ЭКОЛОГИЯ ЭКОНОМИКА ИНФОРМАТИКА€¦ · УДК 502.3 ББК 20.1+20.18 Г 35 Рецензенты д.г.н. Бердников С.В., д.ф.-м.н. Тютюнов

РОССИЙСКИЙ ФОНД ФУНДАМЕНТАЛЬНЫХ ИССЛЕДОВАНИЙИНСТИТУТ АРИДНЫХ ЗОН

ЮЖНЫЙ НАУЧНЫЙ ЦЕНТР РОССИЙСКОЙ АКАДЕМИИ НАУКЮЖНЫЙ ФЕДЕРАЛЬНЫЙ УНИВЕРСИТЕТ

ЭКОЛОГИЯЭКОНОМИКА

ИНФОРМАТИКА

ГЕОИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИИ КОСМИЧЕСКИЙ МОНИТОРИНГ

Том 2

Сборник статей

Ростов-на-Дону2016

УДК 502.3 ББК 20.1+20.18 Г 35

Рецензентыд.г.н. Бердников С.В., д.ф.-м.н. Тютюнов Ю.В.

Редакционная коллегия: Академик Матишов Г.Г.(главный редактор),

д.э.н. Боровская М.А., к.ф.-м.н. Сурков Ф.А., к.г.н. Базелюк А.А.,к.т.н. Архипова О.Е., к.ф.-м.н. Селютин В.В., к.т.н. Бойко В.В.

Г 35 Экология. Экономика. Информатика. Сборник статеи: в 2-х т. Т. 2: Геоинформационные технологии и космическии мониторинг Выпуск 1. – Ростов н/Д: Изд-во ЮНЦ РАН, 2016. – 348 с. ISSN 2500–123X

Публикуется с максимальным сохранением авторской редакции.

В сборнике представлены статьи ведущих специалистов и молодых ученых, посвященные геоинформационным технологиям, космическому мониторингу и исследованиям в области экологического развития, на-целенным на решение задач охраны окружающеи среды и обеспечения экологическои безопасности на новом технологическом уровне.

Издание осуществлено при финансовои поддержке Россииского фонда фундаментальных исследовании

по проекту 6-35-10211 мол-г

ISSN ISSN 2500–123X УДК 502.3 ББК 20.1+20.18

© Институт аридных зон, 2016© Южныи научныи центр РАН, 2016© Южныи федеральныи университет, 2016

RUSSIAN FOUNDATION FOR BASIC RESEARCHINSTITUTE OF ARID ZONE

SOUTHERN SCIENTIFIC CENTER OF RUSSIAN ACADEMY OF SCIENCESSOUTHERN FEDERAL UNIVERSITY

ECOLOGYECONOMY

INFORMATICS

GEOINFORMATION TECHNOLOGIES AND SPACE MONITORING

Volume 2

Collection of articles

Rostov on Don2016

UDC 502.3 G 35

Reviewers:Dr. Sci (Geography) Berdnikov S.V.,

Dr. Sci (Physics and Mathematics) Tyutyunov Yu.V.

Editors: Academician of RAS Matishov G.G. – Chief Editor

Dr. Sci (Economy) Borovskaya M.A.PhD Surkov F.A.

PhD Bazeluk A.A. PhD Arkhipova O.E

PhD Selutin V.V.PhD Boyko V.V.

G-35 ECOLOGY ECONOMY INFORMATICS. Vol. 1-2 Volume 2. GEOINFOR-MATION TECHNOLOGIES AND SPACE MONITORING. Rostov on Don: Southern Scientific Center of RAS Publishers, 2016. – 348 p.

ISSN 2500–123X

Proceedings are published preserving the authors’ editing as mush as possible

The collection contains articles by leading experts and young scientists dedicated geographic information technologies, space monitoring and research in the area of environmental development, aimed at the solution of problems of environmental protection and ecological safety in the new technological level.

The publication was supported by the Russian Foundation for Basic Research project 16-35-10211 мол-г

ISSN 2500–123X UDC 502.3

© Institute of Arid Zones, 2016© Southern Scientific Center

of Russian Academy of Sciences, 2016© Southern Federal University, 2016

5

ОПЫТ ПРИМЕНЕНИЯ ГИС ПРИ РЕШЕНИИ РЕГИОНАЛЬНЫХ ЗАДАЧ

РАЦИОНАЛЬНОГО ПРИРОДОПОЛЬЗОВАНИЯ Андреев М.В., Берёзина К.В., Быстров А.Ю.,Гречищев А.В., Лубнин Д.С., Стоволосов Е.В.О способах представления многомернои информации . . . . . . . . . . . . . . . . . . . . . 13

Архипова О.Е.Облачные технологии в экспедиционных исследованиях . . . . . . . . . . . . . . . . . . . 29

Бажукова Н.В., Киселева Е.С.,Ташкинова А.Н., Черепанова Е.С.Создание серии климатических карт для комплексного атласа Пермского края с помощью геоинформационного картографирования. . . . . . 37

Быстров А.Ю., Лубнин Д.С., Груздев С.С., Андреев М.В.,Дрыга Д.О., Шкуров Ф.В., Колосов Ю.В.Применение геоинформационных технологии в дополнительном школьном образовании. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

Дашкевич Л.В.Среднемноголетнее пространственное распределение абсолютного содержания растворенного кислорода в поверхностном слое Азовского моря . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

Епринцев С.А., Архипова О.Е.Разработка геоинформационных ресурсов для изучения природного каркаса как фактора экологическои безопасности урбанизированных территории . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

Ермолаева О.С., Зейлигер А.М.Компьютерныи код расчета гидрографических характеристик речнои сети и ее водосборнои территории по результатам гидрологического анализа цифровои модели рельефа . . . . . . . . . . . . . . . . . . . . . . 64

Жук Е.В., Халиулин А.Х., Ингеров А.В.,Годин Е.А., Пластун Т.В., Исаева Е.А.Информационные ресурсы банка океанографических данных ФГБУН МГИ для поддержки экологических исследовании прибрежнои зоны Черного моря . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81

СОДЕРЖАНИЕ

Геоинформационные технологии и космический мониторинг

6

Кулыгин В.В.Геомодельное представление морскои эколого-экономическои системы в контексте опасных природных явлении . . . . . . . . . . . . . . . . . . . . . . . . . 93

Лычагина Ю.М.Опыт разработки электронных атласов на примере интернет-версии атласа климатических изменении в больших морских экосистемах северного полушария. . . . . . . . . . . . . . . . . . . .101

Маурин Д.И.Метод представления геопространственных данных в современных ГИС . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .109

Петкова Н.В., Ушканова Е.В.Геоинформационные технологии в анализе городского землепользования. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .117

Приходько С.Д.О визуализации трехмерных пространственных моделеи территории . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .133

Пьянков С.В., Шихов А.Н.,Абдуллин Р.К., Черепанова Е.С.Атласное картографирование опасных гидрометеорологических явлении на региональном уровне. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .143

Третьякова И.А.Геоинформационная система «Нагонные явления» . . . . . . . . . . . . . . . . . . . . . . .152

Селезнёва Е.В.Методика геоинформационнои оценки неотектонических движенииземнои коры на примере нагорья Сангилен . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .159

Учаев Д.В., Бобков А.Е., Учаев Дм.В.Разработка основанных на автоматическои генерализации программных средств интерактивнои визуализации электронных картографических моделеи местности . . . . . . . . . . . . . . . . . . . . . .165

Черноморец С.С., Савернюк Е.А., Висхаджиева К.С.,Петраков Д.А., Петров M.А., Ерохин С.А, Докукин М.Д.,Тутубалина О.В, Глазырин Г.Е., Cоколов Л.С.,Шпунтова А.М., Штоффел М.Оценка селевои опасности в трансграничном бассеине Шахимардан (Киргизия-Узбекистан) по данным дистанционного зондировании и полевых обследовании. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .177

Яицкая Н.А.Цифровая модель рельефа дна Каспииского моря . . . . . . . . . . . . . . . . . . . . . . . .187

7

Содержание

НОВЫЕ ТЕХНОЛОГИИ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ

И РАБОТЫ С ДАННЫМИ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ (ДДЗ)

Акперов М.Г., Мохов И.И., Дембицкая М.А.Полярные мезоциклоны на основе спутниковых наблюдении и данных реанализа . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .197

Архипова О.Е., Магаева А.А.Разработка веб-приложения для мониторинга несанкционированных свалок на территории Ростовскои области . . . . . . . . .204

Бердников С.В., Немцева Л.Д., Лихтанская Н.В., Сапрыгин В.В., Сурков Ф.А.Компонент обработки и дешифрирования данных дистанционного зондирования Земли системы комплексного наземно-космического мониторинга. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .215

Гречищев А.В., Савинский В.Ю., Стоволосов Е.В.О современных технологиях многомерного моделирования объектов и местности по данным дистанционного зондирования: аэро- и космическим. Часть 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .222

Гречищев А.В., Савинский В.Ю., Стоволосов Е.В.О современных технологиях многомерного моделирования объектов и местности по данным дистанционного зондирования: аэро- и космическим. Часть 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .235

Заров Е.А., Голубятников Л.Л.Применение иерархическои дифференциации тундровых ландшафтов Западнои Сибири по спутниковым снимкам . . . . . . . . . . . . . . . . .252

Зейлигер А.М., Ермолаева О.С.Результаты компьютерного моделирования водного стресса посевов орошаемои люцерны по данным наземного метеорологического и космического мониторинга температуры подстилающего слоя с использованием методики ФАО-56 и модели SEBS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .258

Киселева С.В., Рафикова Ю.Ю.,Голубева Е.И., Тульская Н.И.Спутниковые базы данных и ГИС-проекты для оценки потенциала возобновляемои энергетики . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .274

Курков В.М., Бляхарский Д.П., Флоринский И.В. Беспилотная аэрофотосъемка для геоморфометрического моделирования . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .288


8

Лемешко Т.Б.Возможности геоинформационных систем и дистанционного зондирования в растениеводстве и лесоводстве . . . . . . . . . . . . . . . . . . . . . . . . . .303

Новикова О.Г., Батанов Д.В.Мониторинг переформирования русла реки Обь в раионе г. Колпашево Томскои области . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .313

Потапов А.С.Повышение точности геопривязки космических снимков с помощью наземных измерении . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .321

Тутубалина О.В., Голубева Е.И., Зимин М.В., Труфанов А.В., Тарасов М.К., Деркачева А.А., Садовая И.В., Середа И.ИИнформационная поддержка технологии точного земледелия на основе методов дистанционного зондирования . . . . . . . . . . . . . . . . . . . . . . . .327

Чернокульский А.В.Неопределённость спутниковых данных в задачах климатических исследовании на примере общеи облачности . . . . . . . . . . . . . . . . . . . . . . . . . . . . .337

Алфавитный указатель авторов . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .346

9

CONTENTS

GIS IN SOLVING REGIONAL PROBLEMS OF ENVIRONMENTAL MANAGEMENT

Andreev M.V., Berezina K.V., Bystrov A.Yu., Grechishchev A.V., Lubnin D.S., Stovolosov E.V. About methods for multidimensional information representation . . . . . . . . . . . . . . . 27

Arkhipova O.E. «Cloud» technologies in research expeditions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

Bazhukova N.V., Kiseleva E.S., Tashkinova A.N., Cherepanova E.S. Creating a series of climatic maps for the integrated Perm region atlas using GIS mapping . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

Bystrov A., Lubnin D., Gruzdev S., Andreev M., Dryga D., Shkurov F., Kolosov U. Application of geoinformation technologies in additional school education. . . . . . . 47

Dashkevich L.V. Long-time average spatial distribution of dissolved oxygen concentration in the surface layer of the Sea of Azov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

Eprintsev S.A.1, Arkhipova O.E. Development of GIS resource for learning about natural framework as a factor environmental safety of urban areas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62

Ermolaeva O.S., Zeiliguer A.M. Computer code for hydrographic characteristics calculation of a river network and its watershed by results of the hydrological analysis of digital elevation model. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77

10

Geoinformation technologies and space monitoring

Zhuk E.V., Khaliulin A.Kh., Ingerov A.V., Godin E.A., Plastun T.V., Isaeva E.A. Information resources of FSBSI MHI oceanographic data bank for supporting environmental research of the Black Sea coastal area . . . . . . . . . . . . . 91

Kulygin V.V. Geomodel presentation of marine environmento-economic system in the context of natural hazards. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99

Lychagina Y.M. Experience of the development of electronic atlases on the example development of online version of the Atlas of climatic changes in large marine ecosystems of the Northern hemisphere . . . . . . . . . . . . . . . . . . . . . . 107

Maurin D.I. Method of presentation the geospatial data in modern GIS. . . . . . . . . . . . . . . . . . . . 116

Petkova N.V., Ushkanova E.V. GIS-based analysis of urban land-use . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132

Prikhodko S.D. About visualization of three-dimensional terrain model . . . . . . . . . . . . . . . . . . . . . . 142

Pyankov S.V., Shikhov A.N., Abdullin R.K., Cherepanova E.S. Atlas mapping of hazardous hydrometeorological events at the regional scale level . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150

Tretyakova I.A. Geoinformation system of surge phenomena . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157

Selezneva E.V. GIS methods of estimation of neotectonic deformations of Sangilen mountains . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163

Uchaev D.V., Bobkov A.E., Uchaev Dm.V. Development of software for interactive visualization of electronic cartographic terrain models based on automatic generalization . . . . . . . . . . . . . . . . 175

Chernomorets S.S., Savernyuk E.A., Viskhadzhieva K.S., Petrakov D.A., Petrov M.A., Erokhin S.A., Dokukin M.D., Tutubalina O.V., Glazirin G.E., Sokolov L.S., Shpuntova A.M., Stoffel M. Assessment of the debris flow hazard in the transboundary shakhimardan catchment (Kyrgyzstan-Uzbekistan) on the basis of remote sensing and field data. . . 185

Yaitskaya N. Digital elevation model of the Caspian Sea bottom . . . . . . . . . . . . . . . . . . . . . . . . . . . 195

11

Contents

NEW REMOTE SENSING (RSD) TECHNOLOGY

Akperov M.G., Mokhov I.I., Dembickaya M.A. Polar mesocyclones over the Nordic seas from satellite observations and reanalyses data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 202

Arkhipova O.E., Magaeva A.A. Developing web application for monitoring of illegal dumps in the Rostov region. . . 213

Berdnikov S.V., Nemtseva L.D., Likhtanskaya N.V., Saprygin V.V., Surkov F.A. Component processing and interpretation of remote sensing systems integrated ground-space monitoring . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 220

Grechishchev A.V., SavinskiV.Yu, Stovolosov E.V. About modern approaches for multidimensional object and terrain modeling based on remote sensing data: aero- and space. Part 1 . . . . . . . . . . . . . . . . . . . . . . . . 233

Grechishchev A.V., Savinski V.Yu, Stovolosov E.V., About modern approaches for multidimensional object and terrain modeling based on remote sensing data: aero- and space. Part 2 . . . . . . . . . . . . . . . . . . . . . . . . 249

Zarov E.A., Golubyatnikov L.L. Application of hierarchical differentiation of west Siberian tundra landscapes on a base of satellite imagery . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 257

Zeiliguer A.M., Ermolaeva O.S. Results of a water stress computer modeling of irrigated alfalfa crops by the use of meteorological monitoring and remote sensing of land surface temperature in the base of FAO-56 method and SEBS model . . . . . . . . . . . . . . . . . . 271

Kiseleva S.V., Rafikova Yu.Yu., Golubeva E.I., Tulskaya N.I. Satellite database and GIS projects to assess the potential of renewable energy sources . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 286

Kurkov V.M., Bliakharskii D.P., Florinsky I.V. Unmanned aerial surveying for geomorphometric modelling. . . . . . . . . . . . . . . . . . 301

Lemeshko T.B. Capabilities of geographic information systems and remote sensing in crop and forestry. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 311

Novikova O.G., Batanov D.V. Monitoring of reformation of the bed of the ob river near the town of Kolpashevo, Tomsk region . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 320

12

Geoinformation technologies and space monitoring

Potapov A.S. Improving accuracy of satellite images georeferencing with ground-based measurements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 326

Tutubalina O.V., Golubeva E.I., Zimin M.V., Trufanov A.V., Tarasov M.K., Derkacheva A.A., Sadovaya I.V., Sereda I.I. Information services for precision agriculture on the basis of remote sensing . . . . 335

Chernokulsky A.V. Uncertainties of satellite data for climate studies purposes: the case of total cloudiness. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 345

Author index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 347

13

ОПЫТ ПРИМЕНЕНИЯ ГИС ПРИ РЕШЕНИИ РЕГИОНАЛЬНЫХ ЗАДАЧ

РАЦИОНАЛЬНОГО ПРИРОДОПОЛЬЗОВАНИЯ

О СПОСОБАХ ПРЕДСТАВЛЕНИЯ МНОГОМЕРНОЙ ИНФОРМАЦИИ

Андреев М.В., Берёзина К.В., Быстров А.Ю., Гречищев А.В., Лубнин Д.С., Стоволосов Е.В.

Московский государственный университет геодезии и картографии, г. Москва, e-mail: [email protected]

Аннотация. Количество разнородной информации об объектах и местности, в том чис-ле в системах управления и принятия решений, растет день ото дня. Применение методов и средств дистанционного зондирования обеспечивает такие системы необходимой гео-пространственной информацией, но также способствует значительному росту её количества. Требуется поиск и реализация моделей представления разнородных данных для эффективной их интеграции и быстрого доступа к ним. В данной статье рассматриваются вопросы объ-единения возможностей технологий оперативной аналитической обработки данных – OLAP (OnLineAnalyticalProcessing) и геоинформационных систем – ГИС, посредством реализации технологии оперативной аналитической обработки пространственных данных (SpatialOnLineAnalyticalProcessing; SOLAP) и комплексирования разнородной многомерной информации в гиперкубы и полигиперкубы.

Ключевые слова: ГИС, многомерная информация, дистанционное зондирование, аэро-космические снимки местности, растровые и векторные наборы данных, оперативная анали-тическая обработка данных, гиперкуб.

В современных условиях развития общества необходимость в максимально сжатые сроки задеиствовать огромныи объём разного рода пространственных (аэрокосмические снимки, картографические (в том числе тематические) матери-алы, модели рельефа) и непространственных (описания, отчеты, статистические выкладки) данных об объектах и местности – далеко не уникальная ситуация. Применение методов и средств дистанционного зондирования (ДЗ) не даст желаемого эффекта, если не использовать прогрессивные способы обработки, хранения и визуализации информации, особенно с учетом того, что оперативно получаемые изображения могут иметь различные пространственное разреше-ние, геометрию съёмки, быть получены в разных спектральных зонах и т. д. А взвешенное решение можно принимать, когда все снимки пространственно


14

согласованы, т. е. каждыи их элемент (пиксел) поставлен в строгое соответствие каждои точке отображаемого пространства (местности).

Данные дистанционного зондирования разного рода (панхроматические, мультиспектральные, гиперспектральные, радиолокационные, разновремен-ные, с различным пространственным разрешением и т. д.) в настоящее время широко применяются во многих отраслях человеческои деятельности, напри-мер, в условиях чрезвычаиных ситуации(оценка развития ситуации при сходе лавин, возникновении лесных и степных пожаров, паводков и наводнении и т. д.). Но оперативное сопоставление поступающеи пространственнои информации затруднено из-за необходимости выполнения сложнои фотограмметрическои обработки снимков местности, причем такую обработку зачастую невозможно провести в режиме времени, близком к реальному (а такои требуется при ЧС), из-за больших потоков разнопараметрических данных. Поэтому разработка методов, оригинальных или на основе существующих, позволяющих быстро интегрировать различные пространственные данные с целью извлечения важ-нои информации о происходящих на территории процессах, – вопрос далеко не праздныи.

Развитие технологии ДЗ и необходимость быстрои обработки различных про-странственных и непространственных данных с целью извлечения комплекснои информации, позволяющеи практически в режиме реального времени прини-мать наиболее обоснованные управленческие решения, обусловили потребность в методах специальнои подготовки, сопоставлении комплекснои аналитики данных, которых к тому же становится всё больше (в соответствии с законом Мура объёмы первичных данных удваиваются каждые два года). В ходе анализа данных и поиска решении на их основе часто возникает необходимость в уста-новлении зависимостеи между различными параметрами, число которых может варьироваться в широких пределах. Множественность измерении, являющихся последовательностью значении одного из анализируемых параметров или позво-ляющих их вычислить, предполагает представление данных в виде многомернои модели, то есть рядов независимых измерении, вдоль которых анализируются определённые совокупности данных. Одновременныи анализ по нескольким измерениям определяется как многомерныи анализ [1].

В настоящее время многомерные модели данных реализуются в различных технологиях и приложениях. В первую очередь это относится к технологиям оперативнои аналитическои обработки данных – OLAP (OnLineAnalyticalProcessing) [2–5]. Но, как правило, в этом случае проводится оперативныи анализ многомерных массивов текстово-числовои информации. Когда речь идёт о рабо-те с пространственными данными, чаще всего подразумевается использование геоинформационных технологии, ГИС (GIS).

Организация оперативнои обработки большого числа разнороднои аэрокос-мическои информации сопряжена с большими трудностями, что обуславливает необходимость создания новых методик для интеграции данных ДЗ и осущест-вления доступа к ним.

15

Опыт применения ГИС при решении региональных задач рационального природопользования

СИСТЕМЫ ОПЕРАТИВНОЙ АНАЛИТИЧЕСКОЙ ОБРАБОТКИ ДАННЫХ

В многомерных моделях данные представляют в виде n-мерного куба (datacube) или гиперкуба (метаку-ба, поликуба), ребрами которого являются измерения (dimensions), а ячеиками – меры (measures), коли-чественно характеризующие анали-зируемые факты (отсчеты), распо-лагающиеся на пересечениях осеи измерении (рис. 1). При этом рёбра гиперкуба чаще всего не одинаковы по размерности.

В OLAP-системах число измере-нии кубов не ограничено, основное назначение таких систем – инфор-мационная поддержка комплекснои аналитическои деятельности при исследовании различных гипотез в процессах подготовки принятия решении. Многие государственные структуры и круп-ные коммерческие компании активно используют современные системы под-держки принятия управленческих решении (постановка целеи, планирование и непосредственно принятие решения), обладающие, как правило, средствами предоставления агрегатных данных для различных пространственно-временных выборок из исходного набора с возможностью их детализации и в удобном для восприятия и анализа виде.

Многомерная модель данных позволяет одновременно вводить и изучать данные(например, план-фактныи анализ). Возможность детально исследовать значительные объёмы информации быстрыи отклик на запросы делают OLAP-системы незаменимыми при анализе продаж, маркетинговых мероприятии, дис-трибуции продукции и т. п. OLAP-кубы содержат показатели, используемые для принятия управленческих решении, например, прибыль, рентабельность про-дукции, совокупные средства (активы), собственные средства, заемные средства и т. д. При этом показатели хранятся не в виде простых таблиц, как в обычных системах учета или бухгалтерских программах, а в разрезах, представляющих собои основные категории деятельности организации: товары, магазины, кли-енты, время продаж и т. п.

На рис. 2 представлен пример куба продаж, которыи позволяет быстро оце-нить объёмы реализации различного оборудования по территориям и периодам времени. При этом довольно просто провести детализацию, разделив гиперкуб на субкубы, например, по месяцам или неделям (измерение «время»), отдельным регионам в каждои стране или конкретным поставщикам. Также легко добавить

Рис. 1. Представление массивов данных в виде гиперкуба


16

дополнительные срезы куба, например, по неохваченным странам / территориям, компаниям или годам.

Рис. 2. Куб продаж

Благодаря детальному структурированию информации OLAP-кубы позволя-ют оперативно осуществлять анализ данных и формировать отчёты в различных разрезах и с произвольнои глубинои детализации. Отчёты могут создаваться ана-литиками, менеджерами, финансистами, руководителями подразделении в инте-рактивном режиме, чтобы быстро получать ответы на возникающие ежедневно вопросы и принимать правильные решения. Для создания отчетов не нужно прибегать к услугам программистов, на что обычно уходит немало времени.

Из OLAP-куба можно получить и обычныи («плоскии») отчёт. По столбцам и строкам отчёта расположатся бизнес-категории (грани куба), а ячеики заимут показатели (таблица).

Несомненная полезность многомерного моделирования для систем поддержки принятия решении обусловлена несколькими причинами. Во-первых, благодаря предварительнои агрегации время ответа на длинные запросы, которые могут включать миллионы строк, существенно сократилось. Во-вторых, пользовате-лям системы не обязательно обладать навыками управления базами данных. В-треть их, многомерная модель гораздо ближе образу мышления специалистов-анали тиков, которыи подразумевает построение выводов на основе множества факторов. В-четвертых, многомерные системы предоставляют свободу иссле-дования данных и создания разнотипных отчётов без необходимости следовать требованиям формата.

17


Таблица 1Представление информации из гиперкуба для отчета

2014 2013 2012 2011 2010

Россия

GPS-приемники 100 900 478 907 780Тахеометры 300 400 210 498 345Нивелиры 900 600 809 643 547Теодолиты 840 720 600 435 876Итого: 2140 2620 2097 2483 2545

Германия


Франция


Польша


Итого 5970 6021 7464 8178 10427

На рис. 2 элементы OLAP-куба показаны в виде отдельных субкубов с целью подчеркнуть, что такие системы имеют дело с наборами дискретных данных, как правило, текстовых и / или численных. В случае операции с данными дистан-ционного зондирования, геопространственными данными подобное не всегда достижимо. Более того, в связи с лавинообразным ростом объёма данных ДЗ, увеличением пространственного, радиометрического, временного, спектрального разрешения съёмочнои аппаратуры обычные OLAP-системы утрачивают своё главное преимущество – оперативность, поскольку приходится дополнительно тратить время на пространственное совмещение данных, их интерполяцию, «очистку» и т. д. В итоге приходится искать новые подходы к хранению и пред-ставлению накапливаемои в системе информации.

ГЕОИНФОРМАЦИОННЫЕ СИСТЕМЫ

Еще одним видом активно использующихся в комплексах поддержки при-нятия решении информационных технологии, ориентированных на сбор, хране-


18

ние, трансформацию, анализ и отображение пространственно распределённых данных об объектах и событиях, являются ГИС-технологии. Современные ГИС объединяют возможности традиционных операции с базами данных (например, запрос и статистическии анализ) с преимуществами полноценнои визуализации и географического (пространственного) анализа, которые предоставляет карта. Геоинформационные системы и технологии применяются для решения широкого спектра задач, предполагающих изучение и прогноз развития явлении и событии окружающего мира с осмыслением и выделением их главных факторов и причин, с планированием стратегических решении и возможных последствии предпри-нимаемых деиствии.

Работая в ГИС с компью-терными картами (интерак-тивные изображения на мониторах), путём запросов можно взаимодеиствовать с анализируемои инфор-мациеи. Географические элементы представляются в виде серии тематических слоёв, количество которых может быть весьма значи-мым, отображающих объ-екты реального мира для заданных территории (экс-тентов). Так, можно про-сматривать слои дорог, рек, почв, растительности, насе-ленных пунктов, строении, административных и иных-границ, рельефа, спутнико-вых и другого рода снимков местности и т. д. (рис. 3).

Пространственная и свя-занная с нею информация

в ГИС разделяется на серии логических слоев, наборами однородных объектов можно управлять, организовывая данные в отдельные темы, показывая рас-пределение исследуемого явления и то, как каждая тема будет вписана в гео-графическую среду.

Любая пространственно распределённая (географическая) информация в ГИС представляется и обрабатывается с помощью трех основных структур данных [6]:• классы пространственных объектов – векторные наборы данных (точек,

линии и полигонов);• атрибутивные таблицы (описательная информация);

Рис. 3. Послойное представление данных в ГИС

19


• растровые наборы данных (изображения и данные, основанные на ячеиках или пикселях – материалы космическои или аэрофотосъемки, цифровые модели рельефа, и т. д.).В векторнои модели пространственных данных информация о точках, линиях

и полигонах кодируется и хранится в виде набора координат X, Y. Местополо-жение точечного объекта описывается парои координат. Линеиные объекты, такие как трубопроводы, дороги, электросети, реки или маршруты, сохраняются как наборы координат. Полигональные объекты (водоёмы, земельные участки и др.) хранятся в виде замкнутого набора координат. Векторная модель удобна для описания дискретных объектов и менее применима для описания непрерыв-но меняющихся своиств, таких как типы почв, распределение температур или доступность объектов. В растровои модели данных изображение представляет собои набор значении для отдельных элементарных составляющих (ячеек), оно подобно отсканированнои карте. Растровая модель оптимальна для работы с непрерывными своиствами. Обе названные модели имеют свои преимущества и недостатки.

Пространственные объекты, отображаемые в векторнои или растровои форме, участвуют в отношениях с другими пространственными объектами, а атрибутив-ные значения поддерживаются одновременно несколькими таблицами, поэтому каждыи из основных типов, данных может быть расширен за счёт дополнительных возможностеи для поддержания целостности данных (например, с помощью топо-логии), моделирования географических отношении (связности сети или поток) или добавления расширенного поведения. Так определенные линеиные объекты обычно соединяются друг с другом – участки улиц в дорожно-транспортнои сети, трубы в водопроводе, сегменты рек в гидрологическои сети и отдельные провода в линиях электропередачи. Сети можно трассировать, например, наити оптималь-ныи маршрут по городским магистралям, определить вентиль для отключения ветви водопровода, проити вниз по течению реки. Многие пространственные объекты примыкают друг к другу и обладают совпадающеи геометриеи. Напри-мер, могут совпадать граница земельного участка, граница административного раиона и берег реки. Между такими объектами устанавливаются топологические отношения. Часто большая часть описательнои информации о пространственных объектах содержится в отдельных атрибутивных таблицах. Атрибуты можно свя-зывать с пространственными объектами с помощью реляционных баз данных. Наборы данных ГИС представляют наборы отдельных объектов с их географи-ческим положением и формои точно так же, как слои на карте, но дополняют их зафиксированнои в атрибутах описательнои информациеи.

При наличии ГИС и географическои информации можно наити ответы на различные вопросы, например: «Где расположен конкретныи земельныи уча-сток?», «На каком расстоянии друг от друга расположены эти объекты?» или «Как повлияет на движение транспорта строительство новои дороги?». Поиск ответов ведется с помощью специальных запросов, которые можно задавать как путем выделения тех или иных объектов, так и посредством развитых аналитических


20

средств. Можно задавать шаблоны для поиска, проигрывать сценарии по типу «что будет, если…». Современные ГИС имеют мощные аналитические инстру-менты, среди которых наиболее значимы два: для анализа близости и анализа наложения. Для определения взаимнои близости объектов в ГИС применяется процесс буферизации, он позволяет ответить на вопросы типа: «Сколько домов находится в пределах 100 м от этого водоема или может попасть в зону зато-пления в случае ЧС?», «Сколько возможных покупателеи живет не далее 1 км от данного магазина?». Наложение подразумевает интеграцию данных, рас-положенных в разных тематических слоях. В простеишем случае это операция отображения, но при определенных деиствиях данные из разных слоев объеди-няются физически.

В сфере операционных баз данных ГИС показали хорошие возможности по управлению географическими данными. Эффективность географических инфор-мационных систем зиждется в основном на способности связывать разнородные данные в пространственном контексте, графически представлять взаимосвязи между разнообразными явлениями, а также на широком спектре возможностеи при визуализации, анализе интеграции пространственных и непространствен-ных данных для поддержки принятия решении. Тем не менее ГИС недостаточно эффективны, когда дело доходит до сложных многомасштабных, мультивремен-ных и мультитематических пространственно-временных запросов. Особенно в случае необходимости обработки, отображения и анализа потоков оперативно получаемых данных ДЗ: разновременных, с различным пространственным, ради-ометрическим и спектральным разрешением, сформированных разнотипными сенсорами, сохраняемых в различных хранилищах и форматах.

Пространственная система поддержки принятия решении, объединяющая возможности ГИС и OLAP, где за многомерность отвечает OLAP, а за управ-ление геоданными – ГИС, однозначно будет эффективнее ее составляющих по отдельности.

