1.9: Рослинність і вогонь

Перші розділи цих заміток значною мірою охоплювали загальні теми пасивного оптичного дистанційного зондування - питання загального значення та методи обробки зображень, які не є специфічними для тієї чи іншої галузі застосування. У цьому розділі ми розглянемо деякі методи, розроблені та широко використовувані спеціально для дистанційного зондування двох речей: рослинності та вогню. Подібні глави можуть бути написані і на багатьох інших конкретних додатках дистанційного зондування - рослинність і вогонь використовуються тут, оскільки використання супутникових знімків для їх картографування та моніторингу добре розроблено та використовується в оперативному режимі як у національному, так і в глобальному масштабах.

Рослинність

Враховуючи, скільки Землі покрито тією чи іншою формою зеленої рослинності, не дивно, що багато дослідницьких зусиль пішло на використання дистанційного зондування для картографування та оцінки різних аспектів рослинності. Це важливо для базових галузей, які підтримують життєдіяльність людей по всьому світу, таких як лісове господарство та сільське господарство, а також практично для будь-якої екологічної оцінки наземних територій. Насправді було зроблено так багато досліджень, що цілі книги були написані саме про дистанційне зондування рослинності.

Простіше кажучи, здатність виявляти рослинність при пасивному оптичному дистанційному зондуванні заснована на його спектральної сигнатурі (рис. 67), яка досить сильно відрізняється від інших типів поверхні.

Малюнок 27. Відбиття води, ґрунту та рослинності на різних довжині хвиль за допомогою SEOS, Наукова освіта через спостереження Землі для середніх шкіл (SEOS), CC BY-NC-SA 2.0.

Видима область довжини хвилі

Здорова зелена рослинність поглинає більшу частину падаючого на неї видимого світла, використовуючи його для росту в процесі фотосинтезу. Фотосинтез - відносно складний біохімічний процес, який починається з поглинання фотона молекулою пігменту, який запускає електронний перехід (рух електрона від одного енергетичного рівня до вищого), що запускає ланцюгову реакцію, що веде до виробництва рослинного матеріалу з основні хімічні компоненти СО ₂ і води. Форма хлорофілу є домінуючим пігментом майже у всій рослинності, а хлорофіл дуже добре поглинає видиме світло, саме тому рослинність має низькі відбивні коефіцієнти на видимих довжині хвиль. Хлорофіл трохи краще поглинає сині та червоні довжини хвиль, ніж при поглинанні зелених довжин хвиль, тому відносно більше зеленого випромінювання відбивається, надаючи рослинності зелений вигляд.

Інфрачервона область довжини хвилі

Вхідні фотони на довжині хвиль в ближній інфрачервоній області окремо містять менше енергії (нагадаємо, що енергія в фотоне пропорційна його частоті, а значить, обернено пропорційна його довжині хвилі). Тому ці фотони не здатні викликати електронний перехід, тому пігменти, що використовуються для фотосинтезу, не можуть їх використовувати, і взагалі не поглинають їх. Інші частини рослин, особливо рідка вода, що міститься в листі, поглинають ці фотони, які обертаються і розтягують хімічні зв'язки у воді або в клітині рослин, ефективно нагріваючи поглинаючий матеріал. Загалом, рослини не потребують нагрівання, і за винятком довжин хвиль близько 1,4 мкм і 1,9 мкм, де вода є сильним поглиначем, рослини відображають значну частину вхідного ближнього інфрачервоного випромінювання.

Поєднання низької відбивної здатності у видимому та високому коефіцієнті відбиття в ближньому інфрачервоному діапазоні хвиль є найбільш характерною ознакою рослинності, що використовується в дистанційному зондуванні, і використовується для швидкого та брудного відображення рослинності на Землі. Враховуйте, що більшість земельних ділянок містять суміш рослинних та нерослинних ділянок. Іноді цей «мікс» буває дуже одностороннім, як в Амазонії, пустелі Сахара або Канадській Арктиці, а іноді воістину більш змішаний, як на африканській савані (рис. 68).

Індекси вегетації

Використання відбивної здатності лише у видимих довжині хвиль не говорить нам, скільки рослинності знаходиться в області, оскільки вода також має низький коефіцієнт відбиття в цій області довжин хвиль. І використання відбивної здатності лише в ближній інфрачервоній області також не говорить нам багато про рослинність, оскільки інші типи поверхні, такі як яскравий пісок та яскравий сніг, зображений на малюнку 68, також мають вищу ближню інфрачервону відбиваність. Однак співвідношення видимих та ближніх інфрачервоних відбитків є корисним показником кількості рослинності, присутньої в місцевості, оскільки жоден інший тип поверхні не має як високої ближньої інфрачервоної, так і такої низької видимої відбивної здатності, як рослинність. Це спостереження спочатку призвело до розвитку того, що називається Simple Ratio (SR):

SR = НІР/Червоний

де NIR - це коефіцієнт відбиття поверхні в області довжин хвиль ближнього інфрачервоного діапазону (зазвичай близько 700-1000 нм), а RED однаковий для червоної області довжини хвилі (600-700 нм).

