Мониторинг загрязнений Донецкой области на основании данных, полученных при помощи программных продуктов ArcGIS 9.2 и ERDAS Image 8.7, по грязному сн

Модели для описания природной среды и происходящих в ней процессов могут быть созданы очень просто с использованием специального объектно-ориентированного графического редактора алгоритмов ERDAS Imagine (Model Maker). Он позволяет интерактивно конструировать модели путем выбора операций из графического меню. Таким образом, открывается доступ более чем к 200 операциям по обработке изображений и манипулирования данными ГИС. Естественно, при этом можно определять условные операции, позволяющие осуществлять ветвление алгоритма.

Можно использовать как полутоновые, так и тематические карты совместно, комбинируя их в качестве слоев. При этом поддерживается обращение к связанным с каждым значением пикселя таблицам атрибутов, которые хранятся в реляционной базе данных.

Редактировать значения атрибутов и подготавливать отчеты позволяет специальный редактор - Descriptor Editor.

 

1.3 Спутник «TERRA»(MODIS)

 

Спектрорадиометр MODIS (Moderate Resolution Imaging Spectroradiometer) является одним из ключевых инструментов на борту американских спутников серии EOS: Terra (EOS AM-1) и Aqua (EOS PM-1).

MODIS состоит из двух  сканирующих спектрометров, один  из которых (MODIS-N) снимает в надир, а ось съемки другого (MODIS-T) может быть отклонена. 36 спектральных зон MODIS охватывают диапазон с длинами волн от 0,4 до 14,4 мкм. Съемка в двух зонах (620-670 и 841-876 нм) ведется с разрешением 250 м, в пяти зонах видимого и ближнего инфракрасного диапазона с разрешением 500 м, а в остальных (диапазон от 0,4 до 14,4 мкм) – 1000 м, рисунок 1.

 

 

Рис.1.1 – Прозрачность атмосферы и каналы MODIS

 

Радиометрическое разрешение исходных снимков весьма высоко 12 бит. Пиковая скорость передачи данных составляет 10.6 Мбит/с.[11]

Космический аппарат TERRA был запущен NASA 18 декабря 1999 года с авиабазы Ванденберг (США). Спутник был выведен на солнечно-синхронную полярную орбиту высотой 705 км. Основным преимуществом является широкий спектральный диапазон и возможность стереосъемки. Расчетный срок пребывания на орбите составляет 6—7 лет. Основные характеристики радиометра MODIS и номинальные характеристики орбиты TERRA (MODIS) представлены в таблице 1.

 

 

 

 

 

Таблица 1

Основные характеристики радиометра MODIS и номинальные характеристики орбиты TERRA (MODIS)

 

 

Так как работа пользователя с гиперспектральными данными затруднена, при проектировании системы MODIS была сделана ставка на специализированные виды продукции, представляющие результаты специальной обработки данных в определенных зонах, предусматривающей получение вторичных изображений, обеспечивающих изучение избранных объектов и явлений. Например, к таким тематическим продуктам относятся изображения LAI – индекса зеленой листовой площади растительного покрова, FPAR – индекса фотосинтетически активной радиации, поглощаемой растительностью. Всего на настоящий момент предлагается 44 вида производных изображений (полный список приведен на сайте MODIS в НАСА). Для их разработки были созданы четыре тематических группы, специализирующихся на калибровке данных и их использовании для исследования суши, атмосферы, и океана. [8]

Данные MODIS начали поступать с марта 2000 г. Образцы цветных синтезированных изображений, построенных по данным съемки в разных каналах, помещаются на информационном сайте NASA в Интернете. Фрагмент синтезированного снимка MODIS в естественных цветах на территорию Аральского моря показан на рисунке 2. Дата съемки - 3 декабря 2001 г. Исходный снимок уменьшен в 2 раза и сохранен в формате JPEG.

 

 

Рис.1.2 - Фрагмент синтезированного снимка MODIS в естественных цветах на территорию Аральского моря

 

Изображения MODIS предназначенные для изучения атмосферы и океанов хранятся в GSFC Earth Sciences Distributed Active Archive Center (Архив для наук о Земле Годдардовского центра полетов), для изучения суши - в USGS-NASA Land Processes DAAC (Архив Геологической съемки и NASA для изучения процессов на суше), для изучения снега и льда - в National Snow and Ice Data Center (Национальный центр данных по снегу и льду). Например, Национальный центр данных по снегу и льду NSIDC в Боулдере, Колорадо предлагает потребителю карты морских льдов, снежного покрова и др.