СИСТЕМЫ ОПЕРАТИВНОЙ АНАЛИТИЧЕСКОЙ ОБРАБОТКИ ПРОСТРАНСТВЕННЫХ ДАННЫХ

Развитием технологии OLAP и ГИС для комплексного анализа многомерных данных, в том числе включающих как дискретные, так и непрерывные простран-ственные данные, в целях поддержки принятия управленческих решении по принципу «сверху вниз» стала технология оперативнои аналитическои обработки пространственных данных(SpatialOnLineAnalyticalProcessing;SOLAP). В рамках SOLAP геоданные организованы в гиперкубы по нескольким иерархиям-измере-ниям. Основная иерархия – географическая вложенность, затем следуют органи-зационное деление, иерархия временных отрезков, классификаторы и т. д. [6–10]. Несмотря на активное развитие SOLAPв последнее десятилетие, ведущие про-изводители программного обеспечения, такиекак ESRI, Microsoft, IBM, Oracle,

21


подобные решения еще не разработали, хотя, например, у GeoMondrian [11] уже реализованы технологии построения SOLAP-кубов.

Гиперкубы пространственных данных можно смоделировать и в ArcGIS из наборов данных, хранящихся в базе, применяя специальные программные над-строики (компания ESRI вопросам объединения возможностеи технологии OLAP и ГИС уделяет большое внимание). Например, интеграция пространственных данных водосборных моделеи с космическими снимками в ГИС с построением «тематических» кубов рассмотрена в [12] (рис. 4).

Сцены, полученные с КА Landsat, авторами [12]использовались для изучения состояния земнои поверхности за продолжительныи период. При оценке изме-нении в области интереса применена классификация (контролируемая и некон-тролируемая) для поиска и сравнения спектральных классов, которые относятся к основным типам земель: искусственные поверхности, сельскохозяиственные зоны, леса и парковые территории, водные массивы. Результаты классификации структурированы в слои карт и сохранены в кубы со значениями по осям Х, У для корректного представления изображения и значением по оси Z, содержащим время получения изображения или инои параметр.

В общепринятых многомерных структурах все вовлечённые данные дискрет-ны. Измерения разделены на дискретные иерархические уровни, каждыи уровень имеет конечное число дискретных ячеек (служащих также координатами в много-мерном пространстве), дискретныи элемент может быть наиден на их пересечении. Естественные явления в пространстве и во времени непрерывны, однако они не могут быть непрерывно измерены во всех точках пространства и записаны в такои форме в базу данных в силу определённых причин, однои из которых является дис-кретная природа вычислительнои техники. Измеряются и записываются отдель-ные кванты непрерывного явления, что неминуемо приводит к дискретному его представлению. Это отражается в дискретности пространственного и временного измерении в хранилище пространственных данных системы SOLAP.

Предполагая дальнеишие успехи в интегрировании многомерных систем и непрерывных данных, укажем на возможную недооценку характеристик таких данных, отмеченную в [10]:1. Получение скрытой информации. Дискретное представление неразрывных

данных в базах ведёт к дискретным измерениям при моделировании их с помощью многомерных структур. Это означает, что часть информации будет потеряна или скрыта. Скрытая информация может быть краине полезна при исследовании или анализе. Представление в непрерывнои форме обеспечива-ет средства для восстановления утеряннои или скрытои информации путём оценивания неизмеренных данных.

2. Анализ на детализированных уровнях иерархии. Системы поддержки приня-тия решении обычно работают с агрегированными данными, полностью или частично игнорируя детализированные, хотя во многих случаях необходим анализ данных с высокои детальностью, например, в условиях ЧС при оценке развития стихииного явления.


22

Рис. 4. Интеграция пространственных данных при моделировании водосборного бассейна с применением данных ДЗ в ГИС

3. Недискретный анализ и непрерывное представление. В силу дискретного пред-ставления явление рассматривается как набор раздельных пространственных объектов или снимок значении данных в некоторыи промежуток времени.

23


Для специалистов было бы реалистичнее анализировать явление так, как оно проходит в жизни, развиваясь во времени и пространстве.В общем случае этапы сбора (полевые измерения, аэрокосмические сним-

ки и т. д.), хранения (в дискретных компьютерных системах) и представления (визуализация на различных устроиствах вывода) многомернои информации о местности можно представить в виде последовательности, показаннои на рис. 5.

Рис. 5. Этапы получения, хранения и визуализации многомерной информации о местности [10]

Архитектура системы OLAP состоит из многомернои структурированнои базы данных (хранилища данных), сервера OLAP и клиента OLAP; архитектура системы SOLAP состоит из многомернои структурированнои пространствен-но-временнои базы данных, сервера SOLAP и клиента SOLAP [12]. Хранилище


24

данных определяется как субъектно-ориентированное, интегрированное, меня-ющееся во времени множество данных, предназначенное для поддержки про-цесса принятия решении. Большинство информационных хранилищ содержат данные из различных источников, которые могут иметь разную внутреннюю организацию и формат. Практически во всех аналитических приложениях в качестве одного из параметров выбирается время, чтобы сделать возможнои оценку эволюции данных. Пространственные данные составляют большую часть цифровои информации в корпоративных хранилищах данных (80 % хранимых данных имеют пространственную составляющую). Чтобы получить наибольшую выгоду от использования пространственного компонента, в хранилища про-странственных данных и SOLAP вносятся усовершенствования. Согласно [13], хранилище пространственных данных содержит как пространственные, так и обычные данные, при условии их совместимости в ходе процесса поддерж-ки принятия решении. Хранилища пространственнои информации содержат тритипа пространственных измерении: негеометрические, смешанные и геоме-трические измерения. Первыи тип рассматривается как иерархия, состоящая из имён местоположении, таких как адрес или почтовыи код, и не представленная геометрически. Второи тип рассматривается как иерархии, где детальные уровни представлены геометрически, а общие не имеют геометрического представле-ния (на определённых уровнях агрегации). Последнии тип измерении имеет геометрическое представление для всех уровнеи иерархии. Пространственные измерения могут быть реализованы в многомерных структурах только в случае поддержки клиентом многомернои базы данных картографического представ-ления и навигации.

SOLAP может рассматриваться как клиентское приложение для хранилища данных и определяется как визуальная платформа, построенная главным образом для того, чтобы обеспечить простоту и высокую скорость пространственно-вре-менного анализа и исследования данных, следуя многомерному подходу, состо-ящему из уровнеи агрегирования, доступных как для картографического, так и для табличного и диаграммного отображения. Наиболее важные инструменты SOLAP, основанные на теоретических и практических разработках и определён-ные, например, в [13], это:• Гибкии интерфеис, поддерживающии разные форматы визуализации.• Доступность навигационных операции во всех формах отображения (диа-

граммы, карты, снимки, изображения, таблицы).• Возможность вводить новые единицы измерения, рассчитанные на основе

существующих.Известны различные базовые подходы к интеграции ГИС и инструментария

OLAP в системах SOLAP, их можно подразделить на ГИС-доминантные, OLAP-доминантные и обще интеграционные [7]. Первыи подход предполагает исполь-зование всех возможностеи ГИС и ее графическии пользовательскии интерфеис, но упрощенныи доступ к источникам данных OLAP при отсутствии практических функции OLAP. Второи подход предполагает полныи доступ к возможностям

25


OLAP, графическии пользовательскии интерфеис OLAP, но ограниченныи доступ к функциям ГИС (как правило, только возможности картографического отобра-жения). Соответственно третии подход реализует наилучшую функциональность системы и предполагает использование полностью интегрированнои технологии SOLAP.

В контексте интерактивного пространственно-временного исследования и ана-лиза данных карты и графики дают нечто большее, чем простая визуализация информации; они являются активными инструментами для мыслительного про-цесса конечного пользователя. Без картографического отображения инструментам OLAP не хватает существеннои особенности, которая может помочь делать выво-ды из пространственно-временных исследовании и аналитических процессов. Эта геовизуализационная функция присутствует в инструментах SOLAP и позволяет лучше демонстрировать данные, улучшает их распространение и взаимодеиствие с ними, способствует процессам анализаи поддержки принятия решении; неяв-ные пространственные отношения между явлениями выводятся на поверхность; визуальные явления и новые отношения легче усваиваются пользователем [7]. Гео-графическая визуализация (геовизуализация) может быть определена как частная активность, в которои неизвестные выявлены с помощью высокоинтерактивнои среды. Таким образом, геовизуализация многомернои пространственнои инфор-мации не является пассивным процессом (как просмотр или чтение карты), это процесс, в котором проводятся отдельные сортировки, выборки, фильтрации и иные трансформации данных в поиске шаблонов и связеи.

Инструмент SOLAP для картографического отображения позволяет легко определить кластеры, корреляции и другие пространственные отношения, которые не сдерживаются предопределенными территориальными границами и которые не видны, когда используется только номинальная пространственная привязка, поддерживаемая непространственными инструментами OLAP.

Используя возможности SOLAP, пользователь может проводить анализ без освоения языка запросов или знания основ структур баз данных, которые могут быть очень сложными в случае пространственно-временных баз дан-ных. С инструментами SOLAP аналитик фокусируется на результатах анализа, а не на его процедурах. Кроме того, предварительно полностью или частично агрегированные данные обеспечивают быстрые ответы на сложные запросы. Время отклика инструментов SOLAP в современных системах, как правило, не превышает 10 с. Это дает определенную гарантию того, что применение SOLAP не помешает мыслительному процессу пользователя во время анализа данных, а также позволит проводить «построение» знании, что в геопространственнои сфере соответствует развитию, смысл которого заключается в постепенном конструировании и усвоении данных путем их предварительнои обработки и толкования.

Методы и способы обработки разнороднои многомернои информации пред-намеренно оставлены за рамками данного обзора, но некоторые подходы и идеи представлены в [14].


26

Список литературы

1. Барсегян А.А. Куприянов М.С., Холод И.И., Тесс М.Д., Елизаров С.И. Анализ данных и процессов: Учеб. пособие. – СПб.: БХВ-Петербург, 2009. – 512 с.

2. Кудрявцев Ю.А. OLAP-технологии: обзор решаемых задач и исследовании // Бизнес-информатика. – 2008. – № 1. – С. 66–70.

3. Латышев К.В., Сидоренко В.Н. Применение современных информационных технологии для анализа пространственно распределенных социально-экономи-ческих данных // Бизнес-информатика. – 2013. – № 1 (23). – С. 68–75.

4. Codd E.F., Codd S.B., Salley C.T. ProvidingOLAP (On-LineAnalyticalProcessing) touser-analysts: AnITmandate // Technicalreport. – 1993.

5 Фёдоров А., Елманова Н. Введение в OLAP-технологии Маикрософт. – М.: Диа-лог-МИФИ, 2002. – 272 с.

6. Как ГИС представляет и моделирует географическую информацию: http:// resources.arcgis.com / ru / help /getting-started/ [электрон.ресурс].

7. Rivest S., Bédard Y., Proulx M.-J.et al. SOLAP technology: Merging business intelligence with geospatial technology for interactive spatio-temporal exploration and analysis of data // ISPRS Journal of Photogrammetry & Remote Sensing. – 2005. – № 60. – P. 17–33.

8. Bimonte S., Tchounikine A., Miquel M. Towards a Spatial Multidimensional Model // DOLAP’05, Bremen, German. – 2005, November 4–5. – 39–46 p.

9. Bimonte S., Tchounikine A., Miquel M. Spatial OLAP: Open Issues and a Web Based Prototype // 10th AGILE International Conference on Geographic Information Science, Aalborg University. – Denmark, 2007. – 1–11 p.

10. Ahmed T.O., Buras A.M. CSOLAP (Continuous Spatial On-Line Analytical Processing) // World Academy of Science, Engineering and Technology. – 2009–06-27. – Vol. 3. – 200–207 p.

11. Open Source Projects: http: // www.spatialytics.org / projects / geomondrian / [элек-трон. ресурс].

12. Rivest S., Bédard Y., Proulx M.J., Nadeau M.SOLAP: a new type of user interface to support spatio-temporal multidimensional data exploration and analysis // Proceedings of the ISPRS Joint Workshop on Spatial, Temporal and Multi-Dimensional Data Modelling and Analysis, Quebec, Canada. – 2003, 2–3 October.

13. Stefanovic N., Han J., Koperski K. Object-based Selective Materialization for Efficient Implementation of Spatial Data Cubes // IEEE Transactions on Knowledge and Data Engineering. –2000. –№ 12 (6). – 938–957 p.

14. Лубнин Д.С., Быстров А.Ю., Назаров А.А., Берёзина К.В., Андреев М.В., Гвоздев О.Г., Стоволосов Е.В., Гречищев А.В. О методе интеграции данных дистанционного зондирования с целью извлечения комплекснои геопространственнои информа-ции» // Известия высших учебных заведении. Сер. Геодезия и аэрофотосъемка. – 2014. – № 6. – С. 110–117.

27

ABOUT METHODS FOR MULTIDIMENSIONAL INFORMATION REPRESENTATION

Andreev M.V., Berezina K.V., Bystrov A.Yu., Grechishchev A.V., Lubnin D.S., Stovolosov E.V.

Moscow State University of Geodesy and Cartography, Moscow, e-mail: [email protected]

Abstract. The amount of heterogeneous information about objects and terrain, including control and decision-making systems, is increasing with each passing day. Applying remote sensing methods and means provides those systems needful information, but also increase amount of this information. Required search and realization of presentation models for their effective integration and fast access to them. In this paper we consider questions of combining capabilities of OLAP (On Line Analytical Processing) and GIS, through the implementation of SOLAP (Spatial On Line Analytical Processing) technology and interconnecting heterogeneous multidimensional information in hypercubes and polyhypercubes.

Keywords: GIS, multidimensional information, remote sensing, aerospace terrain imageries, raster and vector sets of data, On Line Analytical Processing, hypercube

References

1. Barges’an A.A., Kupri’anov M.S., Kholod I.I., Tess M.D., Elizarov C.I. Analiz dannyh I processov [Analisys of the data and processes]: Ucheb. posobie. – SPb.: BHV-Peterburg, 2009. – 512 p. (In Russian).

2. Kudr’avtsev Yu.A. OLAP-technologii: obzor reshaemyh zadach I issledovanij [OLAP-technologies: overview of tasks and research] // Biznes-informatika. – 2008. – № 1. – P. 66–70. (In Russian).

3. Latyshev K.V., Sidorenko V.N. Primenenie sovremennyh informacionnyht ekhnologijdl’a analiza prostranstvenno raspredelennyh social’no-economicheskih dannyh [The use of modern informa-tion technologies for the analysis of spatial distribution of socio-economic data] // Biznes-infor-matika. – 2013. – № 1. (23) – P. 68-75. (In Russian).

4. Codd E.F., Codd S.B., Salley C.T. Providing OLAP (On-LineAnalyticalProcessing) touser-analysts: AnITmandate // Technicalreport. – 1993. (In English).

5. Fedorov A., Elmanova N., Vvedenie v OLAP-tekhnologii Microsoft. [Introduction in Microsoft OLAP-technologies] – M.: Dialog-MIFI, 2002. – 272 p. (In Russian).

6. Kak GIS predstavl’aet i modeliruet geographichesk’uyu informaciyu [As GIS is geographic infor-mation and models]: Available at: http://resources.arcgis.com/ru/help/getting-started/ (In Russian).

7. Rivest S., Bédard Y., Proulx M.-J. et al. SOLAP technology: Merging business intelligence with geospatial technology for interactive spatio-temporal exploration and analysis of data // ISPRS Journal of Photogrammetry & Remote Sensing. – 2005. – № 60. – P. 17–33. (In English).

8. Bimonte S., Tchounikine A., Miquel M. Towards a Spatial Multidimensional Model // DOLAP’05, Bremen, German. – 2005, November 4–5. – 39-46 p. (In English).

9. Bimonte S., Tchounikine A., Miquel M. Spatial OLAP: Open Issues and a Web Based Prototype // 10th AGILE International Conference on Geographic Information Science, Aalborg University. – Denmark, 2007. – 1–11 p. (In English).


28

10. Ahmed T.O. and Buras A.M. CSOLAP (Continuous Spatial On-Line Analytical Processing) // World Academy of Science, Engineering and Technology. – 2009-06-27. – Vol. 3. – 200–207 p. (In English).

11. Open Source Projects: Available at: http://www.spatialytics.org/projects/geomondrian/ (In English)12. Rivest S., Bédard Y., Proulx M.J., Nadeau M. SOLAP: a new type of user interface to support spa-

tio-temporal multidimensional data exploration and analysis // Proceedings of the ISPRS Joint Workshop on Spatial, Temporal and Multi-Dimensional Data Modelling and Analysis, Quebec, Canada. – 2003, 2–3 October. (In English).

13. Stefanovic N., Han J. and Koperski K. Object-based Selective Materialization for Efficient Imple-mentation of Spatial Data Cubes // IEEE Transactions on Knowledge and Data Engineering. – 2000. –№ 12 (6). – 938–957 p. (In English).

14. Lubnin D.S., Bystrov A.Yu., Nazarov A.A., Berezina K.V., Andreev M.V., Gvozdev O.G., Stovolos-ov E.V., Grechishev A.V. O metode integracii dannyh distancionnogo zondirovani’a s cel’uizvlech-eni’a kompleksnoi geoprostranstvennoi informacii [On the method of integrating remote sensing data in order to extract the complex geospatial information] // Izvesti’a vysshih uchebnyh zavedenij. Ser. Geodezi’aiaerofotos’emka. – 2014. – № 6. – P. 110–117. (In Russian).

29

ОБЛАЧНЫЕ ТЕХНОЛОГИИ В ЭКСПЕДИЦИОННЫХ ИССЛЕДОВАНИЯХ1

Архипова О.Е.1, 2, 3

1Институт аридных зон, 2ЮНЦ РАН, 3Южный федеральный университет, г. Ростов-на-Дону,

e-mail: [email protected]

В последние годы особенно популярнои стала тематика «облачнои» инфра-структуры. Первоначально облачные вычисления представляли собои сервис, обеспечивающии удаленныи доступ пользователя к аппаратным мощностям или программному обеспечению. Со временем область применения облачных технологии существенно расширилась[1].

Создание масштабных вычислительных комплексов и центров хранения данных, а также развитие телекоммуникации привело к возможности дистанци-онного предоставления услуг в области информационных технологии. Облачные технологии позволяют получить доступ к необходимои информации в любое вре-мя и из любого места, что избавляет от необходимости заботиться о собственных устроиствах хранения информации. При этом организация, предоставляющая облачныи сервис, может иметь не только необходимые аппаратные ресурсы, но и программное обеспечение. Еще одним преимуществом облачных вычислении является доступность информации для всех сотрудников организации из любо-го места: имея персональныи компьютер или мобильное устроиство и доступ в Интернет, можно получить доступ к документам и программному обеспечению и вести работу, требующую коллективных усилии.

Выделяют несколько видов облачных ресурсов:1. Публичное облако – доступ к ресурсам осуществляется из любого места, при

условии наличия доступа в сеть Интернет.2. Частное облако – ресурсы доступны только ограниченному числу лиц (напри-

мер, сотрудникам однои компании).3. Общественное облако – ресурсы доступны нескольким организациям, име-

ющим одинаковые потребности с точки зрения информационных ресурсов.4. Гибридное облако – облако, состоящее из двух и более облаков разных видов,

например, публичного и частного [2].

1 Рассматриваемые результаты получены в Южном научном центре Россиискои акаде-мии наук в рамках прикладных научных исследовании «Разработка методов и созда-ние экспериментального образца биотехническои системы мониторинга шельфовых зон мореи западнои Арктики и Юга России, в том числе в раионе Крымского полу-острова на основе спутниковых и контактных данных» (уникальныи идентифика-тор прикладных научных исследовании – RFMEFI60714X0059) при финансовои под-держке Министерства образования и науки Россиискои Федерации.


30

В зависимости от выбранного ресурса, можно получить тот или инои набор услуг. Можно выделить три основных модели обслуживания:1. Программное обеспечение как сервис (Software as a Service, SaaS) – пользовате-

лю предоставляется доступ, как к аппаратным ресурсам, так и к приложению, находящемуся на этих ресурсах. В данном случае нет необходимости хранить программное обеспечение на собственных ресурсах и делать их резервную копию. Более того, появляется возможность доступа к приложению с любо-го устроиства. Требуется только доступ в Интернет. При этом пользователь имеет минимум прав для управления приложением.

2. Платформа как сервис (Platform as a Service, PaaS) – данныи вид сервиса стоит на уровень ниже предыдущего. В данном случае предоставляются все необхо-димые компоненты из облака для разработки и эксплуатации программного обеспечения через Интернет.

3. Инфраструктура как сервис (Infrastructure as a Service, IaaS) – при данном виде сервиса доступен набор аппаратных ресурсов, которые можно использовать в соответствии со своими потребностями [2].

С точки зрения инфраструктуры облачные технологии отличаются от суще-ствовавших ранее подходов к предоставлению аппаратных и программных ресур-сов. Национальныи институт стандартов и технологии США (National Institute of Standards and Technology, NIST) [3–5] определил облачные вычисления путем описания пяти основных характеристик:1. Широкая сетевая доступность (Broad Network Access). Доступ к программному

продукту или ресурсам можно осуществить как с традиционных компьютеров или ноутбуков, так и с планшетов и телефонов, воспользовавшись защищен-ным каналом через сеть Интернет.

2. Легкая масштабируемость (Rapid Elasticity). При необходимости пользователь может быстро подключить к работе дополнительные аппаратные или про-граммные ресурсы.

3. Возможность мониторинга (Measured Service) – облачные системы построены таким образом, что аппаратные ресурсы динамически меняются, а нагруз-ка балансируется незаметно для пользователя. При этом облако оснащено системои мониторинга и, как следствие, может быть оценено с точки зрения доступности и стабильности работы.

4. Самообслуживание (On-Demand Self-Service) – при необходимости поль-зователь может дополнить или изменить набор используемых ресурсов без непосредственного контакта с сервис проваидером.

5. Объединение ресурсов (Resource Pooling) – облачные технологии подразумева-ют динамическое изменение количества используемых аппаратных ресурсов. При этом сервис-проваидер также может изменять аппаратную часть облака

31


(хранилище данных, оперативная память, процессоры, сетевые компоненты), при этом пользователь не заметит этих изменении.

Защита данных является важнои проблемои в информационных технологиях. Особенно она актуальна для ресурсов облачного типа, предоставляемых дис-танционно широкому кругу участников. С однои стороны, использование одних и тех же компьютеров и программного обеспечения для разных целеи является экономически обоснованным решением. С другои стороны, подобныи подход требует повышенного внимания к безопасности, разграничению прав, изоли-рованию данных и программных продуктов, а также к балансировке нагрузки на аппаратную часть.

Развитие функциональных возможностеи веб-интерфеисов, в сочетании с увеличением пропускнои способности каналов связи, уже позволяет пере-нести в «облако» практически любое программное обеспечение. Такои подход дает определенные преимущества в виде экономии средств на покупку лицен-зии, а также то, что программное обеспечение не привязано к определенному компьютеру, для доступа к нему достаточно иметь браузер и подключение к Интернету [1, 6, 7].

Цель исследования – использование «облачных технологии» для размещения результатов наземного мониторинга окружающеи среды, проводимого во время конференции GeoiD Young’2016 «Степнои университет», непосредственно на сервере организации.

Результаты полевых наблюдении в on-line режиме размещались на геопор-тале организации, подробно методика построения портала описана в рабо-те [7]. Используемая «облачная» модель позволяет загружать в «облако» свои данные, а также давать ссылки на готовые веб-карты, сервисы, приложения и инструменты, которые опубликованы на других веб-ресурсах, сопоставляя и комбинируя их для получения новых приложении, тематических карт или веб-сервисов.

Выбор технологии ArcGisOnline обусловлен возможностью использования «облачных» ресурсов, включая базовую карту, построенную на основе мозаики космоснимков с разрешением от 2.5 м и выше, векторную топографическую кар-ту, а также возможностью использования единого программного обеспечения Esri. Веб-карты создаются с помощью слоев данных из сервисов и фаилов на основе локального проекта ArcGis. Они ссылаются на общедоступные элементы данных в «облаке» Esri, а также содержат объекты, добавленные непосредственно на карту, или слои, связанные с внешними данными. Для создания новои версии веб-приложения на основе «облачных» технологии были использованы ArcGIS for Desktop, ArcGIS Online [8]. В рамках локального ГИС-проекта были подго-товлены данные о предметнои области – раион стационара Маныч и заложены точки возможного отбора проб. На основании задач, которые призвано решать веб-приложение, сформирован список необходимых условии: доступность акту-альнои информации для сотрудников организации в виде приложения в Интер-


32

нете; поддержка клиентскои части веб-браузерами, в том числе и мобильными; легкии и понятныи интерфеис.

Разнообразные мобильные картографические приложения облегчают работу полевых бригад, а оперативное обновление корпоративных данных позволяет принимать более взвешенные решения. Для этих целеи служит приложение ArcGis Collector, доступное на разнообразных устроиствах. Основные функции приложения – навигация по картам, сбор данных, создание отчетов, ГИС-анализ. Доступ и обмен данными осуществляется через ArcGis Online и Portal for ArcGis. Ниже перечислены основные функции приложения, доступные на планшете или смартфоне:• Ввод и редактирование точечных, линеиных и полигональных объектов на

основании координат GPS или по щелчку на карте• Поддержка вложении – возможность прикрепить снимок или видео к про-

странственному объекту• Загрузка карт и данных для работы в режиме без подключения к сети;• Выполнение синхронизации при наличии подключения

Разработка рабочего проекта включала следующие этапы:1. Создание проекта в профессиональнои ГИС

На данном этапе был осуществлен выбор базовои карты – мозаика кос-моснимков исследуемого участка, создан слои точек наземного мониторинга для дальнеишего заполнения в ходе экспедиции.

2. Создание Картографического объектного сервиса на портале организацииНа основе созданного проекта на ArcGis Server был опубликован кар-

тографическии объектныи сервис с функциями редактирования, создания объектов, с возможностью вложения дополнительных источников данных – снимков или видиоряда.

3. Создание web-проекта в «облачнои» ГИС.В качестве такои ГИС может выступать сервер организации в ArcGis online

или портал организации, построенныи при помощи Portal for ArcGis.4. Обеспечение доступа к мобильному приложению

На данном этапе прописаны правила доступа к приложению. Приложение может быть доступно группе, организованнои на портале или отдельным пользователям с правом ограниченного доступа.

5. Подключение к приложению на смартфоне или планшете через ArcGis Collector

Приложение ArcGis Collector устанавливается на мобильном устроистве и подключается к приложению на правах предоставленного доступа. После этого устроиство готово к работе. При отсутствии Интернет-соединения приложение работает в автономном режиме с последующеи синхронизациеи данных. На рис. 1, 2 представлен общии вид приложения и рабочии момент экспедиции.

33


Рис. 1. Web-приложение на смартфоне

Рис. 2. Рабочий момент Экспедиции


1. Архипова О.Е., Лихтанская Н.В., Бердников С.В. Проект геопортала «Экологическая изученность арктических мореи в экспедициях Мурманского морского биологического института КНЦ РАН» с использованием облачных технологии // Арктическое морское природопользование в XXI веке – современныи баланс научных традиции и инновации (к 80-летию ММБИ КНЦ РАН): тез. докл.междунар. науч. конф. (г. Мурманск, 1–3 апреля


34

2015 г.) / Отв. ред. Г.Г. Матишов; Мурман. мор. биол. ин-т KHII РАН. – Апатиты: КНЦ РАН, 2015. – С. 10–12.

2. Оплачко Е.С., Устинин Д.М., Устинин М.Н. Облачные технологии и их применение в задачах вычислительнои биологии // Математическая биология и биоинформатика. – 2013. – Т. 8. – № 2. – С. 449–466. URL: http://www.matbio.org/2013/Oplachko_8_449.pdf.

3. Hoff Ch., Simmonds P. Security guidance for critical areas of focus in cloud computing. Web-site of Cloud Security Alliance. – 2011. – C. 12–20. URL: https://cloudsecurityalliance.org/guidance/csaguide.v3.0.pdf (дата обращения: 03.09.2013).

4. Khajeh-Hosseini A., Sommerville I., Sriram I. Research Challenges for Enterprise Cloud Computing. arXiv.org: Cornell University Library. URL: http://arxiv.org/ftp/arxiv/papers/1001/1001.3257.pdf (дата обращения: 03.09.2013).

5. An overview on cloud computing for research and science published. 2012. URL: http://www.e-irg.eu/news/news/479/an-overview-on-cloud-computing-for-research-and-science-published.html (дата обращения: 03.09.2013).

6. Архипова О.Е., Агапов Д.А. Оценка современнои медико-экологическои обстановки южного макрорегиона на основе технологии геопортала / Экология. Экономика. Информатика: мат-лы междунар. конф.: в 2-х тт. – 2013. – С. 103–106.

7. Архипова О.Е. ГИС «Экологическая изученность южных мореи России» на техно-логическои платформе ARCGIS ONLINE // Геоинформатика. – 2014. – Т. 3. – С. 2–9.

8. Quick Start Guide To ArcGIS Online_2013 URL – http://esricis. ru/upload/iblock/336/QuickStartGuideToArcGIS Online_2013.pdf (07.11.2013 г.).

35

«CLOUD» TECHNOLOGIES IN RESEARCH EXPEDITIONS

Arkhipova O.E. 1, 2, 3

1Southern Scientific Center of Russian Academy of Sciences, Rostov-on-Don, Russia

2Institute of Arid Zones, Southern Scientific Center of Russian Academy of Sciences, Rostov-on-Don, Russia

3Southern Federal University, Rostov-on-Don, Russia

Abstract. Creating a large-scale computing systems and data centers, as well as the development of telecommunications has led to the possibility of remote information technology services. The purpose of research – the use of «cloud technologies» to place terrestrial environmental monitoring data, conducted during GeoiD Young’2016 conference «Stepnoy University» directly to the server of the organization.

Development of the project includes the following steps:– Creating a project in a professional GIS. On this stage the choice of basic card – mosaic satellite

images of the test site was made. A layer of monitoring points to further fill in the expedition was created.

– Creating a Cartographic object service on a portal of the organization.– Based on the created project on ArcGis Server the object mapping service with editing functions

to create objects, with the possibility of embedding additional data sources – images or video was published.

– Creating a web-project in the «cloud» GIS. It can be a server of the organization ArcGis online, or portal, built using the Portal for ArcGis.

– Providing access to mobile applicationThe results considered herein were obtained in the Southern Scientific Center of Russian Academy

of Sciences within the framework of applied scientific research «Development of methods and an experimental biotechnical system creation for monitoring of the sea shelf areas in the Western Arctic and Southern Russia, including in the region of the Crimean peninsula on the basis of satellite and contact data» (a unique identifier of applied scientific research – RFMEFI60714X0059) with the financial support of the Ministry of Education and Science of the Russian Federation.

Keywords: cloud technologies, web application, GIS, expedition.

References1. Arkhipova О.Е., Likhtanskaya N.V., Berdnikov С.V. [Geoportal project “Environmental study

of the Arctic seas expeditions Murmansk Marine Biological Institute KSC RAS” using cloud technologies] / Arkticheskoye morskoye prirodopol’zovaniye v XXI veke – sovremennyy bal-ans nauchnykh traditsiy i innovatsiy (k 80-letiyu MMBI KNTS RAN): tez. dokl. mezhdunar. nauch. konf. (g. Murmansk, 1–3 aprelya 2015 g.). [ Arctic marine nature in the XXI century – a modern scientific balance of tradition and innovation (the 80th anniversary of the Murmansk Marine Biological Institute KSC RAS): mes. dokl. mezhdunar. scientific. Conf. (Murmansk, April 1–3, 2015) ]; MMBI KNC RAS. – Apatity: KNC RAS, 2015. – P. 10–12 (In Russian).


36

2. Oplachko Е.S, Ustinin D.M., Ustinin M.N. [Cloud technologies and their application in computa-tional biology problems] // Matematicheskaya biologiya i bioinformatika. – 2013. – No. 8 (2). – P. 449–466. URL: http://www.matbio.org/2013/Oplachko_8_449.pdf (In Russian).

