Результатом предварительной обработки снимков MODIS являются наборы данных уровня обработки Level1B. Эти наборы данных в дальнейшем могут быть использованы как для непосредственного анализа, так и для изготовления ряда стандартных производных наборов данных (тематических продуктов или продуктов обработки). Программное обеспечение ScanEx Image Processor, в частности позволяет в автоматизированном режиме изготавливать следующие продукты:

-           маски облачности по алгоритму ATBD-MOD-06;

-           маски снежного и ледового покрова по алгоритму ATBD-MOD-10;

-           маски температуры земной поверхности по алгоритму ATBD-MOD-11;

-           маски индексов вегетации по ATBD-MOD-13;

-           маски пожаров по алгоритму ATBD-MOD-14.

 

ДЕТЕКТИРОВАНИЕ ОБЛАЧНОСТИ (MOD06)

Маски облачности, как и все тематические продукты описанные ниже генерируются на основе продуктов MOD 02 и MOD 03, то есть данных уровня Level1B, с использованием программного комплекса ScanEx Image Processor.

Маски облачности являясь самостоятельным продуктом обработки материалов съёмки, вместе с тем используются в качестве исходных данных при генерации многих других стандартных продуктов обработки, в связи с чем, предполагают использование нескольких возможных алгоритмов расчёта. Так для определения облачности, в ScanEx Image Processor предусмотрены алгоритмы, используемые при расчете масок пожаров (Fire), температуры земной поверхности (LST), льда на воде (Sea/Ice), снега на суше (Land/Snow).

Кроме того, при генерации маски облачности как самостоятельного продукта, возможен расчёт двух типов масок облачности: простая маска облачности (Clouds) и глобальная маска облачности (Full Clouds).

Для расчета маски облачности используется алгоритм, описанный в BT11 – BT3.7 Test (Bit 19), из ATBD-MOD-06. Данный алгоритм определения облачности основан на разнице температуры пикселей в 31 (11 нм) и 20 (3.7 нм) каналах. Алгоритм предусматривает задание пороговых значений при определении облачности раздельно над земной и водной поверхностью и для дневных и ночных изображений (пороги безоблачности и облачности). При этом значения разности 31 и 20 каналов, попадающие в границы порогов облачности, не рассматривается как облачность (в результирующей маске при этом задаётся значение 0). Если же разности 31 и 20 каналов находятся в пределах порогов безоблачности, то они рассматривается как 100% облачность (значение 100 в результирующей маске). Значения разности 31 и 20 каналов, лежащие между порогами облачности и безоблачности, рассматриваются как вероятность облачности, изменяющаяся от 0% до 100%.

Для расчета маски Глобальной облачности в программе используется алгоритм, описанный в ATBD-MOD-06. Для расчета используются файлы входящие в комплект поставки программы для калибровки данных MODIS IMAPP: файл пороговых значений (thresholds.dat.terra.v7), 1-километровый файл экосистем (goge1_2_img.v1), 10 минутный файл экосистем (ecosystem.img.v1) и Leapsec-файл (leapsec.dat). 

Рис. 1 Маска облачности.

ДЕТЕКТИРОВАНИЕ СНЕЖНОГО И ЛЕДОВОГО ПОКРОВА (MOD10)

Для детектирования снежного и ледового покрова для суши используется маска Land.Snow, которая получается из данных с пространственным разрешением 1000 м/пиксель. Детектирование снежного и ледового покрова для суши позволяет вести наблюдения за ледовой обстановкой на суше. Для детектирования же снежного и ледового покрова акваторий используется маска Sea.Ice, которая также строится на основе данных с  пространственным разрешением 1000 м/пиксель. Детектирование снежного и ледового покрова акваторий позволяет вести наблюдения за ледовой обстановкой в акваториях и оценивать температуру поверхности воды.

Алгоритм расчёта маски Sea.Ice реализован на основе расчёта Normalized Difference Snow Index (NDSI) и Ice Surface Temperature (IST), которые описаны в документе ATBD-MOD-10.

Индекс NDSI основан на разнице поглощения снегом излучения в видимой и инфракрасной области спектра. Поэтому алгоритм применим только в дневное время суток, в вечернее или ночное время пиксели, покрытые льдом, определены не будут. Индекс NDSI рассчитывается как отношение разности к сумме коэффициентов отражения излучения с длиной волны 555 нм (4 канал) и 1640 нм (6 канал).

