким образом, чтобы достоверно определялись границы ландшафтных элементов (в т. ч. большие лесные массивы, водоемы, поля и др.). Обзорная карта обеспечивает взаимосвязанность информации отдельных объектов на всей территории региона исследований. Такая карта создается на основе оцифрованной топографической карты соответствующего масштаба, которая в оцифрованном виде является тематическим слоем для привязки аэрокосмоснимка региона исследований к географическим координатам и нанесения координатной сетки.
Аэрокосмоснимки региона исследований в масштабе 1:1000000, 1:2000000 оцифровываются и сохраняются в виде тематического слоя в используемом программном продукте (например, «MapInfo»). Далее они трансформируются таким образом, чтобы координаты контрольных объектов на снимке и на топографической основе совпадали. После этого проводится контрольное измерение объектов на фотоплане и сверка их координат с координатами на топографической основе. Для повышения точности привязки изображения осуществляется корректирующая трансформация, обеспечивающая приемлемую точность.
На основе данных топографической карты создается тематический слой «границы» путем проведения полилиний, совпадающих с границами, обозначенными на топографической основе. Для проведения дополнительных границ используется достоверная информация, которая переносится на тематический слой «границы» также путем проведения полилиний по контрольным точкам или наложением графической информации на существующий слой.
В результате компьютерной обработки и трансформации космоснимков создается обзорная космофотокарта, на которую нанесены координатная сетка, границы и дополнительная атрибутивная информация. Ее создание дает возможность установить объекты в агролесоландшафтах, подверженные деградации, и определить их точные координаты.
Для определения вида и уровня деградации, уточнения координат очагов, количественной оценки состояния агроландшафтов и его составляющих необходимы фотокарты более крупного масштаба (1:10 000, 1:25 000).
Создание космофотокарты объекта исследования заключается в следующем: на имеющейся обзорной космофотокарте полигоном выделяется объект исследований. Определяются его координаты, общая площадь и периметр. При необходимости устанавливается расстояние до контрольных пунктов. Проводится привязка этого полигона к координатам и создается новый тематический слой космофотокарты объекта исследований.
В зависимости от типа объекта исследований осуществляется трансформация полученной космофотокарты объекта до получения нужного масштаба. Необходимо учитывать, что разрешение исходных космоснимков, используемых при создании обзорной космофотокарты в цифровом виде, должно обеспечивать соответствующий масштаб космофотокарты. Создание космофотокарты завершается нанесением необходимой атрибутивной информации и уточнением географических координат.
Основными критериями состояния агроландшафтов могут являться содержание гумуса в почве, проективное травянистое покрытие и относительная площадь крон деревьев (полога), входящих в исследуемый ландшафт.
Для обеспечения постоянного обновления информации, а также выявления динамики экзогенных процессов разработана методология картографо-аэрокосмического динамического мониторинга агроландшафтов, основанная на компьютерном анализе информации и геоинформационных технологиях, которая включает следующие операции:
сопряженный картографический анализ и диагностику деградации агроландшафтов на основании полевых, дистанционных методов и компьютерного картографирования;
анализ структуры агроландшафтов, природных экзогенных процессов на основе ландшафтно-экологического дешифрирования космофотоснимков;
обоснование и разработку критериев оценки антропогенной деградации агроландшафтов;
составление геоэкологических (ландшафтно-экологических) карт состояния сельскохозяйственных угодий;
проведение ландшафтно-типологического и лесомелиоративного;
районирования на основе космофотоинформации;
разработку и составление региональных схем и локальных ландшафтных
проектов противодеградационных фито- и лесомелиоративных мероприятий.