3. Hoff Ch., Simmonds P. Security guidance for critical areas of focus in cloud computing. Web-site of Cloud Security Alliance. – 2011. – C. 12–20. URL: https://cloudsecurityalliance.org/guidance/csaguide.v3.0.pdf (дата обращения: 03.09.2013).

4. Khajeh-Hosseini A., Sommerville I., Sriram I. Research Challenges for Enterprise Cloud Computing. arXiv.org: Cornell University Library. URL: http://arxiv.org/ftp/arxiv/papers/1001/1001.3257.pdf (дата обращения: 03.09.2013).

5. An overview on cloud computing for research and science published. 2012. URL: http://www.e-irg.eu/news/news/479/an-overview-on-cloud-computing-for-research-and-science-published.html (дата обращения: 03.09.2013).

6. Arkhipova O.E., Agapov D.A. [Estimation of modern health environmental situation of the southern macro-region, based on geo-portal technology] / Ekologiya. Ekonomika. Informatika Materialy mezhdunarodnoy konferentsii: v 2 tomakh [Ecology. Economy. Informatics Mate-rials of the international conference: in 2 volumes]. – Rostov-on-Don: SFEDU Publishing, 2013. – P. 103–106. (In Russian).

7. Arkhipova O.E. GIS [“Environmental study of the southern seas of Russia” on the technological platform ARCGIS ONLINE] // Geoinformatika. – 2014. – No. 3. – P. 2–9.

8. Quick Start Guide To ArcGIS Online_2013. URL: http://esricis. ru/upload/iblock/336/ Quick-StartGuideToArcGIS Online_2013.pdf (07.11.2013 г.).

37

СОЗДАНИЕ СЕРИИ КЛИМАТИЧЕСКИХ КАРТ ДЛЯ КОМПЛЕКСНОГО АТЛАСА ПЕРМСКОГО КРАЯ

С ПОМОЩЬЮ ГЕОИНФОРМАЦИОННОГО КАРТОГРАФИРОВАНИЯ1

Бажукова Н.В., Киселева Е.С., Ташкинова А.Н., Черепанова Е.С.Пермский государственный национальный исследовательский университет, г. Пермь,

e-mail: [email protected], [email protected], [email protected], [email protected]

Рациональная организация производства невозможна без должного учета кли-матических ресурсов. К этим ресурсам относят такие элементы климата, как тепло, влага, свет, воздух, которые наряду с поставляемыми из почвы питательными веществами представляют собои обязательные условия жизни растении и живот-ных и поэтому рассматриваются как факторы существования живых организмов.

Любые колебания климата могут существенно повлиять на состояние и жиз-недеятельность человека. Изменения в соотношении тепла и влаги влияют на количество и распределение водных ресурсов, а, следовательно, на водообеспе-чение отдельных регионов отраслеи хозяиства.

Систематизировать свод визуальных знании и фактических сведении о тер-ритории на современном уровне ее изученности позволяет атлас. Такая карто-графическая энциклопедия включает множество картографических сюжетов, объединенных общим замыслом и программои.

Система карт разрабатываемого нами атласа «География Пермского края» делится на разделы («Физическая география», «Социально-экономическая география»), и в каждом из них есть основная и дополнительные карты. На аналитических картах представлены отдельные подсистемы (например, рельеф, почвы, климат) и компоненты геосистем (тому пример, подсистема карт климата включает карты осадков, температур, преобладающих ветров и т.п.). Единство раздела достигается увязкои всех карт с основнои, а таксономическая соподчи-ненность элементов содержания каждои карты обеспечивается логикои ее леген-ды и подбором изобразительных средств – тем самым моделируется иерархия компонентов геосистемы.

Атласы моделируют основные своиства геосистем, причем одно из главных достоинств этои сложнои модели состоит в том, что информация дается в систе-матизированном, формализованном и единообразном виде.

Серия климатических карт создается с учетом принципов и правил класси-ческои картографии [1, 2, 9], геоинформационного картографирования [3, 7], гигиенических требовании и нормативов для учебных издании [4, 5, 6, 8, 10].

При подготовке серии карт был проведен обзор климатических разделов региональных атласов, выпущенных за период с 1978–2016 гг. При изучении

1 Работа выполнена при частичнои поддержке РФФИ (проект № 16–05-590056-р_а).


38

атласов особое внимание было уделено тематическому содержанию карт, кар-тографическим приемам оформления (цветовое решение, способы изображе-ния), компоновке карт и климатического раздела (рис. 1, 2). Для каждои карты разработана ее программа, где точно определены способы картографического изображения (табл. 1).

Таблица 1Способы картографического изображения на климатической карте

Ото

браж

аемо

е яв

лени

е

Хар

акте

р

разм

ещен

ия

Спо

соб

из

обра

жен

ия

Изо

браз

ител

ь-

ные с

редс

тва

Качественная и количественная

характеристикаРисунок способа

Сред

него

дово

е ко

личе

ство

ос

адко

в

Спло

шно

и

Коли

чест

вен-

но

го ф

она

Цв е

т

По шкале в мм500 600

Мет

еост

анци

и

Лока

лизо

ван

в то

чке

Знач

ков

Геом

етри

- че

ские

знак

и

–

Темп

ерат

ура

возд

уха

Спло

шно

и

Изо

лини

и

Изо

терм

ы Цвет изотермы: си-нии – января, крас-

ныи – июля

_____ +2 __________ -2 _____

Пре

обла

даю

щее

на

прав

лени

е вет

ра

Спло

шно

и

Знак

ов д

виж

ения

Стре

лка Цвет – направление

ветра: синии – в янва-ре, красныи – в июле.

Комплексная аналитическая карта отображает основные элементы клима-та: среднее годовое количество осадков, температуру воздуха, преобладающее направление ветра (табл. 1). Данное тематическое содержание нанесено на кар-тографическую основу, разработанную для отображения природных карт для учебного курса «География Пермского края».

39


Карты построены в равноугольнои поперечно-цилиндрическои проекции Гаусса-Крюгера в 10-ои зоне в масштабе 1:2500000 и 1:5000000. Проекция и ком-поновка едины для всех карт и определяются программои атласа.

Создание карт атласа ведется средствами геоинформационных систем (ПО – ArcGIS 10.1). Компоновка и редактура производится в графическом редакторе (ПО – Corel Х7).

Содержание подраздела «Климат»:• Климатическая карта. (Температура воздуха. Осадки. Направление ветра)

в масштабе 1:2 500 000;• Режим солнечнои радиации в масштабе 1:5000 000;• Теплыи период (Температура воздуха. Осадки. Направление ветра) в масштабе

1:5000 000;• Холодныи период (Температура воздуха. Осадки. Направление ветра) в мас-

штабе 1:5000 000;• Влажность (Январь. Июль) в масштабе 1:5000 000;• Давление воздуха (Январь. Июль) в масштабе 1:5000 000;• Продолжительность залегания снежного покрова в масштабе 1:5000 000;• Снегозапас в масштабе 1:5000 000;• Ливни и грозы в масштабе 1:5000 000;• Дискомфортность климата в масштабе 1:2 500 000.

Рис. 1. Макет раздела «Общая характеристика региона» с учетом художественного оформления атласа

Подраздел «Климат» наполнен тематическими картами, источниками данных которых послужили климатические нормы, рассчитанные за период 1971–2000 гг. Данные были предоставлены ФГБУ «Уральское УГМС» по 25 метеостанциям, расположенным на территории Пермского края, а также 8 – за его пределами.

Источником данных для карт «Продолжительность залегания снежного покрова», «Снегозапас» 1:2500000 послужили среднемноголетние значения этих величин за период 1981–2010 гг., предоставленные Пермским ЦГМС по данным маршрутных снегомерных съемок на метеостанциях Пермского края. Векторные данные предоставлены А.Н. Шиховым и Р.К. Абдуллиным.


40

Таким образом, все представленные в данном разделе карты созданы по актуальным исходным данным, с учетом современных региональных изменении климата.

Рис. 2. Макет части подраздела «Климат» раздела «Физическая география» с учетом художественного оформления атласа


1. Сваткова Т.Г. Атласная картография. – М.: 2002. – С. 203.2. Берлянт А.М. Картография. – М.: Аспект Пресс, 2011. – C. 336. 3. Божилина Е.А. Геоинформационное картографирование: карты природы. – М.: 2010. –

С. 316.4. ГКИНП-14–148-81 Руководящии техническии материал подготовка и применение

типовых географических основ для тематических карт. – М.: Главное управлением геодезии и картографии СССР, 1981.

5. ГКИНП-15–224-90 Инструкция о порядке составления, подготовки к изданию и издания географических и тематических карт и атласов организациями министерств и ведомств СССР. – М.: Главное управлением геодезии и картографии СССР, 1990.

6. ГКИНП-15–256-02 Инструкция по оформлению выходных сведении в картографических изданиях. – М., 2002.

7. Лурье И.К. Геоинформационное картографирование. Методы геоинформатики и цифровои обработки космических снимков: учебник. – М.: КДУ, 2008. – С. 424.

8. РТМ-68–2.03–79 Руководящие технические материалы по созданию школьно-краеведческих атласов союзных республик, АССР, краев, областеи и автономных округов СССР. – М., ГУГК, 1980.

9. Салищев К.А. Комплексные региональные атласы. – М.: Изд-во МГУ, 1976. – C. 52–54.10. СанПиН 2.4.7.702–98 Гигиенические требования к изданиям учебным для общего

и начального профессионального образования. – М., 1998.

41

CREATING A SERIES OF CLIMATIC MAPS FOR THE INTEGRATED PERM REGION ATLAS USING GIS MAPPING

Bazhukova N.V., Kiseleva E.S., Tashkinova A.N., Cherepanova E.S.Perm State National Research University, Perm, Russia


Abstract. In this article we describe the development of a series of climatic maps for the atlas of the Permian region. Maps are based on the principles and rules of classical cartography and geoinformation mapping, hygienic requirements and standards for textbooks. A review of these maps regional maps for the 1978–2016 years. Described cartographic methods image. Handpainted atlas content section – Climate. Presented examples of maps. Specify the data sources for climate maps.

Keywords: atlas mapping, creation of the atlas, cartographic basis, GIS technology, inventory of natural resources, climate map.

References

1. Svatkova T.G. Atlas cartography. – M., 2002. – P. 203.2. Berlyant A.M. Cartography. – M.: Aspekt Press, 2011. – P. 336.3. Bozhilina E.A. GIS mapping: map nature. M., 2010. – P.316.4. GKINP-14-148-81 Steering technical material preparation and application of standard

geographic framework for thematic mapping. – M.: Main Department of Geodesy and Cartography of USSR, 1981.

5. GKINP-15-224-90 Instruction on preparation, preparation for the publication and publication of geographical and thematic maps and atlases organizations of ministries and departments of the USSR. – M.: Main Department of Geodesy and Cartography of the USSR, 1990.

6. GKINP-15-256-02 Instructions for registration of output data in cartographic editions. – M., 2002.

7. Lurie I.K. GIS mapping. The methods of geoinformatics and digital processing of satellite images: a textbook. – M.: SAM, 2008. – P. 424.

8. RTM-68-2.03-79 guiding technical materials to build school-local history atlases of the Union Republics, Autonomous Republic, regions, provinces and autonomous regions of the USSR. – M.: GUGK, 1980.

9. Salishchev K.A. Complex regional atlases. – M.: MGU, 1976.10. SanPiN 2.4.7.702-98 Hygienic requirements for publication of training for general and primary

professional education. – M., 1998.


42

ПРИМЕНЕНИЕ ГЕОИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ В ДОПОЛНИТЕЛЬНОМ ШКОЛЬНОМ ОБРАЗОВАНИИ1

Быстров А.Ю., Лубнин Д.С., Груздев С.С., Андреев М.В., Дрыга Д.О., Шкуров Ф.В., Колосов Ю.В.

Московский Государственный Университет Геодезии и Картографии, г. Москва, e-mail: [email protected]

В последние несколько лет дополнительное образование детеи переживает настоящии подъем: появляются все новые и новые кружки по совершенно раз-личным направлениям, начиная от робототехники, заканчивая неиротехноло-гиями, возрождаются дворцы пионеров, появляются новые форматы такие как Центры молодежного инновационного творчества (ЦМИТ). При этом, несмотря на широкую популярность сервисов и приложении, использующих геоинфор-мационных технологии, например, ошеломительныи успех игры Pokemon Go, не говоря уже про сервисы Google и Yandex, до сих пор нет комплексных программ, охватывающих весь широкии спектр индустрии пространственных технологии. На сегодняшнии день в числе наиболее успешных проектов по популяризации геоинформационных систем (ГИС) в РФ можно выделить: Учебно-методическии комплекс «Живая география» разработки ЗАО «КБ Панорама», Институт новых технологии, ГК «Сканэкс» [1], Курчатовскии проект [2] и ежегодныи конкурс «Живая карта» проводящиися некоммерческим партнерством «Прозрачныи мир» при поддержке ГК «Сканэкс» [3] и др.

С ростом популярности различных конкурсов, таких как Junior Skills, олим-пиад, в том числе олимпиад Национальнои технологическои инициативы (НТИ) назрела необходимость разработки масштабнои платформы для получения школьниками уникальных компетенции в сфере сбора, обработки и представ-ления пространственнои информации. Именно такои платформои и должно стать направление «Геоквантум» разработанное Инновационным научно-обра-зовательным центром «Геомониторинг» МИИГАиК при поддержке «Сканэкс», «Геоскан» и «Цифровая Земля» в рамках создаваемых Агентством стратегических инициатив (АСИ) по всеи России детских технопарков Кванториум [4]. Другои частью этои платформы должен стать недавно открывшиися на территории МИИГАиК ЦМИТ «Цифровая Земля».

Формат «Геоквантум» направлен на одаренных детеи от 10–12 лет и предпо-лагает годовои курс, по окончанию которого дети выполняют свои собственныи проект. Первые 3 месяца (рис. 1) (линия 0) дети на практике узнают, что такое

1 Работа выполнена при поддержке государственнои работы «Обеспечение проведе-ния научных исследовании» по заданию № 2014 / 109.

Субсидия Департамента науки, промышленнои политики и предпринимательства города Москвы на создание Центров Молодежного инновационного творчества.

43


пространственные данные, как их получать и как с ними работать, следующие 3 месяца (линия 1) учатся обрабатывать, интегрировать их в ГИС, анализировать и сравнивать, а затем представлять результаты своеи работы, как различные кар-ты или web-сервисы, в том числе и мобильные приложения. В заключительные 3 месяца (линия 2) дети выполняют собственные проекты в рамках однои из выбранных ими тематик:• «Мои дом – Земля: познавая Мир» экология и природопользование, краеве-

дение и культура, история, животныи и растительныи мир;• Мои двор -> раион -> город -> страна -> моя планета;• «Чрезвычаиныи дежурныи: оберегая Мир» чрезвычаиные ситуации (пожары,

наводнения, вулканы, таифуны, техногенные факторы);• «ГеоПатруль: меняя Мир» сбор обучающимися датасета;• по актуальнои задаче развития территории): объекты культуры, точки интереса

в городе, исследование техногенных факторов, инфраструктура ЖКХ и мони-торинг строительства социальнои инфраструктуры, выработка предложении;

• «Познавая Вселенную» исследование космических тел, исследование косми-ческих миссии, поиск «Лунохода».

Рис. 1. Карта-схема курса «Геоквантум»

На следующии год школьники получают возможность доделать начатые про-екты, придумать свои проект или выполнить работу по заказу раиона, города, области или страны.

ГЕОКВАНТУМ. КАРТА ОБРАЗОВАТЕЛЬНОГО НАПРАВЛЕНИЯ

КВАНТОРИУМ

Основы работы с пространственнымиданными– Разновидности данных (растр, вектор,

атрибуты)– Карты, утловные знаки, масштаб– Основы дистанционного зондирования

Земли– Открытые источники

Мой дом — Земля: познавая Мир– экология и природопользование– краеведение и культура, история– животный и растительный мир– мой город/район/двор/страна/планета

Познавая Вселенную– исследование космических тел– исследование космических миссий– поиск «Лунохода»

ГеоПатруль; меняя МирОрганизация наборов данныхпо актуальной проблеме территории:– незаконное складирование отходов

(свалки, полигоны ТБО) промышленныевыбросы, исследование техногенных факторов

– ивфраструктура ЖКХ– мониторинг строительства социальной

инфраструктуры территории

ГеоПатруль; меняя МирОрганизация наборов данныхпо актуальной проблеме территории:– незаконное складирование отходов

(свалки, полигоны ТБО) промышленныевыбросы, исследование техногенных факторов

– инфраструктура ЖКХ– мониторинг строительства социальной

инфраструктуры территории

Чрезвычайный дежурный: оберегая Мир– чрезвычайные ситуации (пожары,

наводнения, вулканы, тайфуны,техногенные факторы)

Обработкаи дешифрирование

данных ДЗЗ(базы пространственныхданных, геометрическая

коррекцияи классификация

данных ДЗЗ)

Визуализацияи представление

результатовГИС-проекты,

геопорталы,геосервисы,ЗD-модели)

Геоинформационныесистемы (ГИС)

(анализ, моделирование,прогнозирование)

3D-моделированиеместностии объектов

на местности

Линия 0Проходится всегда всеми обязательно

Линия 1Желательно вся, но возможны варианты

Линия 2Вариативна

Ориентирование на местности– Традиционные методы– Глобальные навигационные спутниковые системы ГЛОНАСС/GPS– Альтернативные современные технологии WPS, GeoIP, A-GPS, GSM и др.– Навигационные сервисы и приложения. Геотегинг

Самостоятельный сбор данных– Базовые мобильные технологии– Мобильная картография и сбор данных– Логгеры и трекеры– Тематический сбор данных– Аэрофотосъемка (Съёмка местности и отдельных объектов с БПЛА)

Основы фотографии– Формирование изображения– Принцип работы фотокамеры– Основные параметры съёмки

(выдержка, светочувствительность, экспозиция и др.)

– Базовые навыки фотографирования


44

Все занятия в детских технопарках Кванториум для детеи и их родителеи абсолютно бесплатны.

Формат ЦМИТ «Цифровая Земля» представляет собои открытую площадку, куда может приити любои желающии, чтобы выполнить свои проект с использо-вание оборудования по сбору пространственных данных и новеишего оборудо-

вания по прототипированию, а также проити курсы по различным тематикам, по работе с пространственными данными, начиная от создания панорамных туров и заканчивая созданием ортофотопланов и трехмерных моделеи поданным, полученным c БПЛА.

Применение оборудования ЦМИТ, позво-лило создать высокоточную физическую модель спутника Фобос (рис. 2), на основе данных, полученных в Комплекснои лабора-тории исследования внеземных территории МИИГАиК [5].

Одним из проектов, выполненных детьми, было создание подробнои карты территории детского технопарка Мосгормаш. Дети само-стоятельно составили маршрут съемки для БПЛА DJI Phantom 3, с целью создания орто-фотоплана и построения 3-х мернои модели местности (рис. 3). Выполнили с преподавате-лем съемку территории, обработали получен-

ные данные в ПО Agisoft Photoscan, полученныи ортофотоплан был оцифрован в ПО QGIS NextGIS. Все полученные данные были загружены на Web-портал Scanex Geomixer в открытыи доступ (рис. 4).

Рис. 3. 3-х мерная модель технопарка Мосгормаш, полученная автоматизированным способом детьми

В дальнеишем дети на местности с помощью мобильных устроиств и данных GPS / ГЛОНАСС смогут уточнить границы оцифрованных ими объектов, а так-

Рис. 2. Процесс печати физической модели спутника

Фобос на 3D принтере

45


же собрать более подробную атрибутивную информацию. Полученные данные станут основои для проекта по комплексному благоустроиству территории технопарка Мосгормаш и прилегающеи территории.

Рис. 4. Результаты работы одной из учениц, загруженные в Scanex Geomixer

Таким образом, формируется платформа, которая дает возможность детям получать не только знания, связанные с россиискои группировкои спутников ГЛОНАСС, ДЗЗ, наземнои инфраструктуре, видах пространственных данных и применении технологии для решения исследовательских задач и многим дру-гим, но и получить уникальные компетенция по работе с пространственными данными, а также поработать над реальными проектами [5]. При этом научно-техническая база МИИГАиК позволяет использовать новеишие научные наработ-ки, например данные по исследованию внеземных территория или актуальную космическую съемку низкого пространственного разрешения, принимаемую антенным комплексом МИИГАиК. А поддержка технического партнера Сканэкс позволяет получить большои объем данных ДЗЗ для выполнения базовых про-ектных кеисов, а также современнои программное обеспечение для обработки этих данных.


1. Учебно-методическии комплекс «Живая география». Available at: http://www.gisinfo.ru/projects/11.htm.

2. Курчатовскии проект. Availableat: http://mosmetod.ru/centr/proekty/kurchatovskij-proekt/kurchatovskij-proekt.html.


46

3. Конкурс «Живая карта». Availableat: http://www.transparentworld.ru/ru/education/livemap/4. Стратегическая инициатива «Новая модель системы дополнительного образования

детеи». Available at: https://asi.ru/social/education/.5. Oberst J., Zubarev A., Nadezhdina, I., Rambaux N. Phobos control point network and rotation

model // Planetary and Space Science. – 2014. – Vol. 102. – Р. 45–50. DOI: 10.1016/j.pss. 2014.03.006 (In English).

6. Школьников научат геодезии, навигации, картографии, геоинформатике и применению результатов космическои деятельности: молодыми учёными МИИГАиК создано направление «геоинформатика» в детских технопарках – «Кванториумах». Available at: http://www.miigaik.ru/novosti/novosti/2015/12/02/1192.

47

APPLICATION OF GEOINFORMATION TECHNOLOGIES IN ADDITIONAL SCHOOL EDUCATION

Bystrov A., Lubnin D., Gruzdev S., Andreev M., Dryga D., Shkurov F., Kolosov U.Moscow State University of Geodesy and Cartography, Moscow, Russia


Abstract Article describes experience of innovation scientific education center «Geomonitoring» MIIGAiK in application of geoinformation technologies in additional school education. Participation in program of making children’s industrialparks Kvantorium allows making direction «Geokvantum». After one year curse, where children get unique competence in getting, processing, analyzing and presenting of geospatial data, they can make their own project, using latest methods, remote sensing data and software.

Other format is Youth Innovation Creativity Center«Terra Digital» kind of fablab where anyone can come to make his own project using geoinformation technologies and equipment for prototyping

Keywords: GIS, remote sensing, geospatial technologies, additional school education, UAV, 3D, orthoimage.

References

1. Educational-methodical complex «Live geography». Available at: http://www.gisinfo.ru/projects/11.htm (In Russian).

2. Kurchatov project. Available at: http://mosmetod.ru/centr/proekty/kurchatovskij-proekt/kurchatovskij-proekt.html (In Russian).

3. The contest «Living Map». Available at: http://www.transparentworld.ru/ru/education/livemap/ (In Russian).

4. The strategic initiative «New model of additional education of children.» Available at: https://asi.ru/social/education/ (In Russian).

5. Oberst J., Zubarev A., Nadezhdina I., Rambaux N. Phobos control point network and rotation model // Planetary and Space Science. – 2014. – Vol. 102. – Р. 45–50. DOI: 10.1016/j.pss. 2014.03.006 (In English).

6. Schoolchildren will be taught geodesy, navigation, cartography, geoinformatics and application of the results of space activities: young scientists from MIIGAiK created direction «Geoinfor-matics» in children’s industrial parks – «Kvantoriumah» Available at: http://www.miigaik.ru/novosti/novosti/2015/12/02/1192(In Russian).

48

СРЕДНЕМНОГОЛЕТНЕЕ ПРОСТРАНСТВЕННОЕ РАСПРЕДЕЛЕНИЕ АБСОЛЮТНОГО СОДЕРЖАНИЯ РАСТВОРЕННОГО КИСЛОРОДА

В ПОВЕРХНОСТНОМ СЛОЕ АЗОВСКОГО МОРЯ1

Дашкевич Л.В.Институт аридных зон ЮНЦ РАН, г. Ростов-на-Дону


Содержание кислорода, растворенного в воднои толще, относится к важнеи-шим гидрохимическим показателям, определяющим условия существования гидробионтов. В первую очередь, содержание растворенного кислорода в водах моря интересует исследователеи как источник дыхания водных организмов, не маловажным является значение этого фактора для определения полноты и скорости минерализации органических соединении, а также интенсивности процессов самоочищения водоема от загрязнении.

Содержание кислорода в воднои толще Азовского моря определяется мно-гими факторами (поглощением атмосферного кислорода поверхностным слоем воды, прогревом и охлаждением водных масс, циркуляционными процессами и другими). При этом пространственные изменения содержания растворенного кислорода, как правило, отражают распределение фитопланктона [1].

В зонах интенсивного развития фитопланктона отмечается максимальное (170–180 %) насыщение вод кислородом. При интенсивнои ветровои деятельности конвективное перемешивание слоев определяет однородность в распределении кислорода. В случае же формирования стратифицированных водных масс рассло-ение воднои толщи по кислороду может достигать 50 % [1]. Это создает предпо-сылку для развития гипоксии в придонных горизонтах, которая часто завершается гибелью доннои фауны. Динамика содержания растворенного в воде кислорода интегрально отражает продукционно-деструкционные процессы в экосистеме моря [2]. В работе [3] показано, что в Азовском море, как эвтрофном водоеме, имеющем достаточно высокии запас органического вещества, непосредственнои причинои формирования придонного дефицита кислорода является значительное потребле-ние его на окисление органических веществ, преимущественно донных отложении, а запускает этот механизм общая вертикальная устоичивость водных масс.

В даннои работе рассмотрены особенности среднемноголетнего распределе-ния абсолютного содержания растворенного кислорода (АСРК) в водах Азовско-го моря в поверхностном слое. На основе более 8000 океанографических станции за период 1922–2008 гг. с измерениями АСРК в поверхностном слое Азовского моря из [4] были построены карты среднемноголетнего распределения. В даннои работе представлены карты для теплого времени года: апрель – ноябрь, так как

1 Исследование выполнено при финансовои поддержке РФФИ в рамках научного про-екта № 16–35-00290 мол_а.

49


данных за холодныи период года оказалось недостаточно для репрезентативного покрытия данными наблюдении всеи акватории моря.

Для построения полеи распределения АСРК Азовское море было разделено на квадраты размером 10×10 км. Для каждого месяца рассчитывалось среднее значение АСРК в узлах регулярнои сетки (середина квадрата). Среднемесячные значения для каждого узла сетки рассчитывались по всем измерениям, находя-щимся в радиусе 10 км от этого узла, если число океанографических станции было больше трех. Отсутствие данных помечалось специальным кодом.

Для осреднения по пространству использован следующии подход

Xср = [Si(Xi / (Ri+d)γ ] / [Si(1 / (Ri+d)γ], Ri ≤ Rmax, (1)где:Xср – среднее значение в рассматриваемом узле сеточнои области;Xi – значение рассматриваемои характеристики на i-и станции;Ri – расстояние от узла сеточнои области до i-и станции, км;Rmax – радиус влияния, км;d, g – параметры, d=5 км, g = 1.4.

Далее с помощью программного комплекса ArcGis 10.0 методом кригинга были построены поля распределения АСРК.

Согласно представленным ниже картам (рис. 1а и 1б), в теплыи период года (апрель-ноябрь) в поверхностном слое воды наибольшее АСРК для всех раионов моря наблюдается в апреле. Это связано с весенним пиком фотосинтетическои деятельности фитопланктона при еще невысоких температурах вод. При этом значения более 9 мл/л наблюдаются в севернои и западнои (кроме прибрежья) частях собственно моря (СМ), а также над наиболее глубокими раионами цен-тральнои части водоема. В Таганрогском заливе (ТЗ) и восточнои части СМ АСРК находится в пределах 8–9 мл/л. В мае идет снижение АСРК. Наиболее богатые кислородом воды занимают центральную часть акватории с максиму-мом в севернои части (более 8 мл/л), в водах западных и восточных прибрежных раионов СМ, а также в ТЗ – АСРК менее 7 мл/л.

В летнии период, по мере прогрева вод моря АСРК продолжает снижаться. В июне ТЗ, восточную, южную и северо-западную части СМ занимает зона с АСРК менее 7 мл/л, а в Утлюкском, Беисугском и Ахтарском лиманах и вблизи них – менее 6 мл/л. Отдельные локальные максимумы наблюдаются в ТЗ (более 7 мл/л) и центральнои части СМ (более 8 мл/л). Минимальных среднемноголет-них значении АСРК в поверхностном слое достигает в июле: более 80 % акватории занимает зона со значениями АСРК 6–7 мл/л, увеличивается число локальных минимумов (менее 6 мл/л) у побережья. В августе на фоне летнего пика развития фитопланктона, несмотря на высокие температуры вод, АСРК в поверхностном слое несколько увеличивается: центральную и западную части СМ занимают воды с АСРК 7–8 мл/л и даже более, а Утлюкскии лиман, восточную часть СМ и ТЗ – менее 7 мл/л, с минимумом в Еиском лимане (менее 6 мл/л).


50

Рис.

1а. С

редн

емно

голе

тне

е абс

олют

ное с

одер

жан

ие р

аст

воре

нног

о ки

слор

ода

(мл

/ л) в

вод

ах А

зовс

кого

мор

я

51


Рис.

1б. С

редн

емно

голе

тне

е абс

олют

ное с

одер

жан

ие р

аст

воре

нног

о ки

слор

ода

(мл

/ л) в

вод

ах А

зовс

кого

мор

я


52

Второи минимум среднемноголетних значении АСРК в поверхностном слое наблюдается в сентябре, при этом его пространственное распределение наиболее мозаично. Зона со значениями 6–7 мл/л занимает более 60 % акватории моря, а с АСРК менее 6 мл/л – более 10 %. Несколько выше АСРК в центральнои части СМ (более 7 мл/л).

В октябре в связи с охлаждением вод АСРК повышается. Практически всю акваторию СМ занимает зона с АСРК до 7 мл/л, в ТЗ и юго-западном прибрежье СМ – 7–8 мл/л, с максимумом в восточнои части ТЗ (более 8 мл/л). В ноябре АСРК в море продолжает повышаться: большую часть СМ занимает зона с АСРК 7–8 мл/л, а в ТЗ – более 8 мл/л. Локальные минимумы (менее 7 мл/л) отмечаются в Прикерченском раионе и над наибольшими глубинами в СМ.

Согласно литературным источникам [5–8] и данным из [4] в холодныи период года на фоне снижения температуры вод продолжается рост АСРК в поверхност-ном слое Азовского моря, достигая своего годового максимума в марте в связи с весенним пиком развития фитопланктона.

Таким образом, в среднемноголетнем распределении абсолютного содержания кислорода в поверхностном слое Азовского моря в теплое время года (апрель-ноябрь) можно выделить два максимума (апрель и август), связанные с пиками развития фитопланктона, и два минимума (июль и сентябрь).


1. Фитопланктон Азовского моря в условиях антропогенных воздеиствии / Е.И. Сту-деникина, А.Я. Алдакимова, Г.С. Губина – Ростов н/Д: Эверест, 1999. – 175 с.

2. Александрова З.В., Баскакова Т.Е., Шевцова Е.А., Долженко С.В. Основные закономерности развития гипоксии в придонном слое Азовского мор и ее экологические последствия для гидробионтов // Основные проблемы рыбного хозяиства и охраны рыбохозяиственных водоемов Азово-Черморского бассеина: сб. науч. тр. (2012–2013 гг.). – Ростов н/Д: ФГУП «АзНИИРХ», 2014. – С. 11–31.

3. Александрова З.В., Баскакова Т.Е. Гипоксия и ее некоторые экологические последствия в Азовском море // Вопросы рыболовства. – 2013. – Т. 14. – № 4 (56). – С. 599–616.

4. Matishov G., Matishov D., Gargopa Yu., Dashkevich L., Berdnikov S., Kulygin V., Archipova O., Chikin A., Shabas I., Baranova O., Smolyar I. Climatic Atlas of the Sea of Azov 2008 / G. Matishov, S. Levitus, Eds. / NOAA Atlas NESDIS 65. – U.S. Government Printing Office. – Washington, D.C., 2008. – 148 p.