68: Чотири ділянки з досить різними характеристиками рослинності. Зліва вгорі: Африканська савана містить суміш дерев і трав'яного покриву. Дерева на африканській савані Лінн Грейлінг, PublicDomainPictures.net, CC0 1.0. Справа вгорі: пустеля Сахара в більшості місць порожня рослинності. Пустеля Сахара Азер Кочулу, Вікісховище, CC0 1.0. Зліва внизу: Амазонський тропічний ліс покритий густою рослинністю. Амазонський тропічний ліс від CIFOR (Ніл Палмер/CIAT), Flickr, CC BY-NC-ND 2.0. Внизу праворуч: Канадська Арктика має великі площі без рослинності. Візерункова земля в канадській тундрі Реймонда М. Ковені, Wikimedia Commons, CC BY-SA 3.0.

Хоча значення коефіцієнта відбиття поверхні в принципі завжди повинні використовуватися для обчислення цього та будь-якого іншого вегетаційного індексу, на практиці ці розрахунки часто виконуються замість цього на основі коефіцієнта відбиття TOA або навіть сяйва TOA (або навіть значень DN!). Просте співвідношення має один недолік, який означає, що він рідко використовується - його значення наближаються до нескінченності, коли коефіцієнт відбиття червоного кольору наближається до нуля, що ускладнює інтерпретацію відмінностей між великими значеннями. Тому частіше використовується просте вдосконалення, яке називається нормалізованим індексом різниці рослинності (NDVI), засноване на тих же двох вимірах:

NDVI = (NIR-червоний)/(NIR+червоний)

Значення NDVI варіюються від мінімуму -1 до максимуму +1. Типові значення для голого ґрунту - близько 0, для води близько -0,2, а для рослинності в діапазоні 0,1-0,7 залежно від здоров'я та густоти рослинності. Оскільки NDVI спирається лише на два вимірювання, в ближньому інфрачервоному та червоному діапазонах довжин хвиль, його можна обчислити за даними найраніших багатоспектральних датчиків на орбіті, включаючи серію Landsat (з 1972 року) та серію AVHRR (з 1978 року). Це дозволяє легко візуалізувати рослинний покрив, на малих або великих масштабах, наприклад, показаний на малюнку 69.

69: NDVI композит Землі, що показує відносні відмінності в рослинному покриві. Globalndvi tmo 2007-11 lrg Рето Стоклі та Джессі Аллен (NASA), Вікісховище, публічне надбання.

Індекси вегетації можуть бути використані для більш ніж створення гарних картинок глобального розподілу рослинності. В результаті глобального потепління, яке особливо яскраво виражено в Арктичному регіоні, північні частини Канади зазнають швидких змін у розподілі рослинності та структурі росту. Моніторинг таких змін у цьому великому і дуже малонаселеному регіоні базується на довгострокових тенденціях NDVI в літні місяці, що, серед іншого, демонструє, що регіон, що переживає більш швидке потепління, також відчуває більш швидке зростання щільності рослинності. Іншим важливим використанням вегетаційних індексів є прогнозування врожайності сільськогосподарських культур: відстежуючи NDVI через сільськогосподарський вегетаційний період, розвиток культур можна кількісно оцінити та прогнозувати їх кінцеву врожайність статистично. Ймовірно, найважливішим використанням таких моделей прогнозування врожаю є прогнозування посухи, невдач врожаю та голоду в тих районах світу, де люди залежать від місцевого сільського господарства для забезпечення продовольством. Це робиться систематично для країн, схильних до голоду Мережа систем раннього попередження про голод (FEWS), що базується в США, і це також робиться багатьма національними урядами та регіональними/глобальними організаціями. Таким чином, вегетаційні індекси буквально мають потенціал, щоб врятувати життя - якщо світова спільнота реагує на прогнози, породжені ними.