2. Методы оценки пожарной опасности по данным
спутниковых наблюдений
На настоящий момент оценка природной пожарной опасности (ПО) лесных массивов производится на основе расчета индексов, использующих наземные метеорологические измерения температуры и влажности воздуха, а также количества выпавших осадков. Расчет класса пожарной опасности производится по методике Нестерова с учетом региональных особенностей по сети действующих метеостанций на территории РФ. К примеру, действующая существующая сеть метеостанций на территории Иркутской области, особенно в северной и северо-восточной её части является весьма разряженной, и поэтому оценка пожарной опасности в обширной таежной зоне производится весьма приближенно. Использование спутниковых средств наблюдения для оценки класса пожарной опасности на основе сравнения мультисовременных измерений физических параметров подстилающей поверхности таких как: отражательная способность растительности в видимом и ближнем инфракрасном диапазоне, эндогенное (собственное) излучение поверхности в инфракрасной области спектра, и их производных продуктов может в некоторой мере повысить информативность о возможном риске возгорания.
Как хорошо известно, природный риск или вероятность возникновения возгорания зависит в целом от влагосодержания лесогорючих материалов. Проведение напрямую количественных измерений в реальном времени влагосодержания лесогорючих материалов в лесах на территории большей (авиабаза, авиаотделение) или меньшей (квартал) территории практически не возможно. Поэтому на практике применяют существующие модели или проводят их модернизацию путем ввода в модель значимых параметров учитывающих региональные, физико-географические особенности территории. Важность разработки и проверки существующих моделей для оценки пожарной опасности в лесах признана во всех сообществах связанных с лесными пожарами. На сегодняшний день в различных странах и регионах существуют и функционируют несколько моделей для количественной оценки пожарной опасности. Наиболее хорошо известными и проверенными на практике системами являются Канадская система оценки пожарной опасности (CFFDRS), Национальная система оценки пожарной опасности в США (WFAS), система оценки пожарной опасности МакАртура в Австралии. Все три упомянутых системы в этих странах адоптированы к региональным условиям, имеют научную основу и проверены на практике. Системы оценки пожарной опасности в этих станах включают в себя длинные временные ряды наблюдений за возникновением пожаров, наблюдения на метеорологических станциях, а также большой объем дополнительной информации, такой как мелкомасштабные карты покрытия земной поверхности, топографические данные и цифровые модели рельефа.
Карты «зелености» древесной растительности формируются ежедневно из данных нормализованного разностного вегетационного индекса (Normalized Difference Vegetation Index-NDVI), получаемых радиометром AVHRR и поставляемых в центр данных EROS геологической службы США. Эти карты являются недельным композитом и имеют 1-километровое пространственное разрешение.
- Карта визуальной зелености (Visual Greenness Maps) - отображают зеленость сравниваемую с очень зелеными участками типа полей люцерны или полей для игры в гольф. Получаются изображения подобные тем, которые можно увидеть с воздуха. Обычно сухие области никогда не будут казаться столь же зелеными, как нормальной смачиваемые области.
Карты относительной зелености (Relative Greenness Maps) - отображают зеленость растительности по сравнению с зеленостью в период с 1984 по 2003 гг. Поскольку каждый пиксель нормализован относительно его собственного исторического диапазона, все области могут выступать полностью зелеными некоторое время в течение вегетационного периода.
Карты отклонения от средней зелености (Departure from Average Greenness Maps) отображают зеленость каждого пиксела по сравнению с его средней зеленостью в течение текущей недели, основанной на данных 1984-2003 гг.
- Карты VG, RG и DA доступны для текущего периода. Архив изображений RG и DA доступен в формате обмена географическими данными (GIF-формате). Центр данных EROS, начиная с января 2004 г. применяет новый алгоритм «просеивания» облаков и атмосферы и корректировки изображений.
Таким образом, система WFAS еженедельно формирует карты визуальной (VG) и относительной RG зелености, отклонений от средней зелености DA) и архивирует изображения RG и DA.