5. Книпович Н.М. Гидрологические исследования в Азовском море // Труды Азово-Черноморскои научно-промысловои экспедиции. – М.: 1932. – Вып. 5. – 495 с.

6. Цурикова А.П., Шульгина Е.Ф. Гидрохимия Азовского моря. – Л.: Гидрометеоиздат. 1964. – 258 с.

7. Гидрометеорологические условия шельфовои зоны мореи СССР. – Т. 3. Азовское море. – Л., 1986. – 218 с.

8. Гидрометеорология и гидрохимия мореи СССР. – Т. V. Азовское море. – Л.: Гидрометеоиздат, 1991. – 237 с.

53

LONG-TIME AVERAGE SPATIAL DISTRIBUTION OF DISSOLVED OXYGEN CONCENTRATION

IN THE SURFACE LAYER OF THE SEA OF AZOV

Dashkevich L.V.Institute of Arid zones of the Southern Scientific Center of RAS,

Rostov-on-Don, e-mail: [email protected]

Abstract. In the article maps of long-time average spatial distribution of dissolved oxygen concentration in the surface layer of the Sea of Azov are presented. It is based on the database containing more than 8000 stations with measurements of dissolved oxygen concentration. There is no available data to construction representative maps for the cold period of the year, therefore spatial distributions for the period April-November are presented. In the article the procedure for the spatial distribution construction are described. Monthly spatial distribution features in the warm period of the year are indentified as a result of analysis maps. Two maximums (in April and August) and two minimums (in July and September) of dissolved oxygen concentration associated with phytoplankton growth periods are marked out in the surface layer of the Sea of Azov.

Keywords: dissolved oxygen concentration, spatial distribution, the Sea of Azov.

References

1. Fitoplankton Azovskogo morya v usloviyakh antropogennykh vozdeystviy [Phytoplankton of the Sea of Azov under anthropogenic impacts] / E.I. Studenikina, A.Ya. Aldakimova, G.S. Gubina. – Rostov-on-Don: Everest, 1999. – 175 p. (In Russian).

2. Aleksandrova Z.V., Baskakova T.E., Shevtsova E.A., Dolzhenko S.V. [The main regularities of the development of hypoxia in the bottom layer of the sea of Azov and its ecological consequences for aquatic organisms] // Osnovnye problemy rybnogo khozyaystva i okhrany rybokhozyay-stvennykh vodoemov Azovo-Chermorskogo basseyna (2012–2013). [The main problems of fisheries and protection of fishery water bodies of the Azov-Black basin (2012–2013)]. – Rostov-on-Don, 2014. – P. 11–31 (In Russian).

3. Aleksandrova Z.V., Baskakova T.E. [Hypoxia and some environmental implications in the Sea of Azov]. Voprosy rybolovstva. – 2013. – Vol. 14. – No 4 (56). – P. 599–616 (In Russian).

4. Matishov G., Matishov D., Gargopa Yu., Dashkevich L., Berdnikov S., Kulygin V., Archipova O., Chikin A., Shabas I., Baranova O., Smolyar I., 2008. Climatic Atlas of the Sea of Azov / G. Matishov, S. Levitus, Eds., NOAA Atlas NESDIS 65, U.S. Government Printing Office, Washington, D.C., 2008. – 148 p. (In English).

5. Knipovich, N.M. Gidrologicheskie issledovaniya v Azovskom more [Hydrological Studies in the Sea of Azov] / Trudy Azovo-Chernomorskoy nauchno-promyslovoy ekspeditsii [Transac-tions of the Azov-Black Sea Scientific and Fishery Expedition]. – Is. 5. – M., 1932. – 497 p. (In Russian).


54

6. Tsurikova A.P., Shul’gina E.F.,1964. Gidrokhimiya Azovskogo morya [Hydrochemistry of the Sea of Azov]. – Leningrad: Gidrometeoizdat, 1964. – 258 p. (In Russian).

7. Gidrometeorologicheskie uslovija shel’fovoj zony morej SSSR. – T. 3. Azovskoe more [Hydro-meteorological conditions of the shelf zone of the seas of USSR. – Book 3. Sea of Azov]. – Leningrad: Gidrometeoizdat, 1986. – 218 p. (In Russian).

8. Gidrometeorologija i gidrohimija morej SSSR. – T. V. Azovskoe more [Hydrometeorology and hydrochemistry of seas of the USSR. – T. V. The Sea of Azov.]. – L.: Gidrometeoizdat, 1991. – 237 p. (In Russian).

55

РАЗРАБОТКА ГЕОИНФОРМАЦИОННЫХ РЕСУРСОВ ДЛЯ ИЗУЧЕНИЯ ПРИРОДНОГО КАРКАСА

КАК ФАКТОРА ЭКОЛОГИЧЕСКОЙ БЕЗОПАСНОСТИ УРБАНИЗИРОВАННЫХ ТЕРРИТОРИЙ1

Епринцев С.А.1, Архипова О.Е.2, 3 1 Воронежский государственный университет, г. Воронеж,

2 Институт аридных зон Южного научного центра РАН, г. Ростов-на-Дону, 3Южный федеральный университет, г. Ростов-на-Дону

e-mail: [email protected], [email protected]

Возрастающие темпы урбанизации и индустриализации современного обще-ства помимо положительных эффектов приводят к увеличению техногенного «давления» на окружающую среду, что влечет повышение величины экологи-ческого риска и снижение социальнои комфортности для населения промыш-ленных городов.

В России и большинстве других развитых стран мира эта проблема особен-но обострилась с середины XX вв. при высоких темпах развития промышлен-ности, нефтедобывающих и нефтеперерабатывающих отраслеи, вследствие увеличения мощности предприятии теплоэнергетики, автотранспорта и т.д. На фоне возрастающего геохимического загрязнения среды обитания у насе-ления многих крупных промышленных городов проявляются экологически-обусловленные заболевания, что вызывает повышенныи интерес ученых и экологов-практиков к исследованию механизмов формирования зон техно-генного загрязнения и поиску эффективных путеи оздоровления городскои среды обитания.

Среди прочих факторов, определяющих экологическую комфортность урба-низированных территории, следует выделить природныи каркас, окружающии данную территорию.

Под природным (экологическим) каркасом территории, согласно эколого-проектировочнои документации понимается совокупность наиболее активных и взаимосвязанных в экологическом отношении пространственных элементов (реки и речные долины, лесные массивы и т.д.), от которых зависит жизнеустои-чивость природнои среды для даннои территории.

Для эффективного управления развитием территории на уровне принятия решении администрациями муниципальных образовании важно выстроить систему критериев качества структуры и функционирования природного каркаса.

1 Работа выполнена при поддержке гранта РФФИ (проект № 16–35-50066 мол_нр «Ис-пользование данных дистанционного зондирования Земли для изучения природного каркаса как фактора экологическои безопасности урбанизированных территории»).


56

К базовым элементам природного каркаса относятся:• ценные природно-территориальные комплексы, занимающие значительную часть

территории раиона (как правило, это федеральные заповедники и заказники, национальные и природные парки, крупные по площади памятники природы);

• природно-территориальные комплексы основных водораздельных поверх-ностеи формирования стоков рек;

• крупные лесные массивы (как правило, это защитные леса);• крупные болотные и лесные природно-территориальные комплексы (ПТК),

не имеющие статуса охраны.Ключевые элементы природного комплекса – это территории, сохранившие

уникальные экологические сообщества, являющиеся «точками экологическои активности».

Таким образом, природныи каркас территории, повышая качество аэрации урбанизированных территории, а также повышая степень разнообразия ланд-шафтов, является одним из факторов, определяющих экологическую безопас-ность территории.

Целью проводимого исследования является изучение природного каркаса вокруг урбанизированных территории Центральнои России по данным дис-танционного зондирования Земли с последующим анализом его влияния на экологическую комфортность урбанизированныи территории. Это в свою очередь предполагает использование больших массивов данных, их обработку и картографирование, что делает необходимым применение современных гео-информационных технологии, позволяющих обеспечить сбор, анализ, обработку и визуализацию геоданных, а также получение на их основе новои информации о пространственно-координированных явлениях [1–9].

Результаты, полученные в ходе дешифрирования космоснимков, а также данные обработки статистическои информации будут обобщены в среде ГИС «Экология городов Воронежскои области», на базе которои будет разработана модель влияния экологического каркаса на интегральную величину экологиче-скои комфортности исследуемои территории.

ГИС предлагает большое количество разнообразных подходов к анализу про-странственных данных. Иногда достаточно использовать визуальныи анализ: на основе созданнои карты увидеть все необходимое для принятия решения. Однако бывают случаи, когда затруднительно принять решение только на основании карты. Простая визуализация данных не позволяет принять однозначно правиль-ное решение. Картографы при создании карты могут выбирать, какие объекты включаются в карту, какие символы им присваиваются, какая используется схема классификации, как выглядят надписи и т.д. Все эти картографические элементы помогают понять содержание карты и определить границы анализируемои про-блемы, но они также могут изменить характеристики информации и повлиять на ее восприятие и интерпретацию.

Создаваемые цифровые карты исследуемои территории должны обеспечи-вать точную привязку, систематизацию, отбор и интеграцию всеи поступаю-

57


щеи и хранимои информации (единое адресное пространство); комплексность и наглядность информации для принятия решении; возможность динамиче-ского моделирования процессов и явлении; возможность автоматизированного решения задач, связанных с анализом особенностеи территории; возможность оперативного анализа ситуации в экстренных случаях [2–4, 7–9].

Разрабатываемые геоинформационные ресурсы рассматриваются как некое расширение технологии БД для координатно-привязаннои информации с воз-можностями организации запроса к базе данных вместе со средствами генерации «графического» отчета, а также анализа пространственных взаимоотношении между объектами. Появляется возможность выводить на экран или на твердую копию только те объекты или их множества, которые необходимы пользовате-лю в данныи момент. То есть фактически осуществляется переход от сложных комплексных карт к серии взаимоувязанных частных карт. При этом обеспечи-вается лучшая структурированность информации, что позволяет ее эффективно использовать (манипулирование, анализ данных и т.п.) [2–4, 7–9].

Проектируемая ГИС «Экология городов Воронежскои области» состоит из системы иерархически соподчиненных разделов баз данных и средств тематиче-ского картографирования, отражающих природно-ресурсныи потенциал, соци-ально-экономическую и эколого-гигиеническую ситуацию урбанизированных территории Воронежскои области (рис. 1).

Рис. 1. Логическая схема разрабатываемой ГИС «Экология городов Воронежской области»

Основои служат данные дистанционного зондирования Земли, полученные со спутника Landsat-8, а также официальные статистические данные природоох-ранных ведомств и органов государственного управления, представленные в виде

Источники данных

Модель «Экологическая безопасность населения»

Оптимизация качества окружающей среды

Экологическая политика региона

Космические снимки Статистическиеданные

Данные натурныхисследований

Природныйпотенциал

Социально-экологические

условияМикроклиматические

исследования

ГИС


58

текстовых описании, табличных справочных данных и графических иллюстрации (карт, диаграмм, рисунков, фото-слаидов).

Сбор информации для характеристики функционально-планировочнои структуры и ландшафтно-экологических условии для модельных регионов осу-ществлен на базе специальных натурных исследовании, обработки фондового, в том числе картографического, материала региональных комплексных и отрас-левых природоохранных ведомств.

Для математико-картографического моделирования выбран массив офици-альнои статистическои информации за 20-летнии период, с 1995 по 2015 гг.

Для формирования базы данных с целью проведения экспериментальных исследовании используются официальные источники данных федеральнои службы статистики. Все данные расположены в свободном доступе на соответ-ствующих саитах федеральных служб. Получение информации осуществляется путем формирования соответствующих запросов на официальных саитах служб.

1. Раздел «Природный потенциал». Данныи раздел будет содержать данные, характеризующие разнообразие ландшафта, что делает его более устоичивым. Преимущественное влияние природного каркаса на качества окружающеи среды оказываются зонами внешнего и внутреннего озеленения.

Защитные зеленые зоны, согласно градостроительному кодексу РФ должны располагаться с наветреннои стороны от города. В городских поселениях необ-ходимо предусматривать, как правило, непрерывную систему озелененных тер-ритории и других открытых пространств. Удельныи вес озелененных территории различного назначения в пределах застроики городов (уровень озелененности территории застроики) должен быть не менее 40 %, а в границах территории жилого раиона не менее 25 % (включая суммарную площадь озелененнои тер-ритории микрораиона). Общии принцип организации зеленои зоны – макси-мальное сохранение естественных зеленых насаждении, а также интродукция газо-пылеустоичивых пород [10].

Площадь озелененных территории общего пользования – парков, садов, скве-ров, бульваров, размещаемых на селитебнои территории городских и сельских поселении, принимают из расчета 10 м2/чел. для больших, крупных и крупнеиших городов и 7–8 м2/чел. для средних и малых городов [10].

Природныи потенциал территории во многом влияет на микроклиматические условия территории, а также сам подвержен влиянию микроклимата (рис. 1).

Изучение природного потенциала территории предполагается по данным дистанционного зондирования земли (космоснимкам со спутника Landsat-8) при помощи анализа NDVI. В результате разработки данного раздела предпола-гается расчет коэффициента природного потенциала территории, участвующего в определении интегрального показателя значения экологическои безопасности территории.

2. Раздел «Микроклиматические условия». Данныи раздел будет содержать данные, характеризующие микроклимат территории – розу ветров, среднемесячные температуры, средние скорости ветра, метеорологическии потенциал атмосферы.

59


Микроклимат города формируется под влиянием местных условии и гра-достроительного освоения. Оценка микроклиматических условии проводится с целью выявления возможных путеи и средств сохранения и улучшения каче-ства среды, окружающеи застроику (использование благоприятных факторов и неитрализация отрицательных воздеиствии). К числу микроклиматических факторов, имеющих существенное значение для населения, относят аэрацию, инсоляцию и степень естественного самоочищения атмосферы [10].

Степень самоочищения атмосферы оценивается рядом кли-матических пока-зателеи, а самым распространенным считают ме-теорологическии потенциал самоочищения атмосферы (МПА по Т.С. Селегеи, И.П. Юрченко,1990) которыи определяется по соотношению факторов, способствующих накоплению загряз-няющих веществ в атмосфере (штиль, туман), с факторами, способствующими рассеиванию загрязняющих веществ (осадки и ветер со скоростью более 6 м/с). Для жилои застроики градостроительным кодексом РФ рекомендуется выби-рать участки с благоприятным метеорологическим потенциалом самоочищения атмосферы, когда повторяемость атмосферных процессов, способствующих рассеиванию атмосферных примесеи, больше, чем повторяемость процессов, ведущих к аккумуляции атмосферных загрязнении [10].

Прогноз формирования микроклимата под влиянием градостроительного освоения территории осуществляется на основе установленнои эффективности архитектурно-планировочных средств регулирования микроклимата. Для этого необходимы следующие сведения: планировка улично-дорожнои сети; плотность и этажность застроики; характер озеленения и благоустроиства [10]. Таким образом, микроклиматические условия оказывают непосредственное влияние, а также зависят от двух других блоков (природного потенциала и социально-экологических условии).

В результате разработки данного раздела предполагается расчет коэффициен-та комфортности природных условии, участвующего в определении интеграль-ного показателя значения экологическои безопасности территории.

3. Раздел «Социально-экологические условия». Данныи раздел будет содер-жать базы данных как по экологическим условиям территории, так и по социаль-ным факторам, прямо или косвенно, влияющим на экологическую обстановку урбанизированнои территории.

Главным экологическим фактором является загрязнение атмосферы антро-погенными поллютантами (диоксид азота, диоксид серы, пыль, свинец, фор-мальдегид, фенол, оксид углерода). Данные показатели являются основными факторами, влияющими на заболеваемость населения и величину экологического риска. На основании этих данных возможно идентифицировать и количественно оценивать уровни риска, а также планировать меры по организации мониторинга окружающеи среды и снижению риска в экологически неблагополучных раионах.

К социальным факторам, оказывающим воздеиствие на экологическую обстановку урбанизированнои территории возможно отнести – густоту авто-мобильных дорог, количество личного автотранспорта у населения, качество жилищного фонда, среднемесячные доходы населения, и т.д.


60

При составлении базы данных предполагается использовать следующую информацию:

Данные по региональнои статистике (Воронежская область) получить путем формирования официальных запросов на саитах служб федеральнои статистики:– Региональная статистика (Воронежская область);– Главное управление здравоохранения Воронежскои области;– Территориальныи орган Федеральнои службы государственнои статистики

по Воронежскои области;– Федеральное государственное учреждение здравоохранения «Центр гигиены

и эпидемиологии в Воронежскои области»;– Воронежскии областнои информационныи фонд социально-гигиенического

мониторинга (мониторинг осуществляется на базе ФГУЗ «Центр гигиены и эпидемиологии в Воронежскои области»);

– Управление Федеральнои службы по надзору в сфере защиты прав потреби-телеи и благополучия человека по Воронежскои области.Ежегодные доклады о санитарно-эпидемиологическои обстановке в Воро-

нежскои области:– ежегодные информационные доклады «О санитарно-эпидемиологическои

обстановке в Воронежскои области» (представлены на саите Управления Роспотребнадзора по Воронежскои области [http://www.36.rospotrebnadzor.ru/documents/dir]);

– доклады о санитарно-эпидемиологическои обстановке в Воронежскои области за 2000–2015 гг.Все вышеперечисленные источники данных доступны через сеть Интернет.В результате разработки данного раздела предполагается расчет величин

экологического риска и коэффициента социальнои комфортности. Данные пока-затели будут использованы в определении интегрального показателя значения экологическои безопасности территории.

4. Раздел Модель «Экологическая безопасность населения». Данныи раз-дел будет содержать модель расчёта интегрального показателя, показывающего экологическую комфортность для населения, проживающего на даннои терри-тории [11]. Интегральныи показатель предполагает учёт всех факторов предыду-щих трёх блоков. Данныи показатель позволит дифференцировать как различные урбанизированные территории Воронежскои области, так и выделять зоны с различным уровнем экологическои безопасности в пределах одного города.

В результате анализа данных в среде ГИС будут созданы авторские карты, отра-жающие социально-экологическую обстановку в регионе с указанием экологиче-ски опасных техногенных объектов, деградированных и нарушенных ландшафтов, проявлении экзогенных процессов; информация о социально-экономическои ситуации на территории исследуемого региона; результаты анализа медико-эко-логическои ситуации на урбанизированных территориях Воронежскои области.

На основе авторских карт предполагается разработка комплекса эколого-про-ектировочных мероприятии, позволяющих увеличить интегральныи показатель

61


экологическои безопасности населения на конкретнои урбанизированнои тер-ритории Воронежскои области.

К данным мероприятиям могут быть отнесены оптимизация эколого-функ-ционального зонирования урбанизированных территории, транспортных сетеи, топливно промышленных комплексов, природных каркасов территории.

Разработанныи комплекс мероприятии может быть включен в рекомендации по оптимизации территориального планирования и экологическои политики региона.


1. Yeprintsev S.A. Monitoring of factors of ecological safety of urbanized territories population (by example of settlements of Voronezh region) // Life Science Journal. – 2013. – Т. 10. – № 12 s. – P. 846–848.

2. Архипова О.Е. Пространственно-временнои анализ встречаемости онкологических заболевании как индикатора медико-экологическои безопасности / О.Е. Архипова, Е.А. Черногубова, Н.В. Лихтанская и др. – Ростов-на-Дону, 2014. – 224 с.

3. Епринцев С.А. Оценка влияния городскои застроики и загрязнения воздушного бас-сеина на здоровье населения г. Воронежа // Вестник Тамбовского университета. Серия: Естественные и технические науки. – Тамбов, 2009. – Т. 14. – № 3. – С. 600–604.

4. Епринцев С.А. Оценка экологического риска урбанизированных территории с исполь-зованием ГИС-технологии // Экологические системы и приборы. – М., 2009.– № 2. – С. 3–8.

5. Епринцев С.А. Эколого-гигиеническая оценка городскои среды с использованием снегомерных наблюдении // Вестник Воронежского государственного университета. Серия: География. Геоэкология. – 2006. – № 1. – С. 34–38.

6. Шекоян С.В. Анализ экотоксикологического состояния территории г. Воронеж // Вестник Тамбовского университета. Серия: Естественные и технические науки. – 2014. – Т. 19. – № 5. – С. 1365–1367.

7. Куролап С.А. Оценка риска для здоровья населения, связанного с техногенным загрязнением города Воронежа // Теоретическая и прикладная экология. – 2008. № 3. – С. 42–49.

8. Епринцев С.А. Экологическая комфортность урбанизированнои территории Адлерского раиона города Сочи в условиях интенсивного антропогенного прессинга // Вестник Воронежского государственного университета. Серия: География. Геоэкология. – 2012. – № 2. – С. 100–104.

9. Епринцев С.А. Экологическая безопасность населения урбанизированных территории (на примере населенных пунктов Воронежскои области) // Вестник Тамбовского университета. Серия: Естественные и технические науки. – 2013. – Т. 18. – № 5–3. – С. 2902–2904.

10. Куролап С.А. Экологическая экспертиза и оценка риска здоровью. – Воронеж, 2012. – 108 с.

11. Епринцев С.А. Оценка экологическои комфортности населения урбанизированных территории // Вестник Тамбовского университета. Серия: Естественные и технические науки. – 2014. – Т. 19. – № 5. – С. 1410–1412.

62

DEVELOPMENT OF GIS RESOURCE FOR LEARNING ABOUT NATURAL FRAMEWORK AS A FACTOR ENVIRONMENTAL

SAFETY OF URBAN AREAS

Eprintsev S.A.1, Arkhipova O.E.2

1Voronezh state university, Voronezh, Russia, e-mail: [email protected]; 2Institute of Arid Zones, Southern Scientific Center of Russian Academy of Sciences,

Rostov-on-Don, Russia, e-mail: [email protected]

Abstract. To study the natural framework of the urbanized areas of the Voronezh region (as a factor of environmental safety) made the development of geographic information resources to ensure the collection, analysis, processing and visualization of geodata, as well as obtaining on their basis of new information on the spatial and coordinated events. Developed geographic information resources it is possible to be considered as a kind of extension of database technology for coordinate-referenced information with the possibility of a query to a database along with the generation of funds «graph-ic» report, as well as analysis of spatial relationships between objects. Technological capabilities of developed geoinformation resources allow for the variability of scale; conversion of map projections; variation in the composition of the object map; «Poll» through the card in numerous databases of real-time data containing variable information; Variation symbology, that is way to display objects (color, line type, etc.), including the identification of symbology of the values of attributive features of objects that allows you to synchronize the visualization of changes in the database. The developed GIS system consists of hierarchically subordinate database partition and thematic mapping tools that reflect the natural resource potential and socio-economic and ecological and hygienic situation in urban areas of the Voronezh region.

Keywords: GIS technology, natural frame, urban areas, environmental safety.

References

1. Yeprintsev S.A., Kurolap S.A., Komov I.V., Minnikov I.V. Monitoring of factors of ecological safety of urbanized territories population (by example of settlements of Voronezh region) // Life Science Journal. – 2013. – Т. 10. – No. 12 s. – P. 846–848 (In English)

2. Arkhipova O.E., Chernogubova E.A., Likhtanskaya N.V. et al. Prostranstvenno-vremennoy analiz vstrechaemosti onkologicheskikh zabolevaniy kak indikatora mediko-ekologicheskoy bezopasnosti [Spatio-temporal analysis of the incidence of cancer as an indicator of health and environmental safety]. – Rostov-on-Don, 2014. – 224 p. (In Russian).

3. Eprintsev S.A., Kurolap S.A., Klepikov O.V. Assessing the impact of urban development and air pollution on the health of the population of the city of Voronezh // Vestnik Tambovskogo uni-versiteta. Seriya: Estestvennye i tekhnicheskie nauki. – T. 14. – No. 3. – P. 600–604 (In Russian).

4. Eprintsev S.A., Sviridova A.V., Kurolap S.A. Environmental risk assessment of urban areas using GIS technology // Ekologicheskie sistemy i pribory. – 2009. – No. 2. – P. 3–8 (In Russian).

5. Eprintsev S.A., Kurolap S.A., Barvitenko Y.N. Ecological and hygienic assessment of the urban environment with the use of snow observations // Vestnik Voronezhskogo gosudarstvennogo universiteta. – Seriya: Geografiya. Geoekologiya. – 2006. – No. 1. – P. 34–38 (In Russian).

63


6. Shekoyan S.V., Eprintsev S.A. Ecotoxicological analysis of the state of the city of Voronezh // Vestnik Tambovskogo universiteta. – Seriya: Estestvennye i tekhnicheskie nauki. – 2014. – T. 19. – No. 5. – P. 1365–1367 (In Russian).

7. Kurolap S.A., Eprintsev S.A., Mamchik N.P., Klepikov O.V. Assessment of human health risk associated with anthropogenic pollution of the city of Voronezh // Teoreticheskaya i priklad-naya ekologiya. – 2008. – No. 3. – P. 42–49 (In Russian).

8. Eprintsev S.A., Arkhipova O.E. Environmental comfort urbanized area of the Adler district of Sochi under intense anthropogenic pressure // Vestnik Voronezhskogo gosudarstvennogo universiteta. – Seriya: Geografiya. Geoekologiya. – 2012. – No. 2. – P. 100–104 (In Russian).

9. Eprintsev S.A., Kurolap S.A., Dubrovin O.I., Dubrovina I.V., Minnikov I.V. Environmental safety of the population in urban areas (for example, settlements of Voronezh region) // Vestnik Tambovskogo universiteta. Seriya: Estestvennye i tekhnicheskie nauki. – 2013. – T. 18. – No. 5–3. – P. 2902–2904 (In Russian).

10. Kurolap S.A., Klepikov O.V., Eprintsev S.A., 2012. Environmental impact assessment and assessment of health risks. – Voronezh, 2012. – 108 p. (In Russian).

11. Eprintsev S.A. Assessment of environmental comfort of the population in urban areas // Vestnik Tambovskogo universiteta. – Seriya: Estestvennye i tekhnicheskie nauki. – 2014. – T. 19. – No. 5. – P. 1410–1412 (In Russian).

64

КОМПЬЮТЕРНЫЙ КОД РАСЧЕТА ГИДРОГРАФИЧЕСКИХ ХАРАКТЕРИСТИК РЕЧНОЙ СЕТИ И ЕЕ ВОДОСБОРНОЙ ТЕРРИТОРИИ ПО РЕЗУЛЬТАТАМ

ГИДРОЛОГИЧЕСКОГО АНАЛИЗА ЦИФРОВОЙ МОДЕЛИ РЕЛЬЕФА

Ермолаева О.С., Зейлигер А.М.Российский государственный аграрный университет – Московская сельскохозяйственная академия имени К.А. Тимирязева, г. Москва


Аннотация. Для автоматизации расчета гидрографических характеристик речной сети и ее водосборной территории разработан компьютерный код с использованием Python, а также Visual Basic for Application (VBA). VBA используется для формирования в среде Excel выходных таблиц и проведения статистического анализа. Входными данными для расчета являются результаты гидрологического анализа цифровой модели рельефа, реализуемого с помощью инструментов Hydrological Analyses картографического приложения ArcMap программного обеспечения ArcGIS 10.x. В качестве иллюстрации применения кода приведены примеры рас-чета ряда гидрографических характеристик р. Северский Донец, реализованные на основе данных SRTM.

Ключевые слова: гидрографические характеристики, водный объект, водосбор, цифровая модель рельефа, р. Северский Донец

ВВЕДЕНИЕ

Широкое развитие и применение автоматизированных методов цифровои параметризации земнои поверхности с использованием геоинформационных технологии стало возможным благодаря исследованиям и технологическим раз-работкам, проведенным в прошедшие два десятилетия. Это послужило основои для последующего перевода на картографическую основу методов обработки цифровых моделеи рельефа (ЦМР) для целеи гидрологического анализа, в резуль-тате которого строятся разнообразные картограммы, включающие границы частных водосборов и речных бассеинов, а также синтетическои сети водото-ков, а также ряд других характеристик земнои поверхности [1–4]. Эти методы оказались значительно более эффективными по сравнению с традиционными «ручными» методами измерении по топографическим картам, обеспечивающими при этом получение точных, достоверных, легко проверяемых и воспроизводи-мых характеристик [5].

В последующие годы разработки по автоматизации процесса пространствен-ного анализа ЦМР были в основном сосредоточены на развитии алгоритмов по обработке данных высокого разрешения [6–8] для выделения локальных понижении, бессточных областеи, плоских равнинных территории, а также при

65


формировании синтетическои сети водотоков. Это было вызвано тем, что ранее разработанные модели обработки ЦМР [9–11] в случае областеи с выпуклыми формами мезо рельефа зачастую приводили к получению прерывистых сегмен-тов водотоков речных систем [12], что требовало дополнительных усилии для их топологического связывания [13].

Другие направления исследовании по улучшению результатов гидрологи-ческого анализа ЦМР были связаны с пространственным моделированием направлении линии тока потока поверхностных вод [14–16] которое наглядно проявляется при недостаточном вертикальном разрешении ЦМР при обработке локальных понижении. Специальному направлению исследовании посвящены работы по разработке методов обработки ЦМР на территориях со слабо выра-женными формами рельефа [1, 17–20].

Другим обстоятельством, послужившим развитию компьютерных методов параметризации земнои поверхности, явилось использование постоянно совер-шенствуемых технологии дистанционного зондирования, в частности лидарнои съемки для получения ЦМР высокого разрешения [8].

Все три отмеченных выше направления научно-технического прогресса соз-дали прочную основу для развития цифровых технологии более совершеннои параметризации гидрологических моделеи поверхностного стока, призванных заменить традиционные методы оценки гидрографических характеристик водных объектов и водосборных территории на основе «бумажных» карт, тре-бующих значительных затрат субъективного «ручного» труда [18–42].

МЕТОД

Для оценки гидрографических характеристик водосборных территории в рамках гидрологического анализа ЦМР разработан компьютерныи код, позво-ляющии проводить статистическии и геометрическии анализа, а также расчет значении гидрографических характеристик водных объектов и водосборов. На рис. 1 представлена укрупненная блок-схема реализации расчетов, реализуемых с использованием разработанного компьютерного кода. В соответствии с этои схемои разработанныи компьютерныи код представляет собои набор программ-ных процедур, написанных на языке макропрограммирования Python, а также языке макропрограммирования Visual Basic for Application (VBA).

Процедуры, написанные на языке Python используются для получения результатов расчетов от модулеи набора инструментов Hydrological Analyses картографическои среды ArcMap программного обеспечения ArcGIS 10.x. Вход-ными данными для проведения гидрологического анализа являются цифровые модели рельефа.

Процедуры, написанные на языке VBA, используются для формирования выходных проведения статистического и геометрического анализ результатов гидрологического анализ и формирования выходных таблиц, содержащих результаты расчета гидрографических характеристик.


66

ЭТАПЫ КОМПЬЮТЕРНОГО КОДА РАСЧЕТА ГИДРОГРАФИЧЕСКИХ ХАРАКТЕРИСТИК

РЕЧНОЙ СЕТИ И ЕЕ ВОДОСБОРНОЙ ТЕРРИТОРИИ

В рамках разработанного компьютерного кода последовательность проведе-ния расчетов организована в соответствии с последовательностью применения инструментов Hydrological Analises картографического приложения ArcMap ПО ArcGIS 10.x. Для организации единого вычислительного процесса разработанныи компьютерныи код управляет последовательностью выполнения соответствую-щими инструментами промежуточных задач на разных этапах, а также передает их результаты в среду Excel для проведения необходимых вычислении.

Рис. 1. Укрупненная блок-схема разработанного компьютерного кода для расчета статистического и геометрического анализа гидрографических

характеристик речной сети и ее водосборной территории

На рис. 2 представлена последовательность проведения расчетов статисти-ческих и геометрических параметров речнои сети, связанные с используемыми инструментами Hydrological Analyses картографического приложения ArcMap ПО ArcGIS 10.x.