NDSI = (4 канал – 6 канал)/(4 канал + 6 канал)

Пиксель считается покрытым льдом, если значение NDSI больше или равно значению порога NDSI (по умолчанию 0.4), и значение излучения на сенсоре в канале 2 (858 нм) больше значения порога канала 2 (по умолчанию 0.11). Также пиксель считается покрытым льдом, если значение IST (температура поверхности льда) меньше значения порога IST (по умолчанию 271.50 K).

При этом, в связи с тем, что облака, как и лед, хорошо отражают излучение в видимой области спектра и поглощают в инфракрасной, в данном алгоритме используется маска облачности, поэтому пиксели, закрытые облачностью, не рассматриваются, и в результате считаются непокрытыми льдом. Допустимый процент облачности задается порогом облачности (% вероятности отсутствия облачности). Для работы алгоритма необходима точная настройка маски облачности, так как неопределенные облака могут детектироваться как наличие ледового покрова. Кроме того, ледовый покров определяется только для береговых линий, шельфов, морей и океанов, для чего необходимо наличие Land/Sea маски в исходном файле MOD 03. В противном случае пиксели определяются как суша и алгоритмом не рассматриваются.

Для определения снежного и ледового покрова суши используется маска Land.Snow. Данном алгоритм также реализует определение снега на основе Normalized Difference Snow Index (NDSI) и Ice Surface Temperature (IST), рассмотренных в документе ATBD-MOD-10.

Пиксель считается покрытым снегом, если значение NDSI больше или равно значению порога NDSI (по умолчанию 0.4), значение излучения на сенсоре в канале 2 (858 нм) больше значения порога канала 2 (по умолчанию 0.11) и значение излучения на сенсоре в канале 4 больше значения порога канала 4 (по умолчанию 0.10). Допустимый процент облачности задается порогом облачности (% вероятности отсутствия облачности). Снежный покров определяется только для суши, озер, рек и лесов, для чего необходимо наличие Land/Sea маски в исходном файле MOD 03. 

Рис. 2 Маска наземного снежного покрова.

 

Рис. 3 Маска морского льда.

 

РАСЧЁТ ТЕМПЕРАТУРЫ ЗЕМНОЙ ПОВЕРХНОСТИ (MOD11)

 

Для расчета индекса температуры земной поверхности, который применяется в различных климатических исследованиях, используется маска LST (Land Surface Temperature), которая получается из данных с пространственным разрешением 1000 м/пиксель.

Расчет маски основан на алгоритме "Generalizedsplit-windowLST", описанном в MODISLand-SurfaceTemperatureAlgorithmTheoreticalBasisDocument (ATBD-MOD-11). В качестве входных значений используются значения излучения, регистрируемого в 31 и 32 каналах, пересчитанные в соответствующие значения температур, значения широты для начального приближения температуры и влажности воздуха, зенитный угол сенсора, значения облачности и наличие воды, вычисляемые для исключения соответствующих пикселей. При коррекции температуры для всех пикселей используется среднее значение излучения (за исключением пикселей, определенных как имеющих снежный покров, для них используется свои собственные значения).

Кроме того, можно задать маски, в пределах которых температура не рассчитывается (маска облачности, воды).

Рис. 4 Маска температуры земной поверхности.

РАСЧЁТ ИНДЕКСОВ ВЕГЕТАЦИИ (MOD 13)

Для расчета индексов вегетации, которые применяются для оценки наличия и состояния растительного покрова. Расчет индексов вегетации NDVI и EVI произвоится по алгоритмам, описанным в ATBD-MOD13. Получение NDVI – возможно на основе данных всего масштабного ряда (с разрешением 250, 500, 1000 м/пиксель), получение EVI – на основе данных 500 и 1000 м.

NDVI (NormalizedDifferenceVegetationIndex) характеризует плотность растительности, позволяет оценить всхожесть и рост растений, продуктивность угодий. Индекс рассчитывается как разность значений отражения в ближней инфракрасной и красной областях спектра, деленная на их сумму. В результате значения NDVI меняются в диапазоне от –1 до 1. Для зеленой растительности отражение в красной области всегда меньше, чем в ближней инфракрасной, за счет поглощения света хлорофиллом, поэтому значения NDVI для растительности не могут быть меньше 0.

NDVI = (2 канал – 1 канал) / (2 канал + 1 канал)

            EVI (EnhancedVegetationIndex) основан на NDVI, но позволяет корректировать некоторые помехообразующие факторы путём повышения чувствительности в регионах с высокой биомассой и снижения атмосферного влияния. Наряду со значениями в красноё и ближней инфракрасной зонах спектра, учитывается также значение в синей зоне.