Кроме этого методики для определения вероятности возникновения пожаров на основе измерения динамики так называемых индексов растительного покрова применяются в Испании. В предложенной авторами модели расчета индекса потенциального пожара (Fire Potential Index) наряду с метеорологическими данными и информации о типах лесогорючих материалов, в качестве входных параметров модели требуется информация о значениях нормализованного индекса вегетации (NDVI). Значения максимальных значений индекса NDVI за 10-ти дневный период времени используются для расчета индекса «относительной зелёности» (RG) (1):
= [(NDo - NDmin)/(NDmax - NDmin)]*100, формула (1)
где для каждого пикселя изображения: NDo равно максимальное значение NDVI текущего изображения; NDmax(min) равно максимальное или минимальное историческое значение индекса NDVI в этом пикселе за тот же фенологический период времени;или другими словами относительный индекс «зелености» показывает как ведет себя текущее значение индекса NDVI по сравнению с предшествующими годами, пожароопасная ситуация которых уже известна.
По данным методикам можно сделать выводы, что методики, основанные на сравнении текущих индексов вегетации за один фенологический период с историческими значениями может не сработать в условиях сильной задымленности территории или в условиях незначительных атмосферных помех, которые не удалось отфильтровать при классификации облачного покрова.
Еще одна методика, использующая значения индекса вегетации основана на расчете индекса засухи. По используемым нами космическим снимкам можно отследить два параметра, свидетельствующие о наступлении засухи, это ухудшение состояния растительности в процессе вегетации (вплоть до полной гибели) и повышенные температуры подстилающей поверхности. Под индексом засухи понимается отношение нормализированного индекса вегетации NDVI к температуре поверхности. Поскольку засуха характеризуется повышенными температурами подстилающей поверхности, то одним из важных параметров при её диагностике является ход температурных кривых во время засухи. Анализ ряда ночных и дневных изображений в год засухи и во «влажный» год, показал, что засуха характеризуется не только повышенными дневными, но и повышенными ночными температурами. Понижение температур ночью приводит к образованию росы и туманов, то есть к конденсации паров воды на растениях, что позволяет им избегать стресса обезвоживания. В этом случае наступление атмосферной и почвенной засухи не приводит к высушиванию лесогорючих материалов.
Поскольку при наступлении засухи вегетационный индекс падает, а температуры подстилающей поверхности растут, то для более точного определения момента наступления засухи и территории её распространения предлагается использовать «Индекс засухи» ID (Index of Drought), который прямо пропорционален сумме ночной и дневной температур и обратно пропорционален значению нормализованного вегетационного индекса (2):
ID = (Т4д + Т4н) / NDVI, формула (2)
где Т4д и Т4н дневная (максимальная) и ночная (минимальная) температуры в 4-ом канале прибора AVHRR или 31-ом канале прибора MODIS.
Очевидно, что чем выше значения индекса ID и дольше его длительность, тем с большей вероятностью на наблюдаемой территории возможна засуха и тем самым выше риск возникновения пожаров. Эмпирически установлено, что для некоторых территорий Европейской части России (для открытых поверхностей) для июня значения индекса ID 1000-1400 являются нормальными, 1400-1600 свидетельствуют о средней и сильной засухе, свыше 1600 катастрофической. Для прогноза возникновения пожаров целесообразно выбрать в качестве «спокойного года» период с большим количеством осадков и малым количеством пожаров.
Слабой стороной данной методики является тот факт, что в условиях, например, Сибири, где преобладают хвойные породы деревьев, изменение нормализированного индекса вегетации происходит медленно в течение сезона и очень слабо реагирует на засушливые периоды. Данная должна хорошо работать для открытых типов земных поверхностей, таких как луга, поля, пастбища, может быть старые гари. Поэтому введение в уравнение (2) в виде знаменателя нормализированного индекса вегетации для хвойных лесов на наш взгляд условно и мало значимо. Проще просто вести подсчет накопленной (суммарной) температуры в ИК канале. В тоже время «Индекс засухи» имеет преимущества перед другими индексами в том, что он применим в весенний период в начале пожароопасного сезона. Сравнение развития вегетации в фенологических периодах двух сезонов только по индексу вегетации может и не выявить различие в значениях индексов.