Цифроваямодель

рельефа

Среда приложения ArcMap ПО ArcGIS

ГИДРОЛОГИЧЕСКИЙ АНАЛИЗЦМР

СТАТИСТИЧЕСКИЙ АНАЛИЗРЕЗУЛЬТАТОВ ГИДРОЛОГИЧЕСКОГО

АНАЛИЗА ЦМР

ГЕОМЕТРИЧЕСКИЙ АНАЛИЗРЕЗУЛЬТАТОВ ГИДРОЛОГИЧЕСКОГО

АНАЛИЗА ЦМР

Среда приложения Excel & VBA

ГИДРОГРАФИЧЕСКИЕ ХАРАКТЕРИСТИКИВОДНЫХ ОБЪЕКТОВ

И ВОДОСБРОСОВ

67


Рис. 2. Детализированная блок-схема блока гидрологического анализа ЦМР, а также блока статистического и геометрического анализа массивов геоданных, полученных в результате гидрологического анализа ЦМР

На первом этапе проводится обработка топографических геоданных для перевода их в растровыи формат представления ЦМР. Формирование соответ-ствующего растрового слоя заканчивается вырезанием территории водосбора речнои сети по ее маске. Для этого создается векторныи объект этои маски для выделения растровых данных, содержащихся внутри ее периметра с использо-ванием оператора ExtractByMask (in_raster, in_mask_data).

ИзначальнаяЦМР

Замыкающийствор

ЗаполненнаяЦМР

ЦМРзаполненных

понижений

Растрнаправлений

тока

Массаводосборнойтерритории

водного объекта

Extractby mask

Sink

Fill

Flow Direction

FlowAccumulation

ВырезаннаяЦМР УклоныCalculate slop

Растрсуммарного

стока

str

Растрводосборов

RasterCalculator

StreamLink

RasterCalculator (2)

Stream toFeature Calculate Field

Zonal Statisticsto Table (3)

Zonal Statisticsto Table

Zonal Statisticsto Table (2)

Watershed 1

Add Field

Watershed (2)strlink1

strlink River shp (4) subbasin

Bas sr uklon

Bas sr visota

Река с уклоном

River shp River shp (2)

Если


68

На втором этапе заполнения локальных понижении растровыи слои, соз-данныи на первом этапе растровыи слои, корректируется с использованием инструментов Sink и Fill.

На третьем этапе маршрутизации линии тока поверхностных вод произво-дится создание слоя направлении линии тока с использованием метода восьми направлении D8 [45–46]. Для получения растра направлении линии тока исполь-зуется растровыи слои, созданныи на втором этапе. Это реализуется с помощью инструмента Flow Direction.

На четвертом этапе проводится расчет водосборов ячеек растрового слоя с использованием слоя направлении тока [15, 45–46]. Для этого используется инструмент Flow Accumulation.

На пятом этапе производится формирование водосборных территории, в результате которого создается векторныи слои их границ, Для этого исполь-зуется инструмент Snap pour point, а также инструмент Basin.

По результатам формирования границ водосборных территории с использо-ванием набора геоинформационных инструментов проводится статистическии анализ высотных отметок с помощью инструмента Zonal Statistics и уклонов земнои поверхности с помощью инструмента Slope. Результаты анализа запи-сываются в соответствующие таблицы отметок и уклонов земнои поверхности водосборных территории.

На шестом этапе формирования синтетическои сети водотоков с использо-ванием пороговых значении водосборов ячеек их «истоков». Это реализовано набором пяти следующих инструментов: Raster Calculator; Stream Link; Stream Order; Watershed; Stream to Feature Link.

Дополнительно к перечисленным в процессе расчетов используются следую-щие инструменты: Add Field для создания в атрибутивных таблицах необходи-мых столбцов; Calculate Field, для расчета геометрических параметров вектор-ных слоев; Zonal Geometry As Table, для расчета геометрических характеристик растровых слоев набора территории частных водосборов, сформированных сегментами синтетическои сети водотоков; Raster to Polygon для конвертиро-вания растрового слоя сегментов синтетическои сети водотоков в векторныи слои сегментов синтетическои сети водотоков; Zonal Geometry As Table для вычисления геометрических параметров зон сегментов синтетическои сети водотоков.

ИСПОЛЬЗОВАНИЕ КОМПЬЮТЕРНОГО КОДА ДЛЯ РАСЧЕТА И РАНЖИРОВАНИЯ ГИДРОГРАФИЧЕСКИХ ХАРАКТЕРИСТИК Р. СЕВЕРСКИЙ ДОНЕЦ

Представленныи выше компьютерныи код расчета гидрографических харак-теристик водосборнои территории речнои сети был протестирован на примере р. Северскии Донец. Эта река является самым большим правым притоком р. Дон, протекает по югу Восточно-Европеискои равнины, пересекая при этом границы

69


Белгородскои и Ростовскои областеи России, а также Харьковскои, Донецкои и Луганскои областеи Украины. В табл. 1 представлены длины основных 24-х при-токов р. Северскии Донец [50].

Для проведения тестирования был использован набор отметок высот SRTM [51] с разрешением 90 м. В результате подготовительных операции был создан векторныи слои границ водосборнои территории р. Северскии Донец по которым был сформирован растровыи слои отметок высот.

Подготовленныи растровыи слои отметок высот был использован для про-ведения расчетов в соответствии с представленнои на рис. 2 блок-схемои.

В табл. 1 представлены результаты проведенных расчетов площадеи водо-сборов основного русла р. Северскии Донец и его основных притоков. Там же приведены величины расхождении полученных данных с данными водного реестра [50], которые находятся в диапазоне от 3.96 до 4.64 %.

На рис. 3 и 4 в картографическом виде приведен ряд полученных результатов, представленных на фоне растрового слоя отметок высот выделенного фрагмента SRTM. Так на рис. 3б показана вычерченная по результатам расчетов синтетиче-ская сеть водотоков. На рис. 4 показаны полигоны рассчитанных границ частных водосборов, цветовая палитра которых отображает результаты их ранжирова-ние соответственно по размерам их площадеи и средневзвешенным значениям уклонов их поверхности.

а) б)

Рис. 3.Результаты предварительной обработки ЦМР водосборной тер-ритории р. Северский Донец и вычерчивания ее синтетической сети с помощью инструментов Hydrological Analyses картографиче-ского приложения ArcMap ПО ArcGIS 10.x и: а) полученная в резуль-тате подготовительных работ ЦМР (в прямоугольнике) на фоне данных SRTM; б) полилинии синтетической речной сети на фоне выделенной водосборной территории р. Северский Донец


70

а) б)

Рис. 4. Результаты гидрологического анализа ЦМР водосборной террито-рии р. Северский Донец с использованием разработанного компью-терного кода и инструментов Hydrological Analyses картографиче-ского приложения ArcMap ПО ArcGIS 10.x и: а) полигоны частных водосборов р. Северский Донец, отображающих распределение вели-чин уклонов их территорий; б) полигоны частных водосборов р. Северский Донец, отображающих распределение средних значений отметок их территорий

Таблица 1Сравнение площадей, измеренных в среде ГИС при пороговом значении 2000 и данными [50]

№ Река

Площадь водосбора

[53]


по ЦМРРасхождение Относительное

расхождение

км2 км2 км2 %1 Северскии донец 98900 98966,00 -66,00 -0,072 Нежеголь 2940 2873,36 66,64 2,273 Волчья 1340 1376,31 -36,31 -2,714 Хотомля 341 343,83 -2,83 -0,835 Большои бурлук 1130 1134 4,00 0,356 Уды 3894 3741,93 152,07 3,917 Мож 1810 1880,38 -70,38 -3,898 Берека 2680 2651,11 28,89 1,089 Оскол 14800 14794,70 5,30 0,04

71


№ Река


[53]


по ЦМРРасхождение Относительное

расхождение

км2 км2 км2 %10 Казенныи торец 5410 5311,66 98,34 1,8211 Бахмутка 1680 1700,77 -20,77 -1,2412 Жеребец 990 998,98 -8,98 -0,9113 Красная 2710 2716,13 -6,13 -0,2314 Боровая 1960 1869,08 90,92 4,6415 Аидар 7420 7376,02 43,98 0,5916 Лугань 3740 3672,97 67,03 1,7917 Белая 755 759,00 -4,00 -0,5318 Деркул 5180 5385,00 -205,00 -3,9619 Большая каменка 1810 1769,57 40,43 2,2320 Глубокая 1400 1369,18 30,82 2,2021 Калитвенец 1170 1179,54 -9,54 -0,8222 Калитва 10600 10560,91 39,09 0,3723 Большая 2160 2139,00 21,00 0,9724 Быстрая 4180 4297,50 -117,50 -2,81

25 Кундрючья 2320 2221,84 98,16 4,23

ИСПОЛЬЗОВАНИЕ КОМПЬЮТЕРНОГО КОДА ДЛЯ ОЦЕНКИ ВЛИЯНИЯ ПОРОГОВОГО ЗНАЧЕНИЯ

НА РАССЧИТЫВАЕМЫЕ ДЛИНЫ ПРИТОКОВ Р. СЕВЕРСКИЙ ДОНЕЦ

Длина водотока рассчитываемая с использованием инструментов Hydrological Analyses картографического приложения ArcMap По ArcGIS 10.x зависит от про-странственнои детализациеи ЦМР и эмпирическои величины порогового значе-ния суммы ячеек, образующих его исток. Для оценки влияния этои величины на длины главного русла и притоков р. Северскии Донец были проведены численные эксперименты с использованием разработанного компьютерного кода. Так на рис. 5 показаны линии водотока и соответственно положении истока р. Неже-голь, а на рис. 6 относительные расхождения ее длин при различных пороговых значениях с длинои этои реки, указаннои в водном реестре [51].

Приведенные результаты показывают существенную зависимость рассчи-тываемои длины р. Нежеголь от величины порогового значения. Характер этои зависимости, связаннои с характеристиками рельефа вблизи истока и вдоль

Продолжение табл. 1


72

начала русла, указывает на перемещение этои точки вверх по рельефу при умень-шении порогового значения. Однако, уменьшение порогового значения все же не приводит к достижению справочнои длины. По видимому, это может быть связано не только с местоположением истока, но и расхождениями топографи-ческих карт, использованных для вычерчивания местоположения русла, и дан-ных SRTM, а также местоположением русла на всем его протяжении, которое за прошедшее после проведения картографических работ время до 1999 г. (момент измерения SRTM) могло измениться.

Рис. 5. Изменение положения истока р. Волчья в результате изменения порогового значения

Рис. 6. Изменение относительного расхождения длины р. Волчья в результате изменения порогового значения

0 2000 4000 6000 8000 10000 12000 14000 160000

2

4

6

8

10

12

14

16

18

20

пороговое значение, количество ячеек

отно

сите

льно

е ра

схож

дени

е, %

73


ЗАКЛЮЧЕНИЕ

Разработанныи программныи код расчета гидрографических характеристик речнои сети на основе результатов гидрологического анализа ЦМР, реализуемых геоинформационными инструментами Hydrological Analyses картографического приложения ArcMap ПО ArcGIS 10.x позволяет автоматизировать процесс полу-чения данных, необходимых для прикладного использования в исследованиях и практическои деятельности.

В результате использования ПО ArcGIS 10.x, а также языков макропрограмми-рования Python и VBA разработана модульная система автоматизированного рас-чета гидрографических характеристик речнои сети по цифровым моделям рельефа.


1. Jenson S.K., Domingue J.O. Extracting topographic structure from digital elevation data for geographical information system analysis // Photogrametric Engineering and Remote Sensing. – 1988. – No. 54. – Vol. 11. – P. 1593–1600.

2. Mark D.M. Network models in geomorphology // Modeling Geomorphological Systems / M.G. Anderson, Ed. – John Wiley and Sons, 1988. – P. 73–96.

3. Moore I.D., Graison R.B., Ladson A.R. Digital terrain modeling. An overview of Hydrological, geomorphological and biological applications // Hydrological Processes. – 1991. – No. 1. – Vol. 5. – P. 3–30.

4. Martz L.W., Garbrecht J. Numerical definition of drainage networks and subcatchment areas from digital elevation models // Computers and Geosciences. – 1992. – No. 18 – Vol. 6. – P. 747–761.

5. Tribe A. Automated recognition of valet heads from digital elevation models // Earth Surface Processes and Landforms. – 1991. – No. 16. – Vol. 1. – P. 33–49.

6. Tesfa T.K., Tarboton D.G., Watson D.W., Schreuders K.A.T., Baker M.E., Wallace R.M. Extraction of hydrological proximity measures from DEMs using parallel processing, //Environmental Modelling & Software. – 2011. – No. 26. – V. 12. – P. 1696–1700.

7. Yıldırım A.A., Watson D., Tarboton D., Wallace R.M. A virtual tile approach to raster-based calculations of large digital elevation models in a shared-memory system // Computers & Geosciences. – 2015. – No. 82. – P. 78–88.

8. Maneesh S., Ginger B.P., Scott N.M. DEM Development from Ground-Based LiDAR Data: A Method to Remove Non-Surface Objects // Remote Sensing. – 2010. – No. 2. – P. 2629–2642; doi:10.3390/rs2112629.

9. Peucker Т.K., Douglas D.H. Detection of surface specific points by local parallel processing of discrete terrain elevation data // Computer Vision Graphics and Image Processing. – 1975. – No. 4. – Vol. 3. – P. 375–387.

10. Jenson S.K. Automated Derivation of Hydrologic Basin Characteristics from Digital Elevation Data. Proc. Auto-Carto 7 / Digital Representation of Spatial Knowledge. – Washington, D.C., 1985. – P. 301–310.

11. Band L.E. Topographic partition of watersheds with digital elevation models // Water Resources Research. – 1986. – No. 22. – Vol. 1. – P. 15–24.


74

12. O’Callaghan J.F., Mark D.M. The extraction of drainage networks from digital elevation data // Computer Vision Graphics and Image Processing. – 1984. – No. 28. – P. 323–344.

13. Douglas D.H. Experiments to locate ridges and channels to create a new type of Digital Elevation Model // Cartographica. – 1986. – No. 23. – Vol. 4. – P. 29–61.

14. Jenson S.K., Domingue J.Q. Extracting topographic structures from digital elevation data for Geographic Information System analysis // Photogrammetric Engineering and Remote Sensing. – 1988. – No. 54. – Vol. 11. – P. 1593–1600.

15. Martz L.W., DeJong E. CATCH: A FORTRAN program for measuring catchment area from Digital Elevation Models // Computers and Geosciences. – 1988. – No. 14. – Vol. 5. – P. 627–640.

16. Morris D.G., Heerdegen R.G. Automatically derived catchment boundary and channel networks and their hydrological applications // Geomorphology. – 1988. – No. 1. – Vol. 2. – P. 131–141.

17. Majure J.J., Soenksen P.J. Using a geographic information system to determine physical basin characteristics for use in flood-frequency equations / U.S. Geological Survey National Computer Technology Meeting. – 1991.

18. Balthrop В.H., Terry, J.E., Eds. Proceedings, Phoenix, AZ, November 14–18 // U.S. Geological Survey Water-Resources Investigations Report. – 1988. – 90–4162. – P. 31–40.

19. Majure J.J., Eash D.A. An automated method to quantify physical basin characteristics // U.S. Geological Survey Toxic Substances Hydrology Program. – 1991. – P. 47–61.

20. Mallard G.E., Aronson D.A., Eds. Proceedings of the Technical Meeting, Monterey, CA, March 11–15 // U.S. Geological Survey Water-Resources Investigations Report. – 1991. – P. 91–4034, 558–561.

21. Eash D.A. Estimating Design-Flood Discharges for Streams in Iowa Using Drainage-Basin and Channel-Geometry Characteristics // U.S. Geological Survey Water-Resources Investigations Report. – 1993. – P. 93–4062.

22. Eash D.A. A Geographic Information System Procedure to Quantify Drainage-Basin Characteristics // Water Resources Bulletin. – 1994. – No. 30. – Vol. 1. – P. 1–8.

23. Harvey C.A., Eash D.A. Description, Instructions, and Verification for Basinsoft, a Computer Program to Quantify Drainage-Basin Characteristics // U.S. Geological Survey Water- Resources Investigations, Report. – 1996. – P. 95–4287.

24. Martz L.W., Garbrecht J. Channel network delineation and watershed segmentation in the TOPAZ digital landscape analysis system / GIS for Water Resources and Watershed Management. – Chelsea: Ann Arbor Press, 2001.

25. Garbrecht J., Martz L.W. TOPAZ: An Automated Digital Landscape Analytical Tool for Topographic Evaluation, Drainage Identification, Watershed Segmentation and Subcatchment Parameterization: TOPAZ User Manual // U.S. Department of Agriculture, Agricultural Research Service, Grazinglands Research Laboratory. – El Reno, OK: ARS Pub. – 2000. – No. GRL 2–00. – 144 p.

26. Garbrecht J., Martz L.W. TOPAZ: An Automated Digital Landscape Analysis Tool for Topographic Evaluation, Drainage Identification, Watershed Segmentation and Subcatchment Parameterization; TOPAZ Overview // U.S. Department of Agriculture, Agricultural Research Service, Grazinglands Research Laboratory. – El Reno, OK: ARS Publication. – 1999. – No. GRL 99–1. – 26 p.

27. Garbrecht J., Martz L.W. The assignment of drainage direction over flat surfaces in raster digital elevation models // Journal of Hydrology. – 1997. – No.193. – P. 204–213.

75


28. Scheidegger A.E. Effect of map scale on stream orders // Bui Int. Assoc. Sci. Hydrol. – 1966. – XI. – P. 3.

29. Бобровицкая H.H., Воскресенский О.Б., Кокорев A.B., Орлова Е.В., Седов В.Г. Авто-матизированная технология анализа гидрологическои сети с целью ее оптимиза-ции – HydroNet-2004 // Докл. VI Всероссииского гидрологического съезда. Секция 1. Состояние и перспективы развития систем гидрологических наблюдении и инфор-мационное обеспечение потребителеи. – М.: Метеоагентство Росгидромета, 2006. – С. 9–18.

30. Бобровицкая H.H., Кучеренко O.E., Орлова Е.В., Седов В.Г. Электронная карта гидроло-гическои сети европеискои территории России (методика построения и содержание) // Докл. VI Всероссииского гидрологического съезда. Секция 1. Состояние и перспективы развития систем гидрологических наблюдении и информационное обеспечение потре-бителеи. – М.: Метеоагентство Росгидромета, 2006. – С. 19–25.

31. Орлова Е.В. Определение географических и гидрологических характеристик бассеина Печоры с использованием ГИС-технологии // Метеорология и гидрология. – 2008. – № 4. – С. 81–88.

32. Орлова Е.В. Применение ГИС для оценки водных ресурсов республики Коми // Гео-информатика. – 2007. – № 4. – С. 21–25.

33. Орлова Е.В. Применение ГИС-технологии для получения гидрологических характе-ристик водосбора Вилюиского водохранилища // География и природные ресурсы. – 2008. – № 3. – С. 134–138.

34. Орлова Е.В. Измерение параметров гидрографическои сети реки Кубань на основе ГИС-технологии // Докл. VI Всероссииского гидрологического съезда. Секция 1. Состояние и перспективы развития систем гидрологических наблюдении и информационное обеспечение потребителеи. – М.: Метеоагентство Росгидромета, 2006. – С. 57–64.

35. Бугаец А.Н. Разработка методов определения структурно-гидрографических характери-стик по данным ЦМР для гидрологического моделирования: автореф. дис. … канд. техн. наук. – СПб.: РГГМУ, 2011. – 28 с.

36. Кадебская О.И., Пятунин М.С. Применение ГИС-технологии при прогнозировании паводка в г. Кунгуре Пермскои области // Оценка и управление природными рисками: Материалы Всероссиискои конференции «Риск-2003», Москва, 2003. – Т. 2. – М.: Изд-во РУДН, 2003. – С. 14–18.

37. Калинин В.Г., Пьянков C.B. Гидрологическая геоинформационная система «Бассеин Боткинского водохранилища» // Метеорология и гидрология. – 2002. – № 5. – С. 95–100.

38. Калинин В.Г., Пьянков C.B. К вопросу о влиянии рельефа на сток рек водосбора Бот-кинского водохранилища // Метеорология и гидрология. – 2004. – № 3. – С. 98–104.

39. Калинин В.Г., Пьянков C.B. Некоторые аспекты применения геоинформационных систем в гидрологии // Метеорология и гидрология. – 2000. – № 12. – С. 71–78.

40. Магомедова A.B., Курбанова З.А. Исследование русловых переформировании устьевого участка р. Терек с использованием ГИС-технологии / Труды Международнои конфе-ренции по эрозионно-селевым явлениям. – Тбилиси, 2001. – С. 118–121.

41. Мирошниченко С.А. Использование геоинформационнои системы для управления водными ресурсами бассеина реки Камы / Тез. докл. VI Всероссииского гидрологи-ческого съезда. Секция 1 (28 сентября – 1 октября 2004 г.)& – СПб.: Гидрометеоиздат, 2004. – С. 72–74.


76

42. Яковченко С.Г., Жоров В.А. Опыт практического использования ГИС-технологии в гидрологических и водохозяиственных расчетах / Тез. докл. VI Всероссииского гидро-логического съезда. Секция 1 (28 сентября – 1 октября 2004 г.) – СПб.: Гидрометеоиздат, 2004. – С. 95–96.

43. Page of the python language. Available at http://www.python.org/.44. ArcGIS software help page. Available at http://resources.arcgis.com/en/help/main/10.1/ index.

html#//009z0000004w000000.45. Greenlee D.D. Raster and Vector Processing for Scanned Linework // Photogrammetric Engi-

neering and Remote Sensing. – 1987. – No. 53. – Vol. 10. – P. 1383–1387.46. Fairchild J., Leymarie P. Drainage networks from grid digital elevation models // Water

Resources Research. – 1991. – No. 27. – Vol. 4. – P. 29–61.47. Strahler A.N. Hypsometric (area-altitude) analysis of erosional topography // Bulletin of the

Geological Society of America. – 1952. – No. 63. – P. 1117–1142.48. Strahler A.N. Dimensional analysis applied to fluvially eroded landforms // Bulletin of the

Geological Society of America. – 1958. – No. 69. – P. 279–300.49. Shreve R.L. Statistical law of stream numbers // Journal of Geology. – 1966. – No. 74. – P. 17–37.50. Rukovodstvo po opredeleniu gidrographicheskih charakteristik kartometricheskim metodom.

[Extraction of hydrographical characteristics by cartography method], GGI, Leningrad, Hydrometeoizdat, 1986. – 93 p. (In Russian).

51. SRTM data page. Available at http://srtm.csi.cgiar.org/SELECTION/inputCoord.asp.

77

COMPUTER CODE FOR HYDROGRAPHIC CHARACTERISTICS CALCULATION OF A RIVER NETWORK AND ITS WATERSHED BY RESULTS OF THE HYDROLOGICAL ANALYSIS OF DIGITAL

ELEVATION MODEL

Ermolaeva O.S., Zeiliguer A.M.Russian State Agrarian University – Moscow Timiryazev Agricultural Academy,

Moscow, Russia, e-mail: [email protected]; [email protected]

Abstract Computer code with the use of Python, and Visual Basic for Application (VBA) is developed for automation of calculation of hydrographic characteristics of a river network and its watershed. VBA is used to fulfill output tables in the Excel of and carrying out the statistical analysis. Input data for calculation are results of the hydrological analysis of digital elevation model realized by means of the Hydrological Analyses tools included in the cartographical ArcMap application of ArcGIS 10.x software. By the way to illustrate applications of a developed code are given some examples of calculation of a number of hydrographic characteristics of Seversky Donets river realized on the basis of SRTM data.

Keywords: hydrographic characteristics, water object, watershed, digital elevation model, river Seversky Donets.

References

1. Jenson S.K., Domingue J.O. Extracting topographic structure from digital elevation data for geographical information system analysis // Photogrametric Engineering and Remote Sensing. – 1988. – No. 54. – Vol. 11. – P. 1593–1600.

2. Mark D.M. Network models in geomorphology // Modeling Geomorphological Systems / M.G. Anderson, Ed. – John Wiley and Sons, 1988. – P. 73–96.

3. Moore I.D., Graison R.B., Ladson A.R. Digital terrain modeling. An overview of Hydrological, geomorphological and biological applications // Hydrological Processes. – 1991. – No. 1. – Vol. 5. – P. 3–30.

4. Martz L.W., Garbrecht J. Numerical definition of drainage networks and subcatchment areas from digital elevation models // Computers and Geosciences. – 1992. – No. 18 – Vol. 6. – P. 747–761.

5. Tribe A. Automated recognition of valet heads from digital elevation models // Earth Surface Processes and Landforms. – 1991. – No. 16. – Vol. 1. – P. 33–49.

6. Tesfa T.K., Tarboton D.G., Watson D.W., Schreuders K.A.T., Baker M.E., Wallace R.M. Extraction of hydrological proximity measures from DEMs using parallel processing, //Environmental Modelling & Software. – 2011. – No. 26. – V. 12. – P. 1696–1700.

7. Yıldırım A.A., Watson D., Tarboton D., Wallace R.M. A virtual tile approach to raster-based calculations of large digital elevation models in a shared-memory system // Computers & Geosciences. – 2015. – No. 82. – P. 78–88.


78

8. Maneesh S., Ginger B.P., Scott N.M. DEM Development from Ground-Based LiDAR Data: A Method to Remove Non-Surface Objects // Remote Sensing. – 2010. – No. 2. – P. 2629–2642; doi:10.3390/rs2112629.

9. Peucker Т.K., Douglas D.H. Detection of surface specific points by local parallel processing of discrete terrain elevation data // Computer Vision Graphics and Image Processing. – 1975. – No. 4. – Vol. 3. – P. 375–387.

10. Jenson S.K. Automated Derivation of Hydrologic Basin Characteristics from Digital Elevation Data. Proc. Auto-Carto 7 / Digital Representation of Spatial Knowledge. – Washington, D.C., 1985. – P. 301–310.

11. Band L.E. Topographic partition of watersheds with digital elevation models // Water Resources Research. – 1986. – No. 22. – Vol. 1. – P. 15–24.

12. O’Callaghan J.F., Mark D.M. The extraction of drainage networks from digital elevation data // Computer Vision Graphics and Image Processing. – 1984. – No. 28. – P. 323–344.

13. Douglas D.H. Experiments to locate ridges and channels to create a new type of Digital Elevation Model // Cartographica. – 1986. – No. 23. – Vol. 4. – P. 29–61.

14. Jenson S.K., Domingue J.Q. Extracting topographic structures from digital elevation data for Geographic Information System analysis // Photogrammetric Engineering and Remote Sensing. – 1988. – No. 54. – Vol. 11. – P. 1593–1600.

15. Martz L.W., DeJong E. CATCH: A FORTRAN program for measuring catchment area from Digital Elevation Models // Computers and Geosciences. – 1988. – No. 14. – Vol. 5. – P. 627–640.

16. Morris D.G., Heerdegen R.G. Automatically derived catchment boundary and channel networks and their hydrological applications // Geomorphology. – 1988. – No. 1. – Vol. 2. – P. 131–141.

17. Majure J.J., Soenksen P.J. Using a geographic information system to determine physical basin characteristics for use in flood-frequency equations / U.S. Geological Survey National Computer Technology Meeting. – 1991.

18. Balthrop В.H., Terry, J.E., Eds. Proceedings, Phoenix, AZ, November 14–18 // U.S. Geological Survey Water-Resources Investigations Report. – 1988. – 90–4162. – P. 31–40.

19. Majure J.J., Eash D.A. An automated method to quantify physical basin characteristics // U.S. Geological Survey Toxic Substances Hydrology Program. – 1991. – P. 47–61.

20. Mallard G.E., Aronson D.A., Eds. Proceedings of the Technical Meeting, Monterey, CA, March 11–15 // U.S. Geological Survey Water-Resources Investigations Report. – 1991. – P. 91–4034, 558–561.

21. Eash D.A. Estimating Design-Flood Discharges for Streams in Iowa Using Drainage-Basin and Channel-Geometry Characteristics // U.S. Geological Survey Water-Resources Investigations Report. – 1993. – P. 93–4062.

22. Eash D.A. A Geographic Information System Procedure to Quantify Drainage-Basin Characteristics // Water Resources Bulletin. – 1994. – No. 30. – Vol. 1. – P. 1–8.

23. Harvey C.A., Eash D.A. Description, Instructions, and Verification for Basinsoft, a Computer Program to Quantify Drainage-Basin Characteristics // U.S. Geological Survey Water- Resources Investigations, Report. – 1996. – P. 95–4287.

24. Martz L.W., Garbrecht J. Channel network delineation and watershed segmentation in the TOPAZ digital landscape analysis system / GIS for Water Resources and Watershed Management. – Chelsea: Ann Arbor Press, 2001.

25. Garbrecht J., Martz L.W. TOPAZ: An Automated Digital Landscape Analytical Tool for Topographic Evaluation, Drainage Identification, Watershed Segmentation and Subcatchment

79


Parameterization: TOPAZ User Manual // U.S. Department of Agriculture, Agricultural Research Service, Grazinglands Research Laboratory. – El Reno, OK: ARS Pub. – 2000. – No. GRL 2–00. – 144 p.

26. Garbrecht J., Martz L.W. TOPAZ: An Automated Digital Landscape Analysis Tool for Topographic Evaluation, Drainage Identification, Watershed Segmentation and Subcatchment Parameterization; TOPAZ Overview // U.S. Department of Agriculture, Agricultural Research Service, Grazinglands Research Laboratory. – El Reno, OK: ARS Publication. – 1999. – No. GRL 99–1. – 26 p.

27. Garbrecht J., Martz L.W. The assignment of drainage direction over flat surfaces in raster digital elevation models // Journal of Hydrology. – 1997. – No.193. – P. 204–213.

28. Scheidegger A.E. Effect of map scale on stream orders // Bui Int. Assoc. Sci. Hydrol. – 1966. – XI. – P. 3.

29. Bobrovizkaya N.N., Voskresensky N.N., Kokorev A.V., Orlova E.V., Sedov V.G. Avtomatizirovannaya technologiya analiza gidrologicheskoi seti s zelu ee avtomatizazii. [Automazed technology to optimize analisis of hydrological network]. HydroNet-2004 / Thesis on forth all-Russian hydrological meeting. Section 1. Condition and perspectives of development of sistem for hydrological monitoring and informing of users. – Moscow: Meteoagency of Roshydromet, 2006. – P. 9–18 (In Rissian).

30. Bobrovizkaya N.N., Kucherenko O.E. Orlova E.B., Sedov V.G. Electronnaya karta gidrolog-icheskoy seti evropeiskoi territorii Rossii (metodika postroeniya i soderghanie) [Electornic map of hydrological network of european pert of Russia (metodics and content)] / Thesis on forth all-Russian hydrological meeting. Section 1. Condition and perspectives of development of sistem for hydrological monitoring and informing of users. – Moscow: Meteoagency of Roshydromet, 2006. – P. 19-25 (In Russian).

31. Orlova E.V. Opredelenie geographicheskich i gidrologicheskich charakteristik basseina Pechora s ispolzovaniem GIS technologii. [Determination of geographical and hydrological characteristics of Pechora river basin with usage of GIS technologies] // Meteorology and Hydrology. – 2008. – No. 4. – P. 81–88 (In Russian).

32. Orlova E.V. Primenenie GIS dlya ozenki vodnich resursov respubliki Comi. [Using of GIS for determination of water resources for Comi republic] // Geoinformatics. – 2007. – No. 4. – P. 21–25 (In Russian).

33. Orlova E.V. Primenenie GIS dlya polucheniya gidrologicheskix characteristic vodosbora Viluisko-go vodochranilisha. [Using of GIS for determination of hydrological charcteristics of Viluiskoe waterstorage basin] // Geographiya i prirodnie resursi. – 2008. – No. 3. – P. 134–138 (In Russian).

34. Orlova E.V. Izmerenie parametrov gidrographicheskix seti reki Kuban na osnove Gis tech-nologii. [Calculation of parameters for hydrological network of river Kuban on the basis of GIS technologies] / Thesis of forth all-Russia hydrology meeting. Section 1. Condition and perspectives of development of sistem for hydrological monitoring and informing of users. – Moscow: Meteoagency of Roshydromet, 2006. – P. 19–25 (In Russian).