EVI = ((2 канал – 1 канал) / (2 канал + C1*1 канал - C2*3 канал + L)) * (G)

L – поправочный коэффициент, позволяющий учесть излучение прошедшее сквозь полог леса, C1 и C2 – коэффициенты учитывающие влияние аэрозолей в красной зоне спектра, G – коэффициент усиления. Для алгоритма MODIS-EVI приняты следующие значения: L = 1, C1 = 6, C2 = 7.5 и G = 2.

При расчёте индексов NDVI и EVI задаются маски, в пределах которых индексы вегетации не рассчитываются (маска облачности, маска воды).

Рис. 5 Маска NDVI. 

Рис. 5 Маска EVI.

 

ДЕТЕКТИРОВАНИЕ ПОЖАРОВ (MOD14)

Для детектирования пожаров используется маска Fires, которая получается из данных с пространственным разрешением 1000 м/пиксель. Детектирование пожаров позволяет определять зоны возможных очагов пожаров  и пожароопасных ситуаций.

Для определения пожаров используется алгоритм, описанный в ATBD-MOD-14 (MODIS Fire Products). В данном алгоритме используются две основные величины – значение температуры в 21 (4 нм) канале (чем больше температура, тем выше вероятность пожара) и разность между температурами в 21 (4 нм) и 31 (11 нм) каналах (чем больше разность, тем выше вероятность пожара).

Пожар выявляется двумя способами:

-           абсолютные значения каждой из вышеперечисленных величин в пикселе превышают допустимые пределы;

-           значения величин в пикселе сильно отличаются от окружения.

Пиксели с обнаруженным пожаром, но определенные как солнечный блик, отсеиваются.

Для автоматического детектирования пожаров задаются пороговые значения используемых в алгоритме переменных отдельно для дневных и ночных данных:

-           порог температуры в 21 канале (4 нм), выше которого детектируется пожар; все значения температуры в 21 канале выше заданного будут рассмотрены при определении пожаров (значения задается в Кельвинах как для дневных, так и для ночных данных);

-           средняя температура окружающих пикселей в 21 канале (значения задается в Кельвинах как для дневных, так и для ночных данных);

-           значение разницы температур в 21 (4 нм) и 31 (11 нм) каналах, выше которого детектируются пожары (значения задаются в Кельвинах как для дневных, так и для ночных данных);

-           коэффициент, определяющий, во сколько раз температура рассматриваемого пикселя может превышать температуру окружающих пикселей (данный коэффициент используется при детектировании пожаров вторым способом; коэффициент подставляется в выражение T4 > T4b + T4коэфф.СКО * dT4b, где T4 – температура в 21 канале, T4b – средняя температура окружающих пикселей, dT4b – стандартное отклонение температур окружающих пикселей; при T4коэфф.СКО = 3 будет рассмотрена вероятность пожара, если температура в пикселе превышает температуру окружающих пикселей на величину, равную трем стандартным отклонениям);

-           коэффициент, определяющий, во сколько раз температура рассматриваемого пикселя может превышать температуру окружающих пикселей (для разности между 21 и 31 каналами);

-           значение температуры в 21 канале, ниже которого вероятность пожара равна нулю;

-           значение разности температур в 21 и 31 каналах, ниже которой вероятность пожара равна нулю;

-           значение температуры в 21 канале, ниже которого пиксель не рассматривается как окружающий;

-           значение температуры, ниже которого пиксель не рассматривается как окружающий (для разности температур между 21 и 31 каналом).

Предварительно изображение оценивается на наличие облачности с помощью масок облачности и глобальной облачности. Пиксели, определенные как облачность, при детектировании пожаров игнорируются. 

Рис. 7 Маска пожаров.

ОБЛАСТИ ПРИМЕНЕНИЯ ТЕМАТИЧЕСКИХ ПРОДУКТОВ

Все упомянутые продукты относятся к группе тематических продуктов для научных исследований.

Основными из таких тематических продуктов являются:

            -           маска облаков (MOD 35) – распределение облачного покрова днем и ночью с разрешением 1км;

            -           растительность и почвенный покров (MOD 13, 15-17, 43, 44), в т.ч. их состояние продуктивность, определяемые по вегетационным индексам (NDVI и EVI), поляризационные эффекты и индикатриса отражения, распознавание типа земного покрова, первичная продуктивность растительности, индекс листовой поверхности LAI, доля излучения, абсорбируемая растениями при фотосинтезе;

            -           пожары и тепловые аномалии (MOD 14) – оперативное обнаружение и мониторинг природных пожаров, вулканов и других тепловых аномалий с разрешением 1 км, при этом продукт позволяем зафиксировать пожар на площади менее 1 кв. км;