 

1.4 Сайт «Центр приема и обработки специальной информации и контроля навигационного поля»

 

Для выполнения данного курсового проекта необходимы космические снимки местности. Их можно получить на бесплатной основе на сайте www.dzz.gov.ua. Этот сайт разработан ДП «Днепрокосмос». Для получения бесплатной информации необходимо зарегистрироваться. При этом процессе могут возникнуть различного рода трудности, например, не принимает место учебы, пароль и т.д. Это может возникнуть из-за многоразовой попытки зарегистрироваться на сайте с одного IP-адреса. Нужно попробовать с другого компьютера или осуществить операцию на следующий день.

После того, как вы зарегистрировались, можете видеть вид на рис. 1.3.

 

 

Рис. 1.3 – Внешний вид сайта

 

Для дальнейшей работы необходимо зайти в Электронный каталог, где вы увидите карту земного шара, рис. 1.4.

 

 

Рис.1.4 – Внешний вид Электронного каталога

При помощи инструментов, которые находятся верхней части карты, можно выполнить стандартные операции: нахождение объекта, приближение, передвижение в стороны и т.д. Вид увеличенной части Украины представлен на рис.1.5.

 

 

Рис.1.5 – Увеличенный вид территории Украины

 

При выборе объекта ниже карты автоматически определяются его координаты.

Для получения космических снимков данной территории Украины необходимо выбрать период, с какого, и по какое, число предоставить снимки, учитывать или не учитывать облачность. Также необходимо выбрать желаемый космический аппарат и съемочную аппаратуру. На рис.1.6 представлен космический аппарат TERRE (994) со сканером MODIS.

 

 

Рис.1.6 – Выбор нужных параметров

 

После этого в результате получаем данные по объекту виде космического снимка с различными параметрами, рис. 1.7.

 

 

Рис.1.7 – Параметры выбранного снимка

 

При нажатии на космический снимок получаем его в увеличенном размере, рис.1.8.

 

 

Рис.1.8 - Космический снимок объекта

 

После проведения всех операций выбираем необходимые снимки. Каждый снимок имеет свой номер. По этим номерам заказываем интересующие нас данные и через некоторое время получаем космические снимки.

 

РАЗДЕЛ 2

ОБРАБОТКА КОСМИЧЕСКОГО СНИМКА ПРИ ПОМОЩИ ArcGIS 9.2 и ERDAS Image 8.7

 

Для обработки космического снимка и получения готовой карты мониторинга загрязнений Донецкой области по выпавшему снегу воспользуемся двумя программными продуктами ArcGIS 9.2 и ERDAS Image 8.7.

 

2.1 ERDAS Image 8.7

 

Для предварительной обработки снимка необходимо провести его классификацию. Эти манипуляции проведем в программном продукте ERDAS Image 8.7. Для этого загрузим интересующий нас снимок и при помощи встроенной функции Unsupervised Classification ( Автономная классификация), которая находиться на вкладке DataPrep (Подготовка данных). Появится диалог Unsupervised Classification (ISODATA).

Затем выбираем имя входного файла (Input Raster File). Выходной файл назовем klas.img.

 

 

Рисунок 2.1 - Диалог Unsupervised Classification (ISODATA)

 

Задаем желаемое число классов (Number of Classes) -10. На кнопке Initializing Options (Начальные параметры) выбираем Principal Axis (Ось первой главной компоненты), чтобы устранить влияние корреляции данных в разных спектральных зонах. Устанавливаем значение два в строке Standard Deviations (Множитель стандартного отклонения). Закрываем кнопкой Close (Закрыть).

 

 

Рисунок 2.2 - При нажатии кнопки Initializing Options

 

Нажав кнопку Color Scheme Options (Выбор цветовой схемы) появиться окно Output Color Scheme Options. Этот диалог позволит раскрасить классы не в градациях серого, а в цветах, близких к исходному изображению.

 

 

Рисунок 2.3 - Окно Output Color Scheme Options

 

Выбираем Approximate True Color и закрываем диалог.

Задаем число итераций (Maximum Iterations) - 25. При задании такого большого числа итераций, процесс займет несколько больше времени, но зато это не ограничит процесс по сходимости.

Порог сходимости (Convergence Threshold) - это количество пикселей (в процентах), которые не изменяют своей принадлежности к классу при переходе к следующей итерации. Установка значения 0.950 значит, что если 95% пикселей изображения не изменили принадлежности к классу при переходе к следующей итерации, то процесс можно завершить.

Значение Skip Factors (Коэффициенты прореживания) оставляем неизменным предложенное по умолчанию.

Нажать кнопку ОК. На экране появится диалог состояния процесса, показывающий номер выполняемой итерации и достигнутый порог сходимости.

Открываем во Вьюере получившееся изображение klas.img.

 

 

Рисунок 2.4 - klas.img

 

Перед присвоением каждому классу цвета, выделим границы нужного объекта – Донецкой области. Для этого загружаем файл с расширением .*shp – векторный слой границ Украины и областей отдельно.