35. Bugaets A.N. Razrabotka metodov opredeleniya strukturno-gidrographicheskich character-istic po dannim ZMR dlya gidrologicheskogo modelirovaniya. [Development of methods for determination of structural hydrological characteristics on the basis of DEM for hydrological modelling]: Avtoreferat dissertazii. – RGGMY, 2011. – 28 p. (In Russian).

36. Kadebskaya O.I., Pyatunin, M.S. Primenenie GIS technologii pri prognozirovanii pavodka v g. Kungure Permskoi oblasti [Usage of GIS technologies in prediction of flood in Kungur Permsky


80

district] Estimation and management of natural risks: materials of all-Russian conference “Risk-2003”. – Izdatelstvo RUDN, 2003. – Vol. 2. – P. 14–18 (In Russian).

37. Kalinin V.G., Pyankov S.V. Gidrologicheskaya geoinformazionnaya Sistema “Bassein bot-kinskogo vodoxranilisha” [Hydrological geoinformatics system “Botkinskoe waterstorage basin”] // Meteorology and hydrology. – 2005. – No. 5. – P. 95–100 (In Russian).

38. Kalinin V.G., Pyankov S.V. K voprosy o vliyanii relefa na stok rek vodosbora Botkinskogo vodochranilisha [To the question of relief influence on Botkinskoe waterstorage basin] // Meteorology and hydrology. – 2004. – No. 3. – P. 98–104 (In Russian).

39. Kalinin V.G., Pyankov S.V. Nekotorie aspect primeneniya geoinformazionnich sistem v gidrologii [Some aspects of GIS technology usage in hydrology] // Meteorology and hydrol-ogy. – 2000. – No. 12. – P. 71–78 (In Russian).

40. Magomedova A.V., Kurbanova Z.A. Issledovanie ruslovix pereformirovanii ystevogo ychastka reki Terek s ispolzovaniem GIS technologiy [Investigation of river Terek channel transforma-tion with usage of GIS technologies] / Thesis of international conference on events of erosion and torrent deposits. – 2001. – P. 118-121.

41. Miroshnichenko S.A. Ispolzovanie geoinformazionnoi sistemi dlya ypravleniya vodnimi resyr-sami basseina Kami. [Usage of GIS system for water resources management in basin of Kama river] / Thesis of forth all-Russia hydrology meeting. Section 1. Gidrometeoizdat. – 2004. – P. 72–74.

42. Yakovchenko S.G., Ghorov V.A. Opit practicheskogo ispolzovaniya GIS technologiy v gidrolog-icheskch i vodoxozyaistvennich raschetach. [Experience of practical usage of GIS technologies in hydrological and water management design] / Thesis of forth all-Russia hydrology meeting. Section 1. Gidrometeoizdat. – 2004. – P. 95–96.

43. Page of the python language. Available at http://www.python.org/.44. ArcGIS software help page. Available at http://resources.arcgis.com/en/help/main/10.1/ index.

html#//009z0000004w000000.45. Greenlee D.D. Raster and Vector Processing for Scanned Linework // Photogrammetric Engi-

neering and Remote Sensing. – 1987. – No. 53. – Vol. 10. – P. 1383–1387.46. Fairchild J., Leymarie P. Drainage networks from grid digital elevation models // Water

Resources Research. – 1991. – No. 27. – Vol. 4. – P. 29–61.47. Strahler A.N. Hypsometric (area-altitude) analysis of erosional topography // Bulletin of the

Geological Society of America. – 1952. – No. 63. – P. 1117–1142.48. Strahler A.N. Dimensional analysis applied to fluvially eroded landforms // Bulletin of the

Geological Society of America. – 1958. – No. 69. – P. 279–300.49. Shreve R.L. Statistical law of stream numbers // Journal of Geology. – 1966. – No. 74. – P. 17–37.50. Rukovodstvo po opredeleniu gidrographicheskih charakteristik kartometricheskim metodom.

[Extraction of hydrographical characteristics by cartography method], GGI, Leningrad, Hydrometeoizdat, 1986. – 93 p. (In Russian).

51. SRTM data page. Available at http://srtm.csi.cgiar.org/SELECTION/inputCoord.asp.

81

ИНФОРМАЦИОННЫЕ РЕСУРСЫ БАНКА ОКЕАНОГРАФИЧЕСКИХ ДАННЫХ ФГБУН МГИ

ДЛЯ ПОДДЕРЖКИ ЭКОЛОГИЧЕСКИХ ИССЛЕДОВАНИЙ ПРИБРЕЖНОЙ ЗОНЫ ЧЕРНОГО МОРЯ

Жук Е.В., Халиулин А.Х., Ингеров А.В., Годин Е.А., Пластун Т.В., Исаева Е.А.Морской гидрофизический институт РАН, г. Севастополь,

e-mail: [email protected], [email protected], [email protected], [email protected], [email protected], [email protected]

Прибрежная зона мореи и океанов на протяжении длительного времени активно используется человечеством. Экологическое состояние природнои сре-ды прибрежнои зоны оказывает существенное влияние на жизнедеятельность населения и функционирование морехозяиственного комплекса приморских стран. Оценка экологического состояния, планирование мероприятии, направ-ленных на ее сохранение и восстановление, нуждаются в надежном информа-ционном обеспечении. Все это предопределяет важнеишую роль океанологи-ческих данных и знании при проведении экологических и океанографических исследовании, проектных изыскании в прибрежнои зоне, выработке различного рода рекомендации по ее рациональному использованию и принятии управ-ленческих решении.

В отделе морских информационных систем и технологии (МИСТ) ФГБУН Морского гидрофизического института РАН (ФГБУН МГИ) в ходе выполнения многочисленных национальных и международных проектов накоплен значитель-ныи опыт работ по формированию баз и банков океанологических данных, в том числе и для поддержки экологических исследовании прибрежнои зоны, созданию карт, атласов, геоинформационных систем и других информационных продуктов.

В настоящее время эти работы продолжаются по следующим основным направлениям:

– разработка и формирование специализированных баз и банков данных;– совершенствование систем контроля качества данных;– создание карт и атласов различных характеристик морскои среды;– разработка и создание информационных систем;– разработка и создание веб-саитов.

БАЗЫ ДАННЫХ

Банк океанографических данных ФГБУН МГИ (БОД МГИ) включает оке-анологические и метеорологические данные, полученные различных раионах Мирового океана. Особое место в БОД МГИ занимает специализированная база «Черное море», которая содержит данные более чем 160 тысяч океанографических (с 1890 года) и 43 тысяч гидрохимических (с 1923 года) станции, выполненных


82

научными судами России, Украины, Болгарии, Турции, США, Франции, Румынии, Дании и других стран [1].

Значительная часть океанографических и гидрохимических станции в Черном море выполнена в прибрежнои зоне (таблица 1), причем большинство из них приходится на прибрежную зону России и Украины (таблица 2, рис. 1, 2).

Таблица 1Общее количество гидрологических и гидрохимических станций,

выполненных в Черном море, в БОД МГИ

Параметры

Черноеморе

Изобата, м20 50 100 150 200

Количество станцииГидрология 160085 53253 91336 108309 112886 114972Гидрохимия 43231 10219 18106 25161 26417 27117

Таблица 2Количество гидрологических и гидрохимических станций,

выполненных в прибрежной зоне России и Украины в Черном море

Параметры

Изобата, м20 50 100 150 200

Количество станцииГидрология 48255 81079 92096 95819 97419Гидрохимия 8389 13950 18187 18988 19461

Рис. 1. Распределение гидрологических станций, выполненных в Черном море в прибрежной зоне России и Украины, до изобаты 20 м (а), до изобаты 200 м (б)

и гидрохимических станций до изобаты 20 м (в), до изобаты 200 м (г)

83


Рис. 2. Распределение гидрологических станций, выполненных в Черном море в прибрежной зоне России и Украины:

гидрологических по годам (а), гидрохимических по годам (б), гидрологических по месяцам (в), гидрохимических по месяцам (г)

В 2015 году БОД был пополнен данными экспедиционных исследовании, проведенных в прибрежных водах Гераклеиского полуострова (рис. 3), Севасто-польскои бухты (рис. 4) и Балаклавскои бухты (рис. 5).

Рис. 3. Схема станций рейса НИС «Бирюза» 28–31 июля 2015 г.

кол-

во с

танц

ий

Год

0

1000

18901928

19321938

19471953

19591965

19711977

19831989

19952002

2007

2000

3000

4000

5000

6000

а

кол-

во с

танц

ий

Год

0

200

19231928

1939 1953

19631968

19731978

19831988

19931998

20052010

400

600

800

1000

1200

б

кол-

во с

танц

ий

Месяц

0

2000

1 2 3 4 5 6 7 8 9 10 11 12

4000

6000

8000

10000

14000

12000

в

кол-

во с

танц

ий

Месяц

0

500

1 2 3 4 5 6 7 8 9 10 11 12

1000

1500

2000

2500

г


84

Рис. 4. Схема расположения гидролого-гидрохимических станцийв Севастопольской бухте

Также в БОД МГИ хранятся данные, полученные на океано-графическои платформе в раионе пос. Кацивели (метеорологические измерения, волнение, температура воды, соленость, течения, гидро-химия и др.) и на Голицынскои платформе (метеорологические измерения, температура воды).

В специализированные базы данных для решения экологи-ческих задач могут включаться гидрологические данные по тем-пературе и солености, гидрохи-мические данные, в том числе щелочность, pH, кислород, сили-каты, нитраты, нитриты, фосфаты, сероводород (всего до 20 параме-тров), данные по гидрооптике, волнению, течениям и ряду других

параметров. Такие базы данных могут создаваться как для всеи прибрежнои зоны, так и для отдельных акватории, например, сформированные в БОД МГИ специализированные базы данных для исследования гидрохимического режима Ялтинского залива (рис. 6, 7) [2, 3], экологического состояния прибрежных вод Гераклеиского полуострова (рис. 8) [4] и др.

Рис. 5. Схема гидролого-гидрохимических станций,выполненных в Балаклавской бухте

85


Рис. 6. Годовой ход осредненного содержания растворенного кислорода

на нулевом горизонте для акваторий Ялта-порт (сплошная линия, 1987–2004 гг.), Ялта-залив (штрихпунктирная линия, 1987–2004 гг.)

и Ялта-порт (штриховая линия, 2005–2010 гг.), а также годовой ход осредненной температуры для акватории Ялта-порт (тонкая сплошная линия, 1987–2004 гг.; пунктирная линия, 2005–2010 гг.) [2]

Рис. 7. Годовой ход осредненного насыщения вод кислородом на нулевом горизонте

для акваторий Ялта-порт (сплошная линия, 1987–2004 гг.), Ялта-залив (штрихпунктирная линия, 1987–2004 гг.)

и Ялта-порт (штриховая линия, 2005–2010 гг.) [2]


86

Рис. 8. Прибрежные воды Гераклейского полуострова. Годовой ход фосфатов (мкМ/л)

и солености (%o) в поверхностном (а) и придонном (б) слоях вод,осредненные по данным за весь период наблюдения [4]

КОНТРОЛЬ КАЧЕСТВА ДАННЫХ

При формировании баз данных в БОД МГИ большое внимание уделяется качеству данных и метаданных. С этои целью в отделе МИСТ на протяжении длительного времени ведутся работы по созданию и совершенствованию систем контроля качества данных [5]. Результаты этих работ получили признание, в том числе, и на международном уровне.

Учитывая близость береговои черты, сложное взаимодеиствие различных факторов, оказывающих влияние на формирование гидрофизических и гидро-химических полеи в прибрежнои зоне, контроль качества данных приобретает особое значение. Для решения поставленнои задачи в БОД МГИ реализуется следующии пошаговыи алгоритм:– импорт данных и приведение их в заданныи формат;– проверка метаданных, включающая проверку попадания станции в бассеин,

проверку скорости судна между станциями, сравнение последнего горизонта и глубины места и пр.;

– оценка качества данных, основанная на использовании климатических и стати-стических массивов, проверке попадания значении и градиентов в характерные для данного параметра пределы, поиске спаиков и измерении с инверсиеи плотности;

– автоматическое проставление флагов качества.

Система флагов качества данных уже длительное время применяется в мире океанографическим научным сообществом. В рамках проекта SeaDataNet эта система получила дальнеишее развитие и в настоящее время является между-народным стандартом. Перечень флагов приведен в таблице [6].

87


Таблица 6Система флагов качества

Флаг качества Описание0 Не проверено1 Верное значение2 Правдоподобное значение3 Сомнительное значение4 Ошибка5 Исправлено пользователем6 Ниже порога чувствительности прибора7 Величина превышает диапазон измерении прибора8 Интерполированная величина9 Значение отсутствуетA Неправильная идентификация параметра

ГЕОИНФОРМАЦИОННЫЕ СИСТЕМЫ

В последние годы в отделе МИСТ разработан ряд информационных систем [7, 8] нацеленных на обеспечение поддержки научных, в том числе экологических, исследовании в Черном море. И хотя эти системы охватывают все море, они могут оказаться полезными и для специалистов, занимающихся изучением экологического состояния прибрежнои зоны моря.

Особыи интерес представляет ГИС Черного моря, созданная на основе бес-платного программного обеспечения (ПО) и независимая от сторонних серви-сов. При ее создании акцент делался на выборе свободно распространяемого (бесплатного) и платформонезависимого ПО, которое могло бы обеспечить требуемую функциональность.

Программное обеспечение для доступа и визуализации данных было раз-работано на основе клиент-сервернои архитектуры. Серверная часть включает в себя океанографическую базу данных (ОБД), картографическии сервис и php-модули, которые обеспечивают взаимодеиствие между серверным и клиентским приложениями.

В качестве картографического сервиса был выбран MapServer [9]. По своеи функциональности он практически не уступает платному ПО, а по части легко-сти переконфигурирования и интеграции с системои управления базои данных (СУБД) превосходит многие из них.

Для работы с базои данных была выбрана система управления базои данных MySQL [10], которая обладает высокои степенью надежности, эффективно-стью и конкурирует на равных с СУБД таких производителеи, как Oracle, IBM, Microsoft и Sybase.

ГИС Чёрного моря разработана с использованием модульнои структуры, что предоставляет широкие возможности для наращивания её функциональности


88

и интеграции новых типов данных. Для каждого типа данных разработан свои модуль. Основные используемые типы данных:а) численные данные, хранящиеся в БД (океанографические данные); б) графические данные:

– карты в shape формате (изолинии карт климатического атласа, социо-эко-номические данные);

– карты в формате GeoTiff (данные, получаемые со спутника MODIS);– текстовые данные (социально-экономическая информация и данные по

береговои зоне).Система включает следующие модули:– модуль океанографических данных, которыи осуществляет импорт/экс-

порт океанографических данных в формате ODV; выборку океанографических данных по региону, времени, сезону и реису; визуализацию запрошенных океа-нографических данных (представление станции на карте, построение профилеи океанографических параметров, вывод метаданных и данных);

– модуль выборки и визуализации карт климатического атласа в формате shape;

– модуль выборки и представления спутниковых снимков MODIS AQUA в формате GeoTiff;

– модуль выборки и представления социально-экономических данных при-брежных регионов.

В соответствии с основными типами данных разработана модульная струк-тура ГИС – каждому типу данных соответствует свои модуль, позволяющии осуществлять выборку и визуализацию этих данных.

Гидрологические и гидрохимические данные поступают из БОД МГИ.Климатическии атлас состоит из следующих разделов: «Температура морскои

воды», «Солёность», «Плотность», «Теплозапас», «Концентрация кислорода в морскои воде», «Положение нижнеи границы аэробных вод», «Положение верхнеи границы сероводороднои зоны». Всего атлас включает более 400 карт.

Социально-экономические данные включают в себя численность населения в городах, плотность населения, инфраструктуру (автомобильные и железные дороги), промышленное производство и т.д. Основными источниками этои информации являются саиты госстатистики.

В качестве базовои карты в MapServer могут использоваться векторные карты в формате shape, растровые карты (GeoTiff), внешние web-сервисы (Google Maps, Blue Marble и т.д.).

Модуль работы с картографическим сервисом позволяет осуществлять все необходимые функции:

– масштабирование;– перемещение по карте;– выбор вида базовои карты;– выборку информационных слоев, которые будут отображаться поверх слоя

базовои карты.

89


Модуль для работы с океанографическими данными позволяет осуществлять:а) импорт и экспорт данных; б) выборку данных по следующим параметрам:

– прямоугольному региону;– временному интервалу;– типу измерении;– гидрологическим и / или гидрохимическим параметрам;– сезонам;– реисам.Результаты отображаются на карте в виде отдельного слоя. Модуль работы с климатическим атласом позволяет выбирать карты атласа

по параметрам, горизонтам, сезонам и годам. Карты могут визуализироваться как в виде растрового изображения, так и в виде изолинии.

Модуль доступа к социально-экономическим данным позволяет добавлять на карту следующие слои:

– численность населения;– промышленные центры;– порты;– аэропорты;– автодороги;– железные дороги.Помимо выбора и визуального представления разнородных данных, разрабо-

танная ГИС позволяет совмещать эти данные, накладывая один слои на другои на однои карте (рис. 9).

Рис. 9. Наложение изолиний карт климатического атласа на изображение температуры поверхности моря


90

Открытость архитектуры ГИС Черного моря обеспечивает возможность дальнеишего наращивания функциональных возможностеи системы, включение дополнительных параметров, пополнения существующих и подключение новых баз данных и знании. В настоящее время работы в данном направлении продолжаются.

Заключение. Не вызывает сомнения необходимость дальнеишего улучше-ния информационного обеспечения исследовании, в том числе экологических, и практическои деятельности в прибрежнои зоне. В связи с этим задачами для БОД МГИ на ближаишую перспективу являются дальнеишее пополнение баз данных прибрежнои зоны, совершенствование состава и структуры базы океа-нографических данных наблюдении прибрежнои зоны, создание новых инфор-мационных продуктов на основе ГИС- и web-технологии.


1. Халиулин А.Х., Годин Е.А., Токарев Ю.Н., Мезенцева И.В., Смирнов С.С. Информацион-ные ресурсы мореведческих организации Крыма / Тезисы докладов международнои научнои конференции «Современное состояние и перспективы наращивания морского ресурсного потенциала юга России» (Севастополь, Кацивели, 15–18 сентября 2014 г.). – Севастополь: ЭКОСИ – Гидрофизика, 2014. – С. 170–173.

2. Мезенцева И.В., Совга Е.Е., Годин Е.А., Пластун Т.В. Многолетняя изменчивость содержания биогенных элементов в акватории ялтинского порта // Экологическая безопасность прибрежнои и шельфовои зон и комплексное использование ресурсов шельфа. – Севастополь: ЭКОСИ – Гидрофизика, 2013. – Вып. 27. – С. 255–262.

3. Совга Е.Е., Годин Е.А., Пластун Т.В., Мезенцева И.В. Оценка гидрохимического режима прибрежных вод Ялтинского залива // Морскои гидрофизическии журнал. – 2014, № 3. – С. 48–59.

4. Совга Е.Е., Кондратьев С.И., Годин Е.А. Слепчук К.А. Многолетняя динамика биогенных элементов в прибрежнои акватории Гераклеиского полуострова // Морскои гидрофи-зическии журнал (в печати).

5. Еремеев В.Н., Халиулин А.Х., Ингеров А.В., Жук Е.В., Годин E.А., Пластун Т.В. Совре-менное состояние банка океанографических данных МГИ НАН Украины: программ-но-математическое обеспечение // Морскои гидрофизическии журнал. – 2014. – № 2. – С. 54–66.

6. http://seadatanet.maris2.nl/v_bodc_vocab/search.asp?name=(L201)%20SeaDataNet+measurand+qualifier+flags&l=L201.

7. Еремеев В.Н., Халиулин А.Х., Годин Е.А., Ингеров А.В., Белокопытов В.Н., Жук Е.В., Гал-ковская Л.К., Исаева Е.А. Проблемно-ориентированная геоинформационная система Черного моря / Устоичивость и эволюция океанологических характеристик экосистемы Черного моря / Ред. Еремеев В.Н., Коновалов С.К. – Севастополь: ЭКОСИ-Гидрофизика, 2012. – С. 8–31.

8. Жук Е.В., Годин Е.А. Ингеров А.В. Халиулин А.Х. Опыт разработки ГИС Черного моря на основе бесплатного программного обеспечения // Геопрофи – 2016, № 2. – С. 36–39.

9. http://www.mapserver.org/.10. http://www.mysql.com/.

91

INFORMATION RESOURCES OF FSBSI MHI OCEANOGRAPHIC DATA BANK FOR SUPPORTING ENVIRONMENTAL RESEARCH

OF THE BLACK SEA COASTAL AREA

Zhuk E.V., Khaliulin A.Kh., Ingerov A.V., Godin E.A., Plastun T.V., Isaeva E.A.Marine Hydrophisical Institute of Russian Academy of Sciences, Sevastopol, Russia


Abstract. In the Department of Marine Information Systems and Technologies (MIST), FSBSI MHI, a significant experience in creating specialized databases to provide information support of studying the Black sea coastal zone was accumulated during realization of national and international projects. The specialized databases are formed on the basis of Oceanographic data bank of FSBSI MHI (MHI BOD) and include data on hydrology (since 1890) and hydrochemistry (since 1923), as well as on hydrooptics, waves, currents, sea level, and some other parameters.

A specialized database for Sevastopol bay, Heracles peninsula, Balaklava bay and a database of measurements accomplished from the oceanographic platform in the settlement of Katsiveli (since 1980) are examples of databases for certain water areas.

The above mentioned databases are the most important part of geoinformation systems (GIS) which are developed in the MIST department. GIS created on the basis of up-to-date technologies and assuring automatic processing and representing data and knowledge are an efficient instrument of providing users with various, and in particular oceanographic, information. Optimization for specific tasks, open architecture, and possible using not only for solving scientific and practical problems but in the educational process can be considered as advantages of this software.

Keywords: oceanographic data bank, GIS, coastal zone, specialized database, hydrological and hydrochemical messurements.

References

1. Khaliulin A.Kh., Godin E.A., Tokarev Yu.N., Mezentseva I.V., Smirnov S.S. Informatsionnyie resursyi morevedcheskih organizatsiy Kryima [Information resources of Crimean ocean-ographic institutions] / Tezisyi dokladov mezhdunarodnoy nauchnoy konferentsii «Sovre-mennoe sostoyanie i perspektivyi naraschivaniya morskogo re-sursnogo potentsiala yuga Rossii». – 2014. – P. 170–173 (In Russian).

2. Mezentseva I.V., Sovga E.E., Godin E.A., Plastun T.V. Mnogoletnyaya izmenchivost soderzhani-ya biogennyih elementov v akvatorii yaltin-skogo porta. [Long-term variability of the biogenic elements content in the Yalta port water area] // Ekologicheskaya bezopasnost pribrezhnoy i shelfovoy zon i kompleksnoe ispolzovanie resursov shelfa. – 2013. – Vol. 27. – P. 255–262 (In Russian).

3. Sovga E.E., Godin E.A., Plastun T.V., Mezentseva I.V. Otsenka gidro-himicheskogo rezhima pribrezhnyih vod Yaltinskogo zaliva. [ Estimation of hydrochemical regime in Yalta bay coastal waters] // Morskoy gidrofizicheskiy zhurnal. – 2014. – No. 3. – P. 48–59 (In Russian).

4. Sovga E.E., Kondratev S.I., Godin E.A. Slepchuk K.A. Mnogoletnyaya dinamika biogennyih elementov v pribrezhnoy akvatorii Gerakley-skogo poluostrova. [Long-term dynamics of


92

biogenic elements in the Herakleian Peninsula coastal area] // Morskoy gidrofizicheskiy zhurnal (v pechati) (In Russian).

5. Eremeev V.N., Khaliulin A.Kh., Ingerov A.V., Zhuk E.V., Godin E.A., Plastun T.V. Sovremennoe sostoyanie banka okeanograficheskih dannyih MGI NAN Ukrainyi: programmno-matemat-icheskoe obespechenie [Current state of the oceanographic data bank at MHI NAS of Ukraine: software] // Morskoy gidrofizicheskiy zhurnal. – 2014. – No. 2. – P. 54–66 (In Russian).

6. http://seadatanet.maris2.nl/v_bodc_vocab/search.asp?name=(L201)%20SeaDataNet+measurand+qualifier+flags&l=L201.

7. Eremeev V.N., Khaliulin A.Kh., Godin E.A., Ingerov A.V., Belokopyitov V.N., Zhuk E.V., Galkovskaya L.K., Isaeva E.A. Problemno-orientirovannaya geoinformatsionnaya sistema Chernogo morya / Ustoychivost i evolyutsiya okeanologicheskih harakteristik ekosistemyi Chernogo moray [Problem-oriented Black sea geoinformation system. Stability and evolution of oceanographic characteristics of the Black sea ecosystem]. – Sevastopol: EKOSI-Gidrofizika, 2012. – P. 8–31 (In Russian).

8. Zhuk E.V., Godin E.A., Ingerov A.V., Khaliulin A.Kh. Opyit razrabotki GIS Chernogo morya na osnove besplatnogo programmnogo obespecheniya. [The experience of the Black Sea GIS development on the base of free software] // Geoprofi. – 2016. – No. 2. – P. 36–39 (In Russian).

9. http://www.mapserver.org/.10. http://www.mysql.com/.

93

ГЕОМОДЕЛЬНОЕ ПРЕДСТАВЛЕНИЕ МОРСКОЙ ЭКОЛОГО-ЭКОНОМИЧЕСКОЙ СИСТЕМЫ В КОНТЕКСТЕ

ОПАСНЫХ ПРИРОДНЫХ ЯВЛЕНИЙ1

Кулыгин В.В.Институт аридных зон Южного научного центра РАН, г. Ростов-на-Дону


В начале XXI вв. в России, как и во всем мире, наблюдается рост числа ката-строф природного и техногенного характера. Наиболее распространены опасные явления в прибрежных раионах. Рост числа чрезвычаиных ситуации связан не только с увеличением антропогеннои нагрузки, но также с несовершенными подходами к обеспечению безопасности окружающеи среды и общества. Неэф-фективность отраслевых и ведомственных подходов к управлению приводит к конфликтам природопользователеи и нарастанию антропогенных угроз мор-ским экосистемам в раионах интенсивнои хозяиственнои деятельности. В то же время мировои опыт свидетельствует о необходимости системного подхода к планированию и управлению прибрежными зонами. В этои связи актуальнои проблемои является формирование интегрированнои системы управления мор-ским природопользованием, включающеи блок оценки рисков опасных природ-ных явлении для разных видов морехозяиственнои деятельности, которая могла бы обеспечить экономико-экологическую безопасность и улучшить ситуацию с формированием прогнозов и предупреждения населения [1].

Практически вся имеющаяся на сегодняшнии день информация о природных рисках морехозяиственнои деятельности в конкретных акваториях ограничива-ется оперативными прогнозами состояния мореи. Следует отметить, что в эти прогнозы обычно не входят оценки воздеиствия на береговую зону и соответ-ственно расположенную там инфраструктуру и проживающее население. Для решения практических задач предотвращения возникновения чрезвычаиных ситуации, обусловленных опасными явлениями, необходимы оценки состояния морехозяиственных систем с точки зрения их подверженности опасным явлени-ям. Целью настоящеи работы является разработка геомодельного представления подобных систем, учитывающего характер опасных явлении. Демонстрация элементов предлагаемого подхода выполнена на примере Азовского моря, в раи-оне которого представлен широкии спектр морехозяиственнои деятельности и множество опасных природных процессов.

Концепция представления и оценки рисков опасных природных явлении в геосистемах основывается на анализе определеннои площади земнои поверх-ности, подвергающеися воздеиствию совокупности опасных природных явле-

1 Исследование выполнено при финансовои поддержке РФФИ в рамках научного проекта № 16–35-60043 мол_а_дк.


94

нии. Рассматриваемая в настоящеи работе геосистема представляет собои морскую и прибрежную экосистемы с надстроенными над ними отраслевыми морехозяиственными комплексами. Содержательное объединение экосистемы и морехозяиственного комплекса в единое целое наиболее адекватно реализуется в рамках понятия морскои эколого-экономическои системы. Существенная роль пространственного фактора в подобных системах определяет необходимость построения геоинформационнои модели. Таким образом, в методологии оценки риска опасных природных явлении возникает задача определения основного элемента геомодельного представления рассматриваемои системы.

Геосистема должна делиться на единицы таким образом, чтобы они естествен-ным образом отражали пространственные особенности воздеиствия опасных природных явлении на геосистему, специфику морехозяиственнои деятельно-сти и состояние экосистемы. Каждая пространственная единица представляет собои геообъект, которыи может рассматриваться как отдельныи элемент, сло-жившиися в результате взаимодеиствия геологических, геоморфологических, океанографических, климатических и антропогенных факторов.

Каждому выделенному геообъекту ставится в соответствие ряд признаков/своиств, характеризующих морехозяиственную деятельность, осуществляемую в пределах выделенного региона, а также информация о наличии объектов, под-верженных воздеиствию опасных природных явлении. Размеры геообъектов уточняются в зависимости от детальности анализа и имеющеися информации.

Морская эколого-экономическая система пространственно представляется собои акваторию моря и береговую зону (прибрежныи участок территории). Таким образом, должно быть выполнено выделение геобъектов двух типов: участков береговои зоны и раионов акватории.

Прибрежные раионы сильно различаются по топографии, растительности, а также видами землепользования (промышленность, сельское хозяиство, рекреация и т.д.) [2]. Это, как правило, динамические среды, подвергающиеся воздеиствию морских и континентальных процессов. К факторам, влияющим на характер использования прибрежных раионов, можно отнести как непре-рывные процессы формирования прибрежного ландшафта, так и отдельные катастрофические явления.

В основу выделения пространственных единиц береговои зоны положены в первую очередь геоморфологические признаки. Для Азовского моря выделяют три основных типа берега [3]: абразионныи, абразионно-оползневои, аккумуля-тивныи тип. Абразионныи тип имеет наибольшее распространение в пределах всеи береговои зоны, кроме дельты р. Кубань. Абразионно-оползневои тип широ-ко распространен в Таганрогском заливе, особо вдоль его южного побережья и в Керченско-Таманскои области. Аккумулятивныи тип представлен в основном косами, общая протяженность аккумулятивных берегов не превышает 10 % общеи длины береговои линии [3].

Для задач настоящего исследования к указанным трем типам добавляется еще один – «антропогенныи». Он характеризует сильно измененные (в результате

95


антропогеннои деятельности) ландшафты участков берега: застроика вблизи береговои линии, наличие защитных инженерных структур и т.д. Этот тип при-урочен к крупным населенным пунктам – Таганрог, Мариуполь и т.д.

Для дальнеишеи детализации участков береговои зоны используются такие параметры как высота клифа, физико-механические своиства пород клифа, растительность на клифе, ширина и уклон пляжа, скорость абразии и др. Неко-торые из этих параметров являются динамическими и могут рассматриваться как индикаторы изменения состояния береговои зоны.

Морские раионы могут быть разделены на несколько зон в зависимости от природных условии, характера биологического разнообразия, сложившеися практики и потенциала природопользования [4].

Можно выделить три группы природных факторов, которые должны быть учтены при раионировании: гидрологическую, геохимическую и биотическую. Разнообразие ландшафтов и биоценозов моря в первую очередь зависит от гидрологического звена, связанного с материковым стоком и атмосферными процессами. Соотношение элементов водного баланса определяет изменчивость солевого режима. Процессы химического преобразования вещества, концен-трации биогенных элементов составляют сущность геохимическои группы. Сообщества планктона, отражают своиства водных масс; донные биоценозы наряду с литодинамическими процессами определяют характер подводных ландшафтов. Факторы каждои из групп отличаются высоким динамизмом, что привносит некоторую условность границам выделяемых раионов.

Учитывая реальное многообразие географических, экологических и функцио-нальных своиств морского пространства отметим необходимость учета местопо-ложения различных видов хозяиственнои деятельности. Таким образом, важным критерием раионирования морскои акватории становится определение частеи акватории (территории) в рамках процесса морского природопользования.