Багато уточнень було введено з моменту розробки NDVI, щоб створити вегетаційні індекси, які краще працюють в ряді умов. До них відносяться індекс рослинності з урахуванням ґрунту, Індекс розширеної рослинності, що використовується з даними MODIS, та Глобальний вегетаційний індекс, який використовується з даними MERIS. Ці нові вегетаційні індекси були спеціально розроблені, щоб бути більш стійкими до різних умов навколишнього середовища, таких як зміни яскравості ґрунту та атмосферних умов. Незважаючи на такі уточнення, всі вегетаційні індекси страждають від принципового недоліку: хоча їх інтерпретація досить чітка у відносному вираженні (більш високі значення вказують на більш зелену рослинність), їх зв'язок з реальними вимірними характеристиками рослинності, якими користуються люди поза сферою дистанційного зондування Землі, є не зрозуміло.

Індекс рослинності, не призначений для зображення щільності рослинності, а скоріше для зображення відносних відмінностей у вмісті рослинної води, був розроблений спеціально для того, щоб скористатися функцією поглинання води близько 1,4 мкм, показаної на малюнку 67. Він називається нормованим індексом різниці води (NDWI), а його загальне рівняння:

НДІ = (НІР-SWIR)/(НІР+SWIR)

де SWIR позначає вимірювання в короткохвильовій інфрачервоній області (1,4 мкм). Суха рослинність містить менше води, а тому поглинає менше випромінювання SWIR, зменшуючи значення NDWI.

Для будь-якого вегетаційного індексу конкретні смуги, які використовуються як смуги «RED», «NIR» та «SWIR», залежать від відповідного датчика, і не всі датчики мають смуги, відповідні для обчислення того чи іншого індексу.

Відображення реальних атрибутів рослинності

Атрибути рослинності, які більше використовуються людьми, які не займаються дистанційним зондуванням, включають, серед іншого, надземну біомасу, поглинену фотосинтетично активну радіацію (APAR) та індекс площі листя (LAI). Надземна біомаса може вимірюватися (шляхом її зрізання та зважування) в кг/га, і це має фундаментальний інтерес для моніторингу тенденцій вегетації. APAR - це кількість радіації, яка поглинається рослинністю (на одиницю площі) і сильно пов'язана з ростом вегетації та врожайністю сільськогосподарських культур. LAI - це (одностороння) область листя, розділена на площу землі, тому це безодична міра щільності листя. Оскільки (вода та) газообмін між рослинністю та атмосферою відбувається через листя, LAI може бути використаний як проксі для цього обміну, що важливо для функції рослинності як раковини вуглецю, серед іншого. Таким чином, всі ці рослинні атрибути більш безпосередньо пов'язані з функцією рослинності в навколишньому середовищі і, безумовно, більш безпосередньо інтерпретуються, ніж вегетаційний індекс. Але їх також набагато складніше картографувати з даними дистанційного зондування.

емпіричний підхід

Простий підхід до відображення LAI проілюстрований на малюнку 70, на якому значення NDVI були регресовані проти польових вимірюваних LAI. Як видно з малюнка 70, те, що ми вимірюємо в даних дистанційного зондування, пов'язане, але не дуже тісно і, звичайно, не лінійно, з фактичним LAI, виміряним на землі. Проте лінії регресії можуть бути використані для отримання першого наближення LAI з цих даних дистанційного зондування. Аналогічний підхід можна використовувати для відображення інших атрибутів рослинності.

Малюнок 8) ЛеЛонг та ін., CC BY 3.0.

Радіаційний підхід до перенесення

Більш складні підходи до відображення атрибутів рослинності покладаються на моделі радіаційного переносу. Моделі радіаційного перенесення створюють простий 3D-світ, що складається з а) землі, б) деякої рослинності на землі, в) атмосфери, і г) Сонця. Кожен з цих елементів має специфічні атрибути, які визначають, як вони взаємодіють з випромінюванням: Сонце випромінює певну кількість випромінювання на кожній модельованій довжині хвилі, атмосфера поглинає і розсіює це випромінювання до певної міри, а рослинність і земля поглинають і відбивають випромінювання. Після вказівки модель може бути «запущена», щоб визначити, яким буде сяйво TOA (або інший вимірюваний параметр випромінювання) для заданої комбінації при визначенні елементів. Потім ці елементи можна змінити, і модель «запустити» знову, щоб побачити, як зміна впливає на сяйво TOA. Наприклад, можуть бути включені різні щільності рослинності, представляючи різні значення LAI, кожен з яких створює унікальну комбінацію випромінювань ТОА в різних довжині хвиль. Щоб створити надійну картину того, як LAI впливає на сяйво TOA, інші елементи також повинні бути різноманітними, тому вплив кольору ґрунту та атмосферних складових також захоплюється в процесі. Ще важливіше, що не-лай варіації рослинності також слід враховувати. Окремі листя можуть мати різні спектральні сигнатури в залежності від їх пігментного складу, листя різної форми та орієнтації по-різному взаємодіють з випромінюванням Сонця, а структура навісу також надає свій власний вплив (наприклад, чи розподіляються листя випадково, рівномірно або в скупченою манері?). Змінюючи всі ці параметри, кожен раз, коли працює модель радіаційного перенесення, щоб визначити, як виглядатиме їх конкретна комбінація у верхній частині атмосфери, дозволяє створити таблицю пошуку з а) умовами навколишнього середовища, включаючи параметр, що цікавить (наприклад, LAI) і б) отриманий TOA (спектральне) сяйво. При відображенні LAI із супутниковим зображенням, спостережуване сяйво TOA кожного пікселя може бути зіставлено із записом у таблиці, яку він найбільше відповідає, щоб визначити ймовірне значення LAI в цьому пікселі.