После этого необходимо каждому подклассу присвоить свою цветовую гамму. Для этого в меню Вьюере выбираем Raster / Attributes (Растр / Атрибуты). На панели инструментов редактора атрибутов (Attribute Editor) нажимаем кнопку Column Properties (Свойства столбцов).

 

 

Рисунок 2.5 - Изображение при нажатии кнопки Column Properties

 

Изменяем порядок следования столбцов в таблице атрибутов, выбрав в списке Class_Names (Имя класса) и нажав кнопку Тор (Первый в списке).

Изменяем отображаемую ширину столбца (Display Width) со 100 на 10. Выбираем столбец Color (Цвет) и нажать кнопку Up (Вверх, выше), чтобы он переместился на вторую позицию в списке.

Сбрасываем флажок Show RGB (Показывать значения компонент цвета) в правой части диалога и нажмите ОК.

Изменяем местоположение и размер Редактора атрибутов (Attribute Editor), чтобы вернуться к работе с изображением во Вьюере.

Начинаем редактировать значения в столбцах Class_Names и Color. Те изменения цветов, которые вносятся, не изменят оригинальное изображение до тех пор, пока не использовать команду Сохранить.

Для отмены внесенных изменений, используем команду Edit / Undo Last Edit (Редактировать/ Отменить последнее изменение).

Чтобы легче идентифицировать пиксели, принадлежащие к какому-либо классу, временно изменяем цвет этого класса - щелкнуть по ячейке цвета и выбрать из палитры цвет.

В поле имени вводим предполагаемое название объекта.

 

 

Рисунок 2.6 - Изображение при нажатии кнопки Column Properties, выбор столбца Color

 

Повторяем этот процесс для остальных классов.

После присвоения имен необходимым классам, сохраняем изменения (Save), а затем закрываем (File / Close) Редактор Атрибутов.

 

 

Рисунок 2.7 – Полученное изображение, на котором показана Донецкая область

На рисунке 2.7 серым цветом выделен грязный снег, а белым – чистый. Оттенками других цветов показаны другие объекты – города, леса, водные и прибрежные зоны.

 

2.2 ArcGIS 9.2

 

Для дальнейшей обработки необходимо воспользоваться программным продуктом ArcGIS 9.2, в котором просчитаем площадь территории с наиболее грязненным снегом.

Для вычисления площади воспользуемся встроенной функцией ArcSсan. Создаем новый векторный слой graz, который будет слоем грязного снега. Для выполнения задания задаем данные: сглаживание 1, шум 0. Вычисленная площадь грязного снега составила 9379,78529 км2.

Для окончания работы представим данные в виде карты, рис. 2.8.

 

 

Рисунок 2.8 – Карта Донецкой области

 

2.3 Блок – схема проделанной работы

 

Краткое содержание проделанной работы представлено на рисунке 2.9.

Рисунок 2.9 – Блок-схема проделанной работы

ВЫВОДЫ

 

В Донецкой области сложная ситуация с загрязнениями окружающей среды. Чтобы последствия не были еще хуже нужно наблюдать за этой проблемой и пытаться ее решить.

В этом помогают новые технологии, одни из которых - Arc GIS и ERDAS Image 8.7. Проведен мониторинг загрязнения Донецкой области по состоянию снежного покрова. С помощью Arc GIS посчитана площадь территории с наибольшим загрязнением, которая составила 9379,78529 км2.

Новейшие ГИС технологии необычайно полезны и нужны, а главное оправдывают свое использование во многих производственных отраслях. С помощью них наблюдали за происходящей ситуацией в Донецкой области, провели мониторинг загрязнения области из-за выбросов вредных веществ в атмосферу, которые проявили в виде осадков – грязного снега, вычислили последствия нанесенного вреда, т.е. наиболее загрязненные территории.

На заключающей стадии проекта из полученного преобразованного снимка и векторного покрытия получили полноценную карту местности. Композиция карты подготовлена к печати и последующему использованию.

 

 

 

 

 

СПИСОК ЛИТЕРАТУРЫ

 

1. Передельский Л.В. Экология Учебник для ВУЗов / В.И Коробкин. – М.: Феникс, 2008. - Изд. 14 доп. – 603 с.
2. Шестаков А.С. Принципы классификаций эколого-географических ситуаций // Изв. Русс. геогр. об-ва. - 1992. - Вып.3. - С. 124-135.
3. Третьяков С. Доклад о состоянии окружающей среды в Донецкой области; [Под редакцией Г. Аверина]. - Донецк, 2007. - 116 с.
4. Кравцова В.И. Космические методы картографирования. – Изд. Московского ун-та., 1995. - 240 с.

5.  Красовский Г.Я. Информационные  технологии космического мониторинга водных экосистем та прогноза водопотребления городов / В.А Петросов. – Киев: "Научная мысль", 2003.