В качестве основных видов хозяиственнои деятельности будем рассматривать следующие:– морская транспортная инфраструктура, включая портовые сооружения;– транспортировка нефти и нефтепродуктов (включая трубопроводныи транс-

порт);– разведка и добыча нефти, газа и газоконденсата;– добыча минеральных ресурсов;– рыболовство;– добыча иных биоресурсов (водоросли, бентос);– аквакультура;– рекреация / туризм.

Определение регионов ведения конкретного вида деятельности является необ-ходимым шагом для эколого-экономическои оценки хозяиственнои деятельности в целом и определения объектов подверженных опасным явлениям в частности.

Риски опасных природных явлении сопровождают любую морскую деятель-ность. По мере освоения морских пространств и совершенствования технологии


96

относительныи вклад тех или иных факторов риска изменяется, но все они под-лежат учету [4]. Опасные явления имеют не равномерное распределение внутри исследуемого региона с точки зрения их частоты и интенсивности. Выделим следующие опасные природные явления, характерные для Азовского моря, кото-рые могут приводить к человеческим жертвам, значительному материальному ущербу и нарушению условии жизнедеятельности людеи.

Сгонно-нагонные явления. Основнои характеристикои этих явлении является уровень воды, при этом для нагона определяются отметки, превышение которых приводит к затоплению населённых пунктов, береговых сооружении и объек-тов; для сгона определяются отметки, при которых прекращается судоходство, гибнет рыба, повреждаются суда. Наиболее существенно эти опасные явления проявляются в дельтах р. Дон и р. Кубань [5–8].

Штормовое волнение. Базовыми характеристиками этого явления являются направление распространение, высота и период волн. Влияние на хозяиственную деятельность: ударное воздеиствие на морскои транспорт и нефтегазовые гидро-технические сооружения; гидродинамическое воздеиствие на берега и береговые сооружения. Согласно «Положения о порядке деиствии организации наблюда-тельнои сети Росгидромета на территории ЮФО и СКФО при угрозе возникно-вения и возникновении опасных природных гидрометеорологических явлении» для Азовского моря критическои отметкои является высота волны три метра.

Опасные ледовые явления. Эта группа явлении включает в себя: раннее ледо-образование; интенсивныи дреиф льда; появление льда, непроходимого судами и ледоколами в период навигации на судовых трассах и в раионах рыбного про-мысла; обледенение судов; навалы льда на берега и морские гидротехнические сооружения. Среди характеристик этои группы явлении выделим следующие: толщина льда, площадь ледового покрытия, продолжительность ледостава. Этот вид опасных явлении оказывает влияние на большинство видов хозяиственнои деятельности: судоходство, рыбное хозяиство, строительство на побережье, добыча нефти и газа и т.д. [9, 10].

«Цветение» водорослеи. Базовыми характеристиками этого явления являются численность и концентрация биомассы фитопланктона. Однако, учитывая отно-сительную сложность и высокую стоимость получения подобных измерении для обширных морских регионов, и тот факт, что в Азовском море концентрация хлорофилла «а» адекватно отражает сезонные и пространственные изменения биомассы фитопланктона [11], целесообразно выбрать в качестве характеристики этого опасного явления именно концентрацию хлорофилла «а». Наибольшии ущерб «цветение» может нанести в раионах рекреации, хозяиственно-бытового водоснабжения, рыбного промысла и аквакультуры.

«Заморные» явления (развитие зон дефицита растворенного кислорода). Основнои характеристикои является концентрация растворенного кислорода, при этом определяются критические уровни, приводящие к гибели гидробионтов. Наибольшее воздеиствие проявляется в раионах рыбного промысла, аквакуль-туры и рекреации.

97


Береговые опасные явления (оползни, обвалы, абразионные процессы). Основ-ное воздеиствие: разрушение берегов, береговых построек и элементов инфра-структуры. В качестве характеристики явления выбрана величина отступа берега.

Сеисмические явления (землетрясения, грязевые вулканы). В качестве харак-теристик явления используются бальные оценки интенсивности землетрясения/извержения. Возможные воздеиствия: разрушение построек и элементов инфра-структуры; образование островов, затрудняющих навигацию.

На основе значении выделенных энергетических характеристик опасных явлении определяется вероятность возникновения тои или инои ситуации в различных регионах исследуемои геосистемы, и строятся соответствующие карты опасности.

Таким образом, итоговая геомодель эколого-экономическои системы содержит как характеристики ведущеися хозяиственнои деятельности (карта подвержен-ности), так и информацию о пространственном распределении частоты и интен-сивности опасных природных явлении (карты опасности). Подготовленныи подобным образом картографическии материал сам по себе представляет интерес и облегчает процесс планирования природопользования. Вместе с тем, использо-вание этои геомодели в методике оценки интегрального риска морехозяиствен-нои деятельности в условиях возникновения совокупности опасных природных явлении позволит создать мощныи инструмент поддержки принятия решении в области управления рисками в морских эколого-экономических системах.


1. Kulygin V.V. Conceptual geoinformation model of natural hazards risk assessment [Электронныи ресурс] // EGU General Assembly. – 2016. – T. 18. – P. 7526. http: // meetin-gorganizer.copernicus.org / EGU2016 / EGU2016–7526.pdf

2. Аpхиповa О.Е., Бойко В.В., Ковалева Г.В., Москаленко В.А., Тapaсовa Т.Т. Методические подходы к оценке природных и антропогенных изменении Азово-Черноморского побережья // Информационные технологии. – 2011. – № 11. – С. 44–48.

3. Современные опасные экзогенные процессы в береговои зоне Азовского моря: монография / [Г.Г. Матишов и др.]; ред. Л.А. Беспалова – Ростов н/Д: Изд-во ЮФУ, 2015. – 324 с.

4. Денисов В.В., Ильин Г.В. Раионирование акватории как инструмент оптимизации природопользования на арктическом шельфе // Проблемы Арктики и Антарктики. – 2008ю – № 2 (79). – C. 134–144.

5. Пономаренко Е.П., Сорокина В.В., Бирюков П.А. Сгонно-нагонные явления в дельте реки Дон в 2007–2010 гг. и их прогнозирование // Вестник Южного научного центра РАН. – 2012. – Т 8ю – № 1. – С. 28–37.

6. Матишов Г.Г., Чикин А.Л., Бердников С.В., Шевердяев И.В. Экстремальное наводнение в дельте Дона (23–24 марта 2013 г.) и факторы, его определяющие // Доклады академии наукю – М.: Наука, 2014. – Т. 445. – № 3. – С. 342–345.

7. Матишов Г.Г., Бердников С.В. Экстремальное затопление дельты Дона веснои 2013 г. // Известия РАН.Серия географическая. – М.: Наука, 2015. – № 3. – С. 111–118.


98

8. Tretyakova I.A., Chikin A.L. Forecasting of dangerous Don delta flooding: preliminary results // Geoinformation Sciences and Environmental Development: New Approaches, Methods, Technologies. Collection of articles. – Rostov-on-Don: Publishing house SSC RAS, 2014. – P. 41–43.

9. Матишов Г.Г. Влияние изменчивости климатического и ледового режимов на судоходство // Вестник Россиискои академии наукю – 2008. – Т. 78. – № 10. – С. 896–902.

10. Матишов Г.Г., Чикин А.Л., Дашкевич Л.В., Кулыгин В.В., Чикина Л.Г. Ледовыи режим Азовского моря и климат в начале XXI вв. // Доклады академии наукю – 2014. – Т. 457. – № 5. – С. 603–607.

11. Студеникина Е.И., Сафронова Л.М., Губина Г.С. Содержание хлорофилла и особенности его распределения в Азовском море / Осн. проблемы рыб. хоз-ва и охраны рыбохоз. водоемов Аз.–Черномор. бассеина (1996–1997 гг.): Сб. научн. тр. АзНИИРХ. – Ростов н/Д, 1998. – С. 104–112.

99

GEOMODEL PRESENTATION OF MARINE ENVIRONMENTO-ECONOMIC SYSTEM IN THE CONTEXT OF NATURAL HAZARDS

Kulygin V.V.Institute of Arid Zones Southern Scientific Center of Russian Academy of Sciences


Abstract. At the beginning of the XXI century in Russia, as well as throughout the world, there is a growing the number of natural and man-made hazards (especially in the coastal areas). To solve practical issues to prevent emergencies caused by hazards it is necessary to obtain marine environmento-economic system state assessments in terms of their exposure to hazards. The objective of this work is developing a geomodel presentation of these systems.

Geosystem divided into units so that they naturally reflect the spatial features of the natural hazards, marine economic activities and the state of the ecosystem. There are two types of units: coastal zone stretch and parts of open water area. Each geo-unit is associated with a set of features / properties that characterize the marine economic activities related to selected unit, as well as information about the presence of exposed to natural hazards objects (elements at risk).

The following natural hazards were taken into account in the geomodel: sea surges, storm (extreme waves), extreme ice condition, algae bloom, hypoxia phenomena (oxygen depletion), shoreline erosion and landslides, seismicity and volcanism. The following marine economic activities were considered: marine transport infrastructure, including port facilities; transportation of oil and petroleum products (including pipelines); exploration and extraction of oil and gas; extraction of mineral resources; fishery; extraction of other biological resources (algae, benthic); aquaculture; recreation/tourism.

Geomodel of marine environmento-economic system includes both the characteristics of the ongoing economic activities (exposure map), and information on the spatial distribution of the frequency and magnitude of natural hazards (hazard maps).

Keywords: natural hazards, geoinformation technologies, exposure, the Sea of Azov

References

1. Kulygin V.V. Conceptual geoinformation model of natural hazards risk assessment // EGU General Assemblyю – 2016. – T. 18. – P. 7526. Available at: http://meetingorganizer.copernicus.org/EGU2016/EGU2016–7526.pdf.

2. Arkhipova O.E., Boyko V.V., Kovaleva G.V., Moskalenko V.A., Tapasova T.T. Methodological approaches to the assessment of natural and man-made changes in the Azov-Black Sea coast // Informatsionnye tekhnologii. – 2011. – No. 11. – P. 44–48 (In Russian).

3. Matishov G.G. et. al. Sovremennye opasnye ekzogennye protsessy v beregovoy zone Azovsko-go moray [Modern dangerous exogenous processes in the coastal zone of the Sea of Azov]. – Rostov-on-Don: Southern Federal University Publishers, 2015. – 324 p. (In Russian).

4. Denisov V.V., Il’in G.V. 2008. [Water areas zoning as a tool for optimization of natural resourc-es management in the Arctic shelf] Problemy Arktiki i Antarktiki. – 2008. – No. 2 (79). – P. 134–144 (In Russian).


100

5. Ponomarenko E.P., Sorokina V.V. Biryukov P.A. Wind surges in the Don river delta in 2007–2010, research and prediction // Vestnik Yuzhnogo Nauchnogo Tsentra. – 2012. – No. 8 (1). – P. 28–37 (In Russian).

6. Matishov G.G., Chikin A.L., Berdnikov S.V, Sheverdyaev I.V. Extreme flooding of the Don delta (March 23–24, 2013) and its determining factors // Proceedings of the Russian Academy of Sciences. – 2014. – No. 455 (3). – P. 342–345 (In Russian).

7. Matishov G.G., Berdnikov S.V. Extreme flooding of the Don river delta in spring 2013 // Izvestiya RAN. Seriya geograficheskaya. – 2015. – No. 1. – P. 111–118 (In Russian).

8. Tretyakova I.A., Chikin A.L. Forecasting of dangerous Don delta flooding: preliminary results // Geoinformation Sciences and Environmental Development: New Approaches, Methods, Technologies. Collection of articles. – Rostov-on-Don: Publishing house SSC RAS, 2014. – P. 41–43.

9. Matishov G.G. Effect of Changeability of Climatic and Ice Conditions on Shipping // Herald of the Russian Academy of Sciences. – 2008. – No. 78 (10). – P. 896–902 (In Russian).

10. Matishov G.G., Chikin A.L., Dashkevich L.V., Kulygin V.V., Chikina L.G. Ice regime of the Sea of Azov and climate in the beginning of the XXI century // Proceedings of the Russian Academy of Sciences. – 2014. – No. 457 (5). – P. 603–607 (In Russian).

11. Studenikina E.I., Safronova L.M., Gubina G.S. 1998. The concentration of chlorophyll and features of its distribution in the Sea of Azov / Osnovnye problemy rybnogo khozyaystva i okhrany rybokhozyaystvennykh vodoemov Azovo–Chernomorskogo basseyna (1996–1997) [The main problems of fisheries and the protection of fishery waters of the Azov-Black Sea basin (1996–1997)]. – Rostov-on-Don: AZNIIRKH, 1008. – P. 104–112 (In Russian).

101

ОПЫТ РАЗРАБОТКИ ЭЛЕКТРОННЫХ АТЛАСОВ НА ПРИМЕРЕ ИНТЕРНЕТ-ВЕРСИИ АТЛАСА

КЛИМАТИЧЕСКИХ ИЗМЕНЕНИЙ В БОЛЬШИХ МОРСКИХ ЭКОСИСТЕМАХ СЕВЕРНОГО ПОЛУШАРИЯ

Лычагина Ю.М.Институт аридных зон ЮНЦ РАН, г. Ростов-на-Дону


Использование современных методов получения, обработки и визуализации пространственных данных позволяет в значительнои степени облегчить и уско-рить процесс принятия решении на различных административных уровнях. Возможность оперативных исследовании напрямую зависит от доступности и полноты информации о состоянии исследуемых территории. Для научного сообщества основным средством получения информации постепенно становится интернет, которыи предлагает новые, несоизмеримо более продуктивные формы сообщения информации читателю, чем печатные публикации.

Применение современных информационных технологии, а именно Web-публи кация – позволяет обеспечить доступ к представляемои информации широкому кругу пользователеи через сеть Интернет и популяризирует дости-жения ученых как у нас в стране, так и за ее пределами. Публикация в интернет позволяет авторам непрерывно развивать, дополнять и совершенствовать свою работу, становится аналогом динамичного интернет-портала в несколько умень-шенном масштабе [1].

Исследованию климатических изменении, которое является однои из наи-более актуальных проблем, посвящено большое число книг и статеи. Ряд фун-даментальных работ представлен в виде научно-справочных пособии и атласов, которые широко используются для решения научных и прикладных задач [2–7].

В 2014 году был опубликован «Атлас климатических изменении в Больших морских экосистемах Северного полушария (1878–2013)» (далее Атлас), создан-ныи Южным научным центром РАН совместно с Национальным управлением океанических и атмосферных исследовании США (NOAA), ММБИ КНЦ РАН и НПК «Моринфо» [8–10].

Атлас содержит первичные океанографические данные с 1878 по 2013 гг. по большим морским экосистемам Арктических мореи восточного полушария (Баренцево, включая Белое, Карское, Лаптевых, Восточно-Сибирское, Чукотское моря), Чёрного, включая Азовское, и Каспииского мореи.

К печатнои публикации прилагается электронное приложение на DVD диске, где помимо первичных океанографических данных представлены результаты их обработки для выявления климатическои изменчивости гидрологических про-цессов в Арктике и в южном регионе; сезонные климатические карты вертикаль-ного распределения температуры и солёности вод для ключевых гидрологических


102

разрезов Баренцева, Чёрного, Азовского и Каспииского мореи; временные серии аномалии температуры и солёности вод для каждого месяца каждого года или характерного периода; впервые представлены карты рыбного промысла Барен-цева моря; сведения о многолетнеи изменчивости ледового режима Баренцева, Азовского и Каспииского мореи.

Учитывая климатические изменения, происходящие во всем Северном полушарии, Атлас является своевременным и необходимым инструментом для учёных, исследующих природные и социальные явления, и администраторов, связанных с управлением морскими ресурсами, поддерживающих глобальное движение и стремление к устоичивому развитию больших морских экосистем мира [10].

К сожалению, Атлас, и соответственно, приложение на DVD диске, были изда-ны небольшим тиражом в 100 экземпляров, что не может обеспечить данными всех возможных заинтересованных лиц.

В настоящее время в ЮНЦ РАН выполняются работы по созданию Web-саита – электроннои версии «Атласа климатических изменении в Больших морских экосистемах Северного полушария (1878–2013)» (рис. 1). Электронныи атлас предназначен для широкого круга пользователеи, имеющих разныи уровень образовательнои и профессиональнои подготовки, и предполагает свободныи доступ кпервичным океанографическим данным и результатам их обработки, картографическим и тематическим материалам, содержащимся в печатнои публикации Атласа с приложением на DVD[11].

Прототипом Web-публикации послужила интернет-версия Климатического атласа Азовского моря 2008, с которои можно ознакомиться по адресу [6].

Для создания саита Атласа использован стандартныи язык разметки доку-ментов во Всемирнои паутине, а именно его актуальная версия HTML 5 (англ. HyperText Markup Language, version 5), поддерживаемая большинством совре-менных браузеров.

Публикация Атласа в Интернет предполагает несколько этапов и постановки соответствующих задач:– определение содержания (контентасаита). Саит должен предоставить сво-

бодныи доступ к первичным океанографическим данным и результатам их обработки, картографическим и тематическим материалам, содержащимся в «бумажнои» версии Атласаи электроннои на DVD;

– разработка оформления саита (дизаина). Качество (уровень) оформления саи-та – это первое с чего начинают его оценку пользователи. Кроме аккуратного исполнения, существует ещё множество правил, которые необходимо учи-тывать.Для реализации задуманных стилеи применяют CSS (англ. Cascading Style Sheets – каскадные таблицы стилеи) – средство описания, оформления внешнего вида веб-страниц, написанных с помощью языка разметки;

– разработка карты саита – в соответствии с неи пользователь должен легко понимать специфику навигации саита и его структуру, при этом важно учесть не только разделы саита, но и удобство работы с каждои его страницеи;

103


Рис.

1. Гл

авна

я ст

рани

ца и

нтер

нет

-вер

сии

«Ат

ласа

кли

мат

ичес

ких

изме

нени

й в

Боль

ших

мор

ских

экос

ист

емах

Се

верн

ого

полу

шар

ия (1

878–

2013

)»


104

– так как в мире существуют различные браузеры и множество их версии, у пользователеи разные размеры мониторов и разное разрешение экранов, есть различные кодировки текста и разные шрифты, саит должен содержать код и программные решения для устранения возможных ошибок. Кроме того, реализация обращения пользователеи к массиву представленных данных предполагает наличие обработчиков возможных запросов и визуализацию их результатов;

– обновление и пополнение содержимого саита;– размещение саита в интернет, индексация и продвижение.

На данном этапе работ завершено проектирование структуры саита с опреде-лением его основных разделов. Саит представляет собои визуализацию океаногра-фическои базы данных по большим морским экосистемам северного полушария (Баренцево, включая Белое, Карское, Лаптевых, Восточно-Сибирское, Чукотское, Чёрное, Азовское, и Каспииское моря) в период с 1878по 2013 гг. Наполнение (контент) саита – данные электроннои версии атласа на DVD и включает в себя:– общую характеристику океанографическои базы данных, ссылки на источ-

ники получения информации, обсуждение форматов хранения и процедур контроля качества исторических и современных экспедиционных данных, методов их обработки;

– описание баз данных для арктического и южного регионов, соответственно. Для каждого моря рассмотрены присущие ему особенности распределения станции, представленных в базе данных.На сегодняшнии день наполнены разделы саита по Южным морям. Пользо-

ватели могут получить инвентаризационные данные о распределении станции в каждом месяце каждого года за период с 1891 по 2012 годы в виде готовои кар-тосхемы или скачать первичные данные в различных форматах для их дальнеи-шеи обработки. Реализована возможность просмотра сезонных климатических карт вертикального распределения температуры и солёности вод для ключевых гидрологических разрезов, временных серии аномалии температуры и солёности вод для каждого месяца каждого года или характерного периода, сведении о мно-голетнеи изменчивости ледового режима по наблюдениям береговых станции.

Появление в планктоне южных мореи видов-вселенцев, развитие современ-ных представлении о роли микрогетеротрофнои компоненты в цикле углерода в морях, а также проведение подспутниковых наблюдении за концентрациеи хлорофилла-А [12] привело к расширению состава измеряемых параметров и дополнению базы данных сведениями по желетелому планктону, микрозоо-планктону, пико- и нанофитопланктону, концентрации хлорофилла-А. Поэтому в Атласе опубликован раздел «База данных по планктону южных мореи», где представлены краткие характеристики методик отбора и обработки проб по различным группам планктона (микрофитопланктон, пико- и нанопланктон, микрозоопланктон, сетнои зоопланктон, желетелыи планктон), а также сведе-ния по полноте изученности отдельных групп планктона в рассматриваемыи период.

105


В настоящее время в интернет по адресу http://atlas.ssc-ras.ru/ (http://atlas.iaz.ssc-ras.ru/) размещен прототип саита «Атлас климатических изменении в Больших морских экосистемах Северного полушария» на русском языке, про-водится дальнеишее наполнение его информационными ресурсами карт и дан-ных. Параллельно ведутся работы по размещению в интернет прототипа саита Atlas of Climatic Changes in Large Marine Ecosystems of the Northern Hemisphere (1878–2013) – на англииском языке по адресу http://atlas.ssc-ras.net / (http://atlas.iaz.ssc-ras.net/).


1. Горбунов-Посадов М.М. Жизненныи путь научнои публикации // Информационные технологии и вычислительные системы. – 2014. – № 4. – С. 79–88. – URL: http://keldysh.ru/gorbunov/duty.htm.

2. Climatic atlas of the Barents Sea 1998: Temperature, salinity, oxygen / G. Matishov, A. Zyev, V. Golubev et al. NOAA Atlas NESDIS 26. – Wash., D.C.: U.S. Government Printing Office, 1998. – 144 p.

3. Matishov G., Makarevich P., Timofeev S., Kuznetsov L., Druzhkov N., Larionov V., Golubev V., Zuyev A., Adrov N., Denisov V., Iliyn G., Kuznetsov A., Denisenko S., Savinov V., Shavikyn A., Smolyar I., Levitus S., O’Brien T., Baranova O. Biological Atlas of the Arctic Biological Atlas of the Arctic Seas 2000: Plankton of the Barents and Kara Seas / NOAA Atlas NESDIS 39. – Washington, D.C.: U.S. Government Printing Office, 2000. – 350 p. CD Disk.

4. Climatic atlas of the Arctic Seas 2004 / G.Matishov, D.A.Zuyev, V.Golubev et al. NOAA Atlas NESDIS 58. World Data Center for Oceanography-Silver Spring, International Ocean Atlas and Information Series. – V. 9. – Wash., D.C.: U.S. Government Printing Office, 2004. – 148 p. CD-ROM.

5. Climatic Atlas of the Sea of Azov 2006: NOAA Atlas NESDIS 59 / G.Matishov, D.Matishov, Yu.Gargopa et al. World Data Center for Oceanography-Silver Spring, Inter-national Ocean Atlas and Information Series. – V. 10. – Wash., D.C.: U.S. Government Printing Office, 2006. – 105 p. CD-ROM.

6. Climatic Atlas of the Sea of Azov 2008 / G. Matishov, D. Matishov, G. Gargopa et al. World Data Center for Oceanography-Silver Spring, International Ocean Atlas and Information Series, V. 11, NOAA Atlas NESDIS 65. – Wash., D.C.: U.S. Government Printing Office, 2009. – 148 p. CD-ROM.— URL: https: // www.nodc.noaa.gov / OC5 / AZOV2008 / start.html

7. Luchin V., Kruts A., Sokolov O., Rostov V., Rudykh N., Perunova T., Zolotukhin E., Pischalnik V., Romeiko L., Hramushin V., Shustin V., Udens Y., Baranova O., Smolyar I., Yarosh E. Climatic Atlas of the North Pacific Seas 2009: Bering Sea, Sea of Okhotsk, and Sea of Japan / V. Aku-lichev, Yu. Volkov, V. Sapozhnikov, S. Levitus, Eds. NOAA Atlas NESDIS 67. – Wash., D.C.: U.S. Gov. Printing Office, 2009. – 380 p. CD Disc.

8. Матишов Г.Г., Моисеев Д.В., Бердников С.В., Кулыгин В.В., Яицкая Н.А., Шишкина А.В. Совместные подходы ММБИ, ЮНЦ и Лаборатории климата океана НОАА (США) к организации океанографических и гидробиологических баз данных арктических и южных мореи России // Труды Кольского научного центра РАН. Океанология. – Вып. 1. – 2013. – С. 135–152.


106

9. Филатов Н.Н., Толстиков А.В., Богданова М.С., ЛитвиненкоА.В., Меншуткин В.В. Соз-дание информационнои системы и электронного атласа по состоянию и использованию ресурсов Белого моря и его водосбора // Арктика: экология и экономика. – 2014. – № 3 (15). – С. 18–29.

10. Атлас климатических изменении в больших морских экосистемах Северного полу-шария (1878–2013). Регион 1. Моря Восточнои Арктики. Регион 2. Чёрное, Азовское и Каспииское моря / Г.Г. Матишов, С.В. Бердников, А.П. Жичкин [и др.]. – Ростов н/Д: Изд-во ЮНЦ РАН, 2014. – 256 с.

11. Lychagina Y.M., Yaitskaya N.A., Berdnikov S.V. Development of the online version of the «Atlas of climatic changes in large marine ecosystems of the northern hemisphere» // Гео-информационные науки и прогнозирование экстремальных явлении: Сб. статеи III Междунар. науч. конфер. – Southern Scientific Centre of RAS Institute of Arid Zones SSC RAS. – 2015. – С. 85–100.

12. Матишов Г.Г., Поважный В.В., Бердников С.В., Мозес В.Дж., Гительсон А.А. Оценки кон-центрации хлорофилла а и первичнои продукции в Азовском море с использованием спутниковых данных // Доклады академии наук. – 2010. – Т. 432. – № 4. – С. 563–566.

107

EXPERIENCE OF THE DEVELOPMENT OF ELECTRONIC ATLASES ON THE EXAMPLE DEVELOPMENT OF ONLINE VERSION

OF THE ATLAS OF CLIMATIC CHANGES IN LARGE MARINE ECOSYSTEMS OF THE NORTHERN HEMISPHERE

Lychagina Y.M.Institute of Arid Zones, Southern Scientific Center of Russian Academy of Sciences,

Rostov-on-Don, e-mail:[email protected]

Abstract. The use of modern information technologies, particularly Web-publishing – allows to get access to the information provided by a wide range of users over the Internet and promotes the achievements of scientists both in our country and abroad.

There are a large number of books and articles devoted to the study of climate changes. A number of fundamental works presented as a scientific reference books and atlases, which are widely used for solving scientific and applied problems.One of them – the «Atlas of Climatic Changes in Large Marine Ecosystems (LMEs) of the Northern Hemisphere (1878–2013)» was published in 2014.

Nowadays, SSC RAS is working on the creation of Web-site – the electronic version of this Atlas , intended for a wide range of users with different levels of educational and professional training and involved free access to primary oceanographic data and the results of their processing, cartographic and thematic material presented in a printed publication of the Atlas.

Keywords: electronic atlas, climate, large marine ecosystems (LMEs), the Northern Hemisphere.

References

1. Gorbunov-Posadov M.M. The life of a scientific publication // Information technologies and computer systems. – 2014. – No. 4. – P. 79–88. – URL: http://keldysh.ru/gorbunov/duty.htm (In Russian).

2. Climatic atlas of the Barents Sea 1998: Temperature, salinity, oxygen / G. Matishov, A. Zyev, V. Golubev et al. NOAA Atlas NESDIS 26. – Wash., D.C.: U.S. Government Printing Office, 1998. – 144 p. (In English).

3. Matishov G., Makarevich P., Timofeev S., Kuznetsov L., Druzhkov N., Larionov V., Golubev V., Zuyev A., Adrov N., Denisov V., Iliyn G., Kuznetsov A., Denisenko S., Savinov V., Shavikyn A., Smolyar I., Levitus S., O’Brien T., Baranova O. Biological Atlas of the Arctic Biological Atlas of the Arctic Seas 2000: Plankton of the Barents and Kara Seas / NOAA Atlas NESDIS 39. – Washington, D.C.: U.S. Government Printing Office, 2000. – 350 p. CD Disk (In English).

4. Climatic atlas of the Arctic Seas 2004 / G. Matishov, D.A. Zuyev, V. Golubev et al. NOAA Atlas NESDIS 58. World Data Center for Oceanography-Silver Spring, International Ocean Atlas and Information Series. – V. 9. – Wash., D.C.: U.S. Government Printing Office, 2004. – 148 p. CD-ROM (In English).

5. Climatic Atlas of the Sea of Azov 2006: NOAA Atlas NESDIS 59 / G.Matishov, D.Matishov, Yu.Gargopa et al. World Data Center for Oceanography-Silver Spring, Inter-national Ocean Atlas and Information Series. – V. 10. – Wash., D.C.: U.S. Government Printing Office, 2006. – 105 p. CD-ROM (In English).


108

6. Climatic Atlas of the Sea of Azov 2008 / G.Matishov, D.Matishov, G.Gargopa et al. World Data Center for Oceanography-Silver Spring, International Ocean Atlas and Information Series, V. 11, NOAA Atlas NESDIS 65. – Wash., D.C.: U.S. Government Printing Office, 2009. – 148 p. CD-ROM.— URL: https://www.nodc.noaa.gov/OC5/AZOV2008/start.html (In English).

7. Luchin V., Kruts A., Sokolov O., Rostov V., Rudykh N., Perunova T., Zolotukhin E., Pischalnik V., Romeiko L., Hramushin V., Shustin V., Udens Y., Baranova O., Smolyar I., Yarosh E. Climatic Atlas of the North Pacific Seas 2009: Bering Sea, Sea of Okhotsk, and Sea of Japan / V. Aku-lichev, Yu. Volkov, V. Sapozhnikov, S. Levitus, Eds. NOAA Atlas NESDIS 67. – Wash., D.C.: U.S. Gov. Printing Office, 2009. – 380 p. CD Disc (In English).

8. Matishov G.G., Moiseev D.V., Berdnikov S.V., Kulygin V.V., Yaitskaya N.A., Shishkina A.V. Participatory approaches MMBI, SSC and Ocean Climate Laboratory of NOAA (US) for the organization of oceanographic and hydrobiological database of arctic and southern seas of Russia // Proceedings of the Kola Science Centre. Oceanology. – 2013. – Vol. 1. – P. 135–152 (In Russian).

9. Filatov N.N., Tolstikov A.V., Bogdanova M.S. Litvinenko A.V., Menshutkin V.V. Creation of an information system and an electronic atlas on the status and use of the resources of the White Sea and its catchment // Arctic: ecology and economy. – 2014. – № 3 (15). – P. 18–29 (In Russian).

10. Atlas of Climatic Changes in Nine Large Marine Ecosystems of the Northern Hemisphere (1827–2013). Region 1. Seas of the Eastern Arctic. Region 2. Black, Azov and Caspian Sea / Matishov, G.G., Berdnikov, S.V., Zhichkin, A.P. [etc.]. – Rostov-on-Don: SSC RAS, 2014. – 256 p. (In Russian).

11. Lychagina Y.M., Yaitskaya N.A., Berdnikov S.V. Development of the online version of the «Atlas of climatic changes in large marine ecosystems of the northern hemisphere» // Geographic information science and forecasting of extreme events. Collection of articles of the III Inter-national Scientific Conference.Southern Scientific Centre of RAS Institute of Arid Zones SSC RAS. – 2015. – С. 85–100 (In English).

12. Matishov G.G., Povazhnyi V.V., Berdnikov S.V., Moses V.J., Gitelson A.A. Estimates of the concentration of chlorophyll a and primary production in the Sea of Azov with the use of satellite data // Reports of the Academy of Sciences. – 2010. – Vol. 432. – No. 4. – P. 563–566 (In Russian).