            -           мониторинг снежного и ледового покровов (MOD 10, 29), в том числе спектральная и отражательная способность снега и льда, их температура;

            -           температура поверхности, определяемая для суши (MOD 11) и водных объектов (MOD 28) с разрешением 1 км (максимальная точность измерения от 0.3 до 0.5 °С для водных объектов и 1 °С для суши;

            -           концентрация и оптические свойства аэрозолей - оптическая плотность, эффективный радиус частиц, фазовое состояние, высота и температура верхней границы;

            -           цвет океанической воды (MOD 19), спектральная энергетическая яркость поверхности океана;

            -           концентрация хлорофилла (MOD 21) в пределах 0.05 – 50 мг/л для вод класса 1 (прозрачные);

            -           флюоресценция хлорофилла (MOD 20) при концентрации хлорофилла в поверхностном слое 0.5 мг/л.

В результате дальнейшей обработки данных MODIS на основе научных продуктов подготавливаются тематические продукты конечного потребления в виде тематических карт, сопровождаемых легендой и другой атрибутивной информацией. Продукты конечного потребления рассчитаны на широкий круг пользователей и готовы к интеграции в пользовательские геоинформационные системы. Также на основе продуктов для научных исследований возможно непосредственно решать ряд научных задач.

Как и другие космические снимки, данные MODIS могут быть использованы для составления карт. При этом, учитывая графическую точность нанесения объектов на карту (обычно 0.1 мм) и точность печати карт, при составлении общегеографических и топографических карт следует использовать довольно детальные снимки. При обновлении карт наносятся лишь изменения элементов содержания и для обновления топографических карт требуются снимки более низкого разрешения, чем для их обновления. Данные MODIS возможно использовать для составления и обновления общегеографических карт масштаба мельче 1 : 1 000 000.

При тематическом картографировании требования к точности нанесения объектов в большинстве случаев ниже, чем для топографических карт. Поэтому по тем же снимкам можно составлять тематические карты более крупного масштаба. Так данные MODIS пригодны для составления и обновления карт масштаба мельче от 1 : 500 000 и мельче.

Для количественнй оценки состояния растительности, широко применяется нормализованный разностный вегетационный индекс (NDVI). NDVI характеризует также плотность растительности. Значения индекса меняются в диапазоне от –1 до 1. Для зеленой растительности за счет поглощения света хлорофиллом, значения NDVI не могут быть меньше 0. Расчет индекса для каждого пикселя снимка позволяет получить карту NDVI и выявить проблемные зоны угнетенной растительности, участки с различным состоянием растительности или объемом зеленой фитомассы.

Многие незаконные сплошные вырубки леса могут быть выявлены при сравнении материалов отводов с материалами космической съемки, сделанной за год до рубки и в момент контроля. Для выявления большинства рубок и грубой оценки их площади достаточно снимков с разрешением даже 250 м, которым обладают снимки MODIS.

Данные MODIS, обладая высоким радиометрическим разрешением и высокой периодичностью съемки, наиболее полно соответствуют и требованиям оперативного мониторинга лесных и торфяных пожаров. Очаги возгорания можно дешифрировать как визуально, так и автоматизированно, генерируя продукт MOD 14. При этом данные могут быть готовы уже в течение часа после приема, а выявление очагов пожара возможно при площадях от 1 га (от 9 га для подземных пожаров).

Для слежения за изменением ледовой обстановки на морской акватории составляют ледовые карты. Частая повторяемость съёмки MODIS и оперативность её обработки позволяют фиксировать состояние акватории и разделить лед по сплоченности.

Картографирование снежного покрова и скорость изменения его границ используются для решения задач, гидрологического прогноза. Путём гидрологического моделирования определяется водозапас, прогнозируется сток и половодье в бассейнах рек. По данным MODIS для этих целей могут быть получены такие параметры как площадь бассейна реки, покрытая снегом, лесистость, распаханность и др.

Данные MODIS позволяют охватывать обширные территории, используя 36 спектральных каналов с пространственным разрешением от 250 метров до 1000 метров, разносторонне оценивать состояние объектов на земной поверхности, и, что более важно, с учётом высокой временной дискретности съёмки, большого пространственного охвата и достаточно продолжительного времени функционирования инструмента, решать научные задачи, связанные с проведением исторического анализа развития природных процессов и разработкой прогнозов этого развития.

 

Подготовлено по материалам технического отчёта 12.1.1

Ресурсного центра космических и геоинформационных технологий

(ТО 12.1.1 Изготовление тематических продуктов по материалам съёмки MODIS)

Е.А. Паниди