Малюнок 7) Хуагуо Хуан, CC BY 4.0.

Пожежа

Ще одна підгалузь дистанційного зондування Землі стосується картографування пожежі. Активний вогонь відносно легко виявити, оскільки він гарячий, а тепло можна виявити за допомогою теплових датчиків, і тому, що він створює дим, і дим видно на супутникових знімках. Виявлення активної пожежі за допомогою супутникових даних настільки добре розвинене, що майже миттєвий «активний вогневий продукт» проводиться щоразу, коли датчик MODIS або VIIRS проходить над площею.

72: Приклад активного виявлення пожежі з космосу під час австралійських пожеж 2019 року. Супутниковий знімок диму пожежі над Східною Австралією Європейським космічним агентством Flickr, CC BY-SA 2.0.

Після того, як пожежа закінчиться, може бути важливо оцінити, скільки площі було спалено, і наскільки інтенсивно вона спалювалася. Це має важливі наслідки для відновлення рослинності та пов'язаної з нею біоти в цьому районі, і це також може допомогти нам відповісти на важливі питання, пов'язані зі зміною клімату, наприклад, як змінюється частота, тривалість, розмір та інтенсивність лісових пожеж у міру потепління клімату. Хоча існують різні способи оцінки цих параметрів, найбільш часто використовуваний підхід включає кількісну оцінку чогось, що називається нормалізованим коефіцієнтом опіку (NBR). NBR розраховується як:

NBR = (НІР-SWIR)/(НІР+SWIR)

що, можна сказати, те саме, що і визначення NDWI! І це близько, але термін SWIR охоплює досить широкий діапазон довжин хвиль, і хоча для NDWI початкове визначення «SWIR» посилалося на довжини хвиль близько 1,24 мкм, для NBR «SWIR» був спеціально розроблений для діапазону 7 на Landsat 4 і 5, яка зосереджена навколо 2.2 мкм. Тим не менш, NBR насправді просто вегетаційний індекс, і хоча це не єдиний індекс, який можна використовувати для відображення вогневих впливів, і навіть не обов'язково найкращий, він є найбільш часто використовуваним. Щоб використовувати його для кількісної оцінки тяжкості пожежі, потрібно порівняти значення NBR на двох зображеннях, одному від до і після пожежі, що призводить до обчислення ΔnBr:

ΔnBr = NBR _до — NBR _після

Щоб мінімізувати вплив інших факторів навколишнього середовища на цей розрахунок, ідеально використовувати «ювілейні дати» для обчислення ΔnBr, хоча це не обов'язково, якщо два зображення доступні за невеликий період, що охоплює безпосередньо перед пожежею і відразу після пожежі (рис. 73).

73: Приклад зображення перед вогнем (вгорі ліворуч), зображення після вогню (зверху посередині), попереднього запуску NBR (вгорі праворуч), після пожежі NBR (знизу ліворуч) та ΔnBR (знизу посередині). Хоча вплив вогню видно на оригінальних зображеннях, використання ΔnBR допомагає виділити різницю між двома зображеннями. Приклад нормованого співвідношення опіків від пожежі в таборі Гернсі, Вайомінг в 2006 році Джейсон Карл, Пейзаж Toolbox, CC0 1.0.

Оскільки NBR обчислюється як нормована різниця, його значення коливаються між -1 і +1, тому ΔnBr коливається, теоретично, від -2 до +2, з більш високими значеннями, що вказують на більшу важкість пожежі. Як і в інших вегетаційних індексів, екстремальні значення зустрічаються рідко, тому навіть значення 0,2-0,3 вказують на відносно сильні пожежні впливи.

74: Приклад як рослинності, так і пожежі, обидва з яких можна добре відображати за допомогою дистанційного зондування. Лісова пожежа, від Yivers, Pixabay, ліцензія Pixabay.