109

МЕТОД ПРЕДСТАВЛЕНИЯ ГЕОПРОСТРАНСТВЕННЫХ ДАННЫХ В СОВРЕМЕННЫХ ГИС

Маурин Д.И.АО «НИИ ТП», г. Москва


На сегодняшнии день геоинформационные системы (ГИС)широко исполь-зуются во многих областях человеческои деятельности в качестве интегратора различнои геопространственнои информации для отображения и анализа территории, объектов и процессов. Существует большое разнообразие коорди-нированных данных и информации, которые могут применяться в подобных системах, такие как: растровые изображения и снимки местности, векторные картографические данные, облака точек измерении и фотограмметрических построении, разнообразные трехмерные (3D) модели и т.д., получаемые и соз-даваемые с применением множества технологии (геодезические измерения, дис-танционное зондирование, геопространственное моделирование и т.п.).Поток геоинформации увеличивается постоянно, что обуславливается разработкои новых и совершенствованием различных систем её получения. Поэтому очень актуальным остаётся вопрос оперативного и быстрого отображения и работы с такими данными, в том числе и с глобальными растровыми покрытиями поверхности Земного шара. В связи с этим требуется поиск и разработка новых эффективных решении в даннои области.

В ходе наших исследовании по разработке средства визуализации глобальных бесшовных растровых покрытии были апробированы как классические методы оперирования с растровыми данными, так и с изображениями в таиловом пред-ставлении. Результатом стала разработка нового формата для представления глобальных растровых покрытии. В даннои статье будут рассмотрены некоторые недостатки существующих растровых форматов представления геоинформации, а также предложен новыи метод.

Растровые данные, как правило, занимают большие объёмы дискового про-странства. В контексте глобальных покрытии растровые изображения могут занимать Терабаиты и Петабаиты информации на жёстком диске. Кроме того, информация, представляемая в ГИС, чаще всего является систематически используемои, в связи с этим не целесообразно хранить такие геоданные с при-менением технологии архивации, например, с постоянным копированием на ленточные библиотеки, т.к. время загрузки при отображении будет неприемлемо для пользователя.

В рамках экспериментов по разработке средства визуализации глобальных бесшовных растровых покрытии рассматривались наиболее распространённые растровые форматы геоданных:GeoTIFF,RSW, MrSID, IMG.Некоторые из них имеют возможность представления данных в виде мультимасштабнои пирамиды,


110

такая возможность позволяет увеличить скорость отображения и кэширова-ния информации, что на порядок увеличивает удобство её использования [1].Пирамидные слои для набора растровых данных необходимо построить только один раз; после этого, они используются всякии раз при просмотре набора. Чем больше набор растровых данных, тем больше времени требуется для построения пирамидных слоёв. Однако это означает, что оператор сэкономит больше времени в дальнеишем, при выполнении анализа и различных преобразовании требую-щих постоянного отображения. Несомненно, применение пирамид увеличивает рентабельность процесса работы с геоданными на локальных вычислительных мощностях, отдельных рабочих станциях и компьютерах. Но реалии сегодняшнего дня зачастую диктуют необходимость использования Веб-технологии [2, 3], в том числе для просмотра и анализа огромных массивов растровои геоинформации.

При распределённом использовании геоданных возникает необходимость многократных одновременных обращении к одним и тем же фаилам. В рамках проводимых исследовании в основном фигурировали растровые изображения площадью от 400 кв.км, объёмом от 5Гб. Многопользовательское использование такого массива является затруднительным, т.к. в момент нескольких обращении к одному физическому фаилу возникает линеиная очередь, в следствии чего клиенты (конечные пользователи геоинформации) вынуждены долго ожидать ответа на свои запрос, что выражается в очень медленном отображении рас-тровых изображении на экранах их рабочих мест.

Итак, в ходе разработки средств визуализации глобальных покрытии данных ДЗЗ были выявлены следующие недостатки классических растровых форматов:• необходимость выделения внушительных объёмов хранилищ для хранения

растровых данных;• неизбежные потери производительности при многопользовательском режиме

использования растров;• неоптимизированное использование ресурсов вычислительнои техники при

использовании растровых изображении на обширные участки местности, к примеру, при открытии изображения площадью равнои площади карты масштаба 1:100000 в стандартных средствах используется огромное количе-ство оперативнои памяти.В связи с чем при разработке средства визуализации глобальных растровых

покрытии было принято решение о предварительнои подготовке данных в таило-вом (плиточном) формате. Наиболее универсальным решением на сегодняшнии день здесь является использование спецификации TileMapService.

TMS (TileMapService) – сервис доступа к хранилищам таилов (плиток). Разрабо-тан OpenSourceGeospatialFoundation (OSGeo) и является открытои спецификациеи сервиса доступа к картам и растровым данным в плиточном представлении [4]. TMS-сервис может функционировать в одном из двух режимов – статическом и динамическом. В первом случае это не что иное, как просто набор фаилов, организованных определённым образом в фаиловои системе, так называемыи «таиловыи кэш». При запросе конкретного таила HTTP-сервер (для примера

111


Apache или nginx) самостоятельно переводит запрашиваемыи URL в физическое расположение таила в фаиловои системе и возвращает клиенту нужныи таил [5].

Представление растровых данных в таиловом формате позволяет избежать перечисленные ранее проблемы. Растровое изображение«разрезанное» на маленькие кусочки одинакового размера позволяет обращаться только к тои его части, которая непосредственно отображается на экране в данныи момент. Таким образом, повышается оптимизация обращении к ресурсам в каждыи момент времени работы с растровыми данными, в то же время, таилы имеют мультимасштабную пирамиду. Плитки, представленные в формате PNG,имеют преимущества относительно описанных выше форматов, т.к. в PNG применя-ются оптимизированные алгоритмы сжатия и во многих случаях это может дать ощутимыи прирост в части экономии объёмов хранимои информации.

Несмотря на явные преимущества плиточного представления растровых данных, такои подход всё же не является «панацееи». Возникает ряд проблем, связанных с неэффективным расходованием дискового пространства, большим количеством узлов, хранимых в однои директории, дублированием данных, при-чём перечисленные проблемы являются актуальными как для операционных систем Windows,так и дляUNIX-систем.

Для создания эффективного хранилища таиловых данных придётся выпол-нить ряд следующих условии:• обеспечить эффективное расходование дискового пространства, чего можно

достичь уменьшением размера блока блочнои фаиловои системы;• обеспечить поддержку большого количества фаилов и директории;• обеспечить максимально быструю отдачу таилов по запросу;• исключить дублирование таилов [6].

Из описанных условии очевидно, что такое решение не может быть универ-сальным и требует специального комплексного подхода. Добиться, в некоторои степени, универсальности удалось с помощью технологии, которая недавно получила известность, но к настоящему моменту не приобрела должнои попу-лярности. В рамках исследовании был применён схожии, но переработанныи подход кластеризации таилов MBTiles.

MBTiles – формат хранения таилов в SQLite базе данных для непосредствен-ного использования и передачи [7]. Но если данныи формат поддерживает парадигму представления геоданных в слоях, то разработанныи нами формат создавался специально для глобальных покрытии и поддерживает специфику представления огромных покрытии в едином слое. В следствии актуальности задач, связанных с глобальными покрытиями растровых данных, разработанныи формат обладает следующими преимуществами:• подобныи формат данных позволяет переносить тысячи, сотни тысяч и даже

миллионы таилов в одном фаиле; • скорость отдачи MBTiles выше, чем скорость отдачи миллионов отдельных

таилов, при загрузке на USB, мобильные устроиства, или при передаче по сети;


112

• таилы хранятся как BLOB (BinaryLargeOBjects – формат хранения больших обьемов двоичных данных), следовательно, могут быть использованы в боль-шинстве SQLite клиентах;

• формат является кластерным и способен описывать безграничные площади растровых данных;

• благодаря кластеризации удалось достичь удобства в импорте, экспорте и комплексировании данных [8].Далее разработанныи формат представлен более подробно.Разработанныи таиловыи формат является контеинерным с прямым доступом

для хранения глобальных геопространственных данных, представленных в пли-точном виде, в единои системе координат и в единои проекции для быстрого их использования и передачи. Данные в этом формате представлены единои гло-бальнои пирамидои плиток, разложеннои по контеинерам. Каждыи контеинер содержит свои участок мультимасштабных данных. При этом все контеинеры подчиняются единым правилам адресации плиток в едином глобальном коорди-натном пространстве. Геопространственная информация соседних контеинеров может «бесшовно» стыковаться между собои. Дополнительно может создаваться контеинер с обзорными масштабами. В основе единои глобальнои пирамиды плиток лежит цилиндрическая равнопромежуточная проекция земнои поверх-ности на плоскость (EPSG:4326, рис. 1). Все линии сетки пересекаются под пря-мым углом. Стандартнои параллелью является экватор. Ячеики координатнои сетки представляют собои идеальные квадраты, полюса представлены прямыми горизонтальными линиями сверху и снизу.

Рис. 1. Отображение Земли в цилиндрической равнопромежуточной проекции

Поскольку ячеики координатнои сетки представляют собои квадраты, с севера на юг охватывается 180°, а с запада на восток – 360°, проекция по ширине ровно в 2 раза больше, чем по высоте. Таким образом, можно построить пирамиду дан-нои проекции на основе двух квадродеревьев (рис. 2), используя на начальном

113


уровне 2 квадрата по горизонтали: первыи для западного полушария и второи – для восточного.

Размер начального масштабного уровня глобальнои пирамиды – 512×256 пик-селеи (2 плитки, каждая размером 256×256 пикселеи). Разрешение пикселя плиток одного масштабного уровня по широте (вертикали) постоянное, а по долготе (горизонтали) зависит от широты. Разрешение может быть вычислено по формуле:

Разрешение = cos ({широта})× {радиус Земли} / {ширина масштабного уровня в пикселях}

Единое глобальное координатное пространство представлено единои пира-мидои плиток, построение которои соответствует профилю global-geodetic из спецификации TileMapServiceс началом отсчёта координат в верхнем левом углу [9]. Нормальная цилиндрическая равнопромежуточная проекция земнои поверхности на плоскость (EPSG:4326) разделена на 2 048 частеи по долготе и на 1 024 части по широте. Данные получившихся квадратов со сторонами 10,546875 минут по широте и столько же по долготе упакованы в контеинеры (соответствует 10 уровню представления из спецификации TileMapService). Каж-дыи контеинер имеет свою мультимасштабную пирамиду на заданныи квадрат.

Рис. 2. Схема формирования начальных уровней единой

глобальной пирамиды плиток


114

Благодаря кластеризации удалось избежать проблему, актуальную для таи-ловых покрытии на большие площади местности – перенос данных. Дело в том, что при копировании большого числа маленьких элементов возникает ситуация, когда времени для отзыва жёсткого диска на команду копирования требуется больше, чем на само копирование. К примеру, в таблице приведены результаты эксперимента по переносу данных: сходныи фаил в формате TIF был преобра-зован в форматы: RSW, JPEG, классическое таиловое представление, кластерныи формат данных, затем данные были скопированы на внешнии жёсткии диск SSD по средствам интерфеиса USB 3.0.

Таблица 1Временные показатели переноса данных в разных форматах

№ Формат фаила Размер фаила (Мб)

Время копирования через USB 3.0

(сек)1 TIF 540 14.72 RSW 620 17.33 JPEG 170 6.1

4 Таиловая нарезка в проекции EPSG:4326 750 134.8

5 Разработанныи формат данных 580 16.8

В ходе исследовании и апробации было выявлено, что применение разрабо-танного формата не решает проблему хранения больших объёмов растровых данных, изменения объёма информации в сравнении с классическим представ-лением данных колеблется от -20 % до +20 %. Но в остальном формат обладает рядом преимуществ, которые можно выделить в два основных блока.

Достоинства относительно классического представления растровых данных:• оптимизация использования изображения: скорость отображения таилов

превосходит скорость отображения классических растров на порядки;• возможность использования таилов в многопользовательском режиме с мини-

мальными затратами.Достоинства относительно таилового представления в стандартном виде:

• возможность работы с миллионами таилов как с единым фаилом;• отсутствие необходимости использовать специализированные таиловые

хранилища;• позволяет избежать дублирования таилов.

Таким образом, удалось совместить практически все преимущества растровых и таиловых форматов и при этом избавиться от недостатков. Достижение таких результатов стало возможно благодаря мониторингу мирового опыта, а также использованию опыта специалистов компании, накопленного за годы работы с данными дистанционного зондирования.

115



1. Титов С.С., Вдовин А.И. О методике создания растровых мультимасштабных ГИС для широкого круга пользователеи на основе цифровых топографических карт (ЦТК). – Минусинск: ВЕАГП, 2011.

2. Трубина Л.К. Геоинформационные системы. Учебное пособие – Новосибирск: СГГА, 2012. – С. 15.

3. Ананьев Ю.С. Геоинформационные системы. Учебное пособие – Томск: ТПУ, 2003. – С. 52.

4. Open Source Geospatial Foundation (OSGeo) / Электронныиресурс: https://en.wikipedia.org / wiki / Open_Source_Geospatial_Foundation.

5. Основы работы динамических TMS-сервисов / Электронныи ресурс: http://gis-lab.info/qa/dynamic-tms.html.

6. О дублировании таилов веб-карт / Электронныи ресурс: https://habrahabr.ru/post/265807/.

7. Спецификация MBTiles / Электронныи ресурс: http://gis-lab.info/qa/mbtiles-spec.html.8. Расширенные возможности MBTiles / Электронныи ресурс: https://habrahabr.ru/

post/122376/.9. The Global Geodetic Observing System (GGOS) / Электронныиресурс: http://www.ggos.

org.

116

METHOD OF PRESENTATION THE GEOSPATIAL DATA IN MODERN GIS

Maurin D.I.«NIITP»Moscow


Abstract. This article describes the results of raster data format development. During the research, the new format of raster data was developed. This allows real time storing gand using in real time. There is no need to decompress tiled image representation and associated topological features. Format suitable for use in modern GIS.

Keywords: GIS, ERS, the raster data format, the data format of a tile, seamless geospatial coverage.

References

1. Titov S.S., Vdovin A.I. O metodikesozdaniiarastrovy`khmul`timasshtabny`kh GIS dliashi-rokogokrugapol`zovatelei` naosnovetcifrovy`khtopograficheskikh kart: article. – Minusinsk: VEAGP, 2011.

2. Trubina L.K. GIS.Tutorial – Novosibirsk: SGGA, 2012 – P. 15.3. Ananèv Iu.S. GIS. Tutorial – Tomsk: TPU, 2003 – P. 52.4. Open Source Geospatial Foundation (OSGeo) / Electronic resourse: https:// n.wikipedia.org/

wiki/Open_Source_Geospatial_Foundation. 5. TMS-servises / Electronic resourse: http://gis-lab.info/qa/dynamic-tms.html.6. O dublirovaniitai`lov / Electronic resourse: https://habrahabr.ru/post/265807/. 7. MBTiles specification / Electronic resourse: http://gis-lab.info/qa/mbtiles-spec.html.8. Rasshirennyèvozmozhnosti MBTiles / Electronic resourse: https://habrahabr.ru/post/122376/.9. The Global Geodetic Observing System (GGOS) / Electronic resourse: http://www.ggos.org.

117

ГЕОИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ В АНАЛИЗЕ ГОРОДСКОГО ЗЕМЛЕПОЛЬЗОВАНИЯ

Петкова Н.В., Ушканова Е.В.Южный федеральный университет, г. Ростов-на-Дону


В связи с актуальностью повышения эффективности использования город-ских земельных ресурсов возникает необходимость развития и реконструкции городских территории в целях совершенствования существующеи планировоч-нои структуры городов и улучшения условии проживания населения. Эффектив-ное использование дорогих городских земель в процессе реконструкции может достигаться путем преобразования внутриквартального пространства с учетом правил землепользования и застроики городских поселении. В отличие от Гене-рального плана территории правила землепользования и застроики более точно детализируют, какие участки можно застраивать, а какие – нет, и что конкретно можно строить на даннои территории. Повышение плотности жилои застроики, снос и замены ветхих построек, увеличение этажности здании, обустроиство пустующих территории, модернизация объектов транспортнои инфраструктуры и многие другие градостроительные мероприятия способствуют более рацио-нальному использованию городского пространства.

Развитие застроенных территории осуществляется в границах элемента планировочнои структуры (квартала, микрораиона) или его части, в границах смежных элементов планировочнои структуры или их частеи. Если в отношении застроеннои территории не утверждены правила землепользования и застрои-ки, процедура развития застроенных территории не может быть реализована в отношении такого квартала или микрораиона.

Таким образом, благодаря обязательному условию о наличии градострои-тельного регламента обеспечивается устоичивое развитие территории, инже-нернои, транспортнои и социальнои инфраструктур, а также обеспечение учета интересов граждан и их объединении, муниципальных образовании, субъектов РФ, исходя из совокупности социальных, экономических, экологических и иных факторов.

Исходя из сказанного, можно отметить несколько основных, тесно связанных между собои аспектов реконструкции городскои территории:– упорядочение городскои территории;– модернизация застроики;– охрана и реставрация памятников историко-архитектурного наследия;– развитие социальных, общественных институтов городскои среды.

В процессе градостроительного проектирования однои из важнеиших задач является размещение градостроительных объектов. Сложность решения даннои задачи состоит в том, что один и тот же участок городскои территории может


118

быть использован для размещения объектов с различными функциями: жилых, производственных здании, мест отдыха, учреждении обслуживания и других объектов. Возникает многовариантность планов размещения объектов на терри-тории города и, как следствие, необходимость всестороннего анализа большого числа вариантов планирования. Проблемы выбора оптимального варианта реша-ются методами комплекснои градостроительнои оценки территории. При этом возникают такие задачи, решение которых в настоящии момент невозможно без привлечения технологии автоматизированного проектирования и геоинформа-ционного анализа.

Геоинформационные системы (ГИС) располагают широкими возможно-стями для цифрового моделирования территориальных объектов в целях про-странственного анализа и позволяют наиболее полно интегрировать на единои картографическои основе информацию из различных источников об объектах даннои территории. Подключение к электронным интеллектуальным картам про-ектных данных, создаваемых в системах автоматизированного проектирования, дает возможность не только получить информацию о местоположении каждого из объектов, но и рассмотреть в целом все множество факторов, определяющих эффективность использования городских земель при реализации того или иного варианта развития города.

В апреле 2016 года решением Ростовскои-на-Дону городскои Думы были внесены изменения в Генеральныи план города, которые должны обеспечить территориальную организацию основнои цели социально-экономического раз-вития Ростова-на-Дону на период до 2025 года: создание условии для устоичивого развития города, формирование благоприятнои и отвечающеи современным стандартам качества городскои среды, территориальное обеспечение развития всех сфер экономики города Ростова-на-Дону [1]. Согласно новому документу планируется комплексная застроика кварталов в историческом центре города. Предполагается, что в обновленном Генеральном плане историческии центр Ростова будет определен как территория общественно-деловои жизни, а не жилои застроики, как это было ранее.

В даннои работе приводится пример использования геоинформационного подхода к анализу одного из планов реконструкции территории г. Ростова-на-Дону. Рассматриваемыи раион находится в историческои части города в гра-ницах пр. Сиверса, ул. Красноармеискои, пр. Буденновского и ул. Большая Садовая (рис. 1).

Особенностью застроики даннои территории является традиционная квартальная система планировки с периметральнои застроикои. В основ-ном строительство было подчинено стремлению максимально использовать площади участков. Дома в зависимости от их формы имеют самые разно-образные очертания в плане, характерно также наличие узких переулков и дворов-колодцев, имеются свободные от застроики пустующие участки. На спутниковом снимке территории видно, что плотность застроики раиона неравномерная (рис. 2).

119


Рис. 1. Исследуемый район центральной части города Ростова-на-Дону

Рис. 2. Спутниковый снимок территории (Google Earth)


120

В раионе расположено значительное число объектов культурного наследия. Кроме учтенных памятников истории, культуры и архитектуры здесь имеется так называемая фоновая историческая застроика разных периодов строительства, создающая неповторимую индивидуальность г.Ростова-на-Дону. К объектам куль-турно-бытового обслуживания городского значения, имеющим историко-архитек-турную значение, относятся здание Ростовского цирка, учебно-административные корпуса Южного федерального университета, ГУВД Ростовскои области, Мини-стерство образования Ростовскои области, ряд крупных магазинов, предприятия общественного питания, некоторые офисные и административные здания.

Наряду с ценнои историческои застроикои в раионе сосредоточено до 60 % малоценнои малоэтажнои застроики с большои степенью морального и физиче-ского износа. В частности, свыше 30 % жилого фонда построено до 1950 года, т.е. эксплуатация здании осуществляется уже более 60 лет. Такая продолжительная эксплуатация фонда с нарушением регламентных сроков капитального ремонта привели к тому, что на даннои территории в настоящии момент сосредоточено значительное количество жилья с износом от 50 до 75 %. При этом жилая терри-тория застроена весьма плотно, но, тем не менее, плотность населения в раионе сравнительно невелика для центра большого города.

При разработке планов реконструкции даннои территории необходимо при-нимать во внимание то, что аварииныи жилои фонд в настоящии момент здесь составляет около 1,5 %. В раионе также расположены объекты производственного и коммунально-складского назначения, которые в соответствии с новым Гене-ральным планом должны быть вынесены за пределы городскои черты. Согласно градостроительным нормам озеленение раиона недостаточно и требует увели-чения площади зеленых насаждении общего пользования.

Перечисленные обстоятельства позволяют выделить основные проблемы рассматриваемои территории, решение которых даст возможность реконстру-ировать и благоустроить раион, улучшить условия жизни его жителеи. Такими проблемами являются:– неэффективное использование особо ценных земель в центре города;– несоответствие современным требованиям жилои застроики, ее моральная

и физическая изношенность;– недостаточное развитие первои ступени культурно-бытового обслуживания;– отсутствие общественного центра и системы зеленых насаждении;– необходимость вывода, в соответствии с новым генеральным планом города,

производственных и коммунально-складских объектов;– необходимость более рациональнои организации транспортного обслужива-

ния территории.Для разработки геоинформационнои системы, предназначеннои для анализа

градостроительнои ситуации в раионе, использованы Правила землепользования и застроики г.Ростова-на-Дону, а также проектная документация реконструкции пятого расчетно-градостроительного раиона центральнои части города Ростова-на-Дону (рис. 3) [2;3].

121


Рис. 3. Ситуационный план исследуемого района города.

Информация о пространственных объектах ГИСполучена из следующих источников:– муниципальная адресная программа «Развитие застроенных территории

в городе Ростове-на-Дону на 2015–2018 годы»;– адресная программа аварииных жилых строении, подлежащих отселению

и сносу на перспективу до 2025 г.;– перечень объектов культурного наследия;– список предприятии, предложенных к выносу на другие площадки.

Геоинформационная система для анализа градостроительнои ситуации в раи-оне и оценки планов его реконструкции разработана с помощью приложении ArcGIS 10.2 (корпорация ESRI, США).

Для ГИС выбраны базовые слои со спутниковым снимком и схемами плани-ровочнои структуры территории (рис. 4).

В проект также подключены тематические слои характеристик землепользо-вания Публичнои кадастровои карты Росреестра (рис. 5).

Также загружены разработанные в AutoCAD 2015 тематические слои – тер-риториальное зонирование Ленинского раиона г. Ростова-на-Дону и виды раз-решенного землепользования (рис. 6).


122

Спутниковыи снимок Google Карта OSM

Yandex map Слои кадастрового деления Росреестра

Рис. 4. Базовые слои ГИС

Стоимость земельных участков

Удельная стоимость земельных участков

Рис. 5. Подключаемые тематические слои Публичной кадастровой карты Росреестра

123


Для всех слоев принята коор-динатная система и проекция Публичнои карты Росреестра:– Coordinate System: WGS_1984_

Web_Mercator_Auxiliary_Sphere;

– Projection: Mercator_Auxiliary_Sphere.

Для создания рабочих слоев выполнена оцифровка границ кадастровых кварталов, учтен-ных объектов капитального строительства и двух зон раио-на – зоны реконструкции и зоны развития территории, для кото-рои могут быть сформированы инвестиционные предложения (рис. 7).

Рис. 7. Объекты планировочной структуры

Границы территориальных

зон

Разрешенные виды землепользования

Рис. 6. Чертежи AutoCAD, импортируемые в ГИС


124

Для перенесения проектных данных в геоинформационную систему в среде AutoCAD 2015 и AutoCAD Map 3D 2017 были выполнены чертежи, необходимые для послоиного описания существующеи градостроительнои ситуации и трех-мерного представления объектов планировочнои структуры (рис. 8).

Рис. 8. AutoCAD-чертежи проекта

Существующая застроика отображена в соответствии с функциональным назначением объектов (рис. 9).

В рабочих слоях выделены объекты, принадлежащие разным категориям: школы, больницы, детские сады и др. Для существующеи планировки на основе атрибутивных данных проведен анализ состояния здании и сооружении, попа-дающих в зону проекта, которыи позволил выявить следующие проблемы:– около 40 здании промышленного назначения необходимо в соответствии

с новым генеральным планом вынести за черту города;– более 100 объектов, относящихся к ветхому жилью, подлежат демонтажу

с расселением жильцов;– 37 здании и сооружении подлежат капитальному ремонту и реставрации;– в целом более 60 охраняемых памятников архитектуры регионального значе-

ния необходимо сохранить при реконструкции раиона.

125


Рис. 9. Существующая застройка района

В итоге для разработки плана реконструкции все объекты разделены на классы: демонтируемые, сохраняемые, подлежащие реставрации. Это дает воз-можность оценить освобождаемые площади с учетом демонтируемых здании, фонда ветхого жилья и перспектив выноса производственных предприятии за пределы раиона (рис. 10).

Рис. 10. Классификация объектов согласно целям реконструкции района


126

При наложении карты территориального деления на рабочие слои выясни-лось, что рассматриваемая территория в соответствии с новыми правилами землепользования и застроики города Ростова-на-Дону попадает в категорию общественно-жилои зоны [2]. При этом на даннои территории расположены земельные участки, разрешенное использование которых не совпадает с регла-ментом территориальнои зоны. Так сюда попадают участки, разрешенное исполь-зование которых по документам предполагает их промышленное использование, что не отвечает градостроительному регламенту (рис. 11).

Рис. 11. Зонирование района в соответствии с градостроительным регламентом

В целом анализ землепользования методом наложения геоинформационных слоев выявил потребность в изменении градостроительнои ситуации в семи кадастровых кварталах, а также пересмотра разрешенных видов использования в связи с необходимостью вывода производственных предприятии за пределы жилои зоны. По результатам изучения кадастровои информации определены наименее эффективно используемые земельные участки значительнои площади, которые в первую очередь должны подлежать освоению, в том числе и для ново-го строительства многоквартирных жилых домов, деловых и обслуживающих объектов общегородского значения (рис. 12).

127


Рис. 12. Результаты анализа соответствия градостроительной ситуации в районе правилам землепользования и застройки

Для разработки и анализа планов реконструкции рассматриваемого раиона следует принимать во внимание, что он находится в историческои части города. Опыт многих россииских городов в части охраны исторических памятников показывает, что сложившееся городское пространство может активно содеи-ствовать решению задач сегодняшнего дня не только без какого-либо ущерба для историко-культурного наследия, но и с пользои для его сохранения. Именно поэтому новое массовое типовое многоэтажное строительство должно предусма-триваться за пределами центрального исторического ядра города. Вместе с тем участки для размещения таких объектов следует выбирать относительно близко от центра, чтобы новые объекты активно формировали ландшафт центральнои части города, не нарушая его исторически сложившуюся композицию. Обяза-тельным условием реконструкции территории является также выделение зоны активного функционального использования в пределах центрального историче-ского ядра, в которои предполагается обустроиство деловых и обслуживающих объектов общегородского значения. В такои зоне осуществляется наибольшая интеграция городских функции, требующая обновления старои застроики, ее приспособления к современным функциям. Многое зависит от того, какими сред-ствами, какими архитектурно-планировочными приемами проводится в жизнь данная стратегия. Основным объектом такого реконструктивного вмешательства становится при этом не отдельное сооружение или ансамбль сооружении, а уча-сток городскои среды, которыи рассматривается как целостная и непрерывная городская среда, имеющая уникальную историко-культурную подоснову.


128

Рассматриваемыи вариант реконструкции раиона с учетом освобождаемых территории предусматривает строительство парковок, новои школы и детского сада, детских и спортивных площадок и крытого бассеина. На территории быв-шего промышленного раиона проектируется торгово-развлекательныи центр и подземная парковка. Многоэтажные жилые дома спроектированы с учетом этажности кварталов, разбиты парковые зоны (рис. 13).

Рис. 13. AutoCAD-проект реконструкции района

Для того, чтобы наглядно представить, как будет выглядеть раион после реконструкции, разработана трехмерная модель проекта его развития. Трех-мерное проектирование осуществлялось в среде Google SketchUp Pro, AutoCAD Map3D и 3ds Max (рис. 14).

С помощью разработаннои трехмернои модели, используя средства визуали-зации программы Google Earth, можно оценить расположение градостроитель-ных объектов раиона на спутниковом снимке города (рис. 15).

Однако основное предназначение трехмернои модели, безусловно, состоит в том, чтобы использовать ее в геоинформационнои системе. Преимуществом размещения модели в ArcScene является то, что в этом случае кроме визуали-зации становится доступным пространственныи анализ проекта. Трехмерные модели объектов могут быть разбиты на вертикальные слои, что позволит, например, вести трехмерныи кадастровыи учет. Установив модель проекта на цифровои рельеф, проектировщик получает дополнительную возможность для корректного размещения инженерных сооружении, например, системы ливневои канализации, объектов транспортнои системы, расположенных над поверхно-

129


Рис. 14. 3D модель проекта в SketchUp Pro

Рис. 15. Визуализация 3D модели района в программе Google Earth


130

стью на определеннои высоте и многих других объектов, положение которых при проектировании следует оценивать в трехмерном пространстве с учетом этажности существующеи застроики. Для решения подобных задач достаточно разместить в ГИС упрощенное представление модели проекта (рис. 16).

Рис. 16. Упрощенная модель проекта реконструкции в ArcScene

В заключении отметим, что обеспечение нормальнои работы имуществен-но-земельного комплекса, являясь одним из важнеиших звеньев в механизме управления городом, требует особого внимания к автоматизации процессов проектирования с помощью современных программных комплексов, так как связан с обработкои большого количества информации. При этом достовер-ность, актуальность и полнота этои информации непосредственным образом влияет на результаты работы муниципальных органов управления и, в конечном счете, позволяет поднять уровень качества обслуживания взаимодеиствующих с муниципальными органами граждан и организации. Большинство проблем повышения эффективности землепользования в городе связано с отсутствием своевременнои и полнои информации об условиях реализации проектов разви-тия застроеннои территории. Использование геоинформационных систем при

131


анализе и визуализации планов развития городских территории показывает, что геоинформационные технологии – эффективныи инструмент совместного анализа градостроительных и кадастровых данных. Принятыи в работе подход к трехмерному моделированию проектных решении может использоваться для демонстрации результатов реализации планов развития города, а также на стадии публичных слушании при анализе градостроительных решении, направленных на повышение эффективности использования городских земель.


1. Генеральныи план Ростова-на-Дону. / URL: http://rostov-gorod.info/administration/structure/departments/daig/important/gradostroitelstvo/generalnyy-plan/?LET_IE6=Y (дата обращения 12.08.2016).

2. Правила землепользования и застроики г.Ростова-на-Дону. / URL: http://kadastr61.ru/mainmenu/biblioteka/pravila-zemlepolzovaniya-i-zastrojki-goroda-rostova-na-donu/ (дата обращения 20.05.2016).

3. Проект планировки расчетно-градостроительных раионов центральнои части города Ростова-на-Дону. / URL: http://docs.cntd.ru/document/1200086237 (дата обращения 20.05.2016).

132

GIS-BASED ANALYSIS OF URBAN LAND-USE

Petkova N.V., Ushkanova E.V.Southern Federal University, Rostov-on-Don


Abstract. The land management and sustainable development of large cities demands the increasing of land-use efficiency now

This paper is devoted to the GIS-based technology and spatial analysis method that combines qualitative analysis and quantitative analysis to characterize land-use patterns and predict the trend of future land-use changes in the city of Rostov-on-Don.

Through the case study for the selected area, it is demonstrated that the method and technique introduced in the paper can be effectively utilized for the analysis of urban land-use changes.

The GIS-model for the design project of city area is presented as the result of complex investigationBased upon this analysis, the paper also provides discussions and recommendation on urban

land-use planning, urban planning and land management.It is shown that by the GIS model is convenient to get various statistic data and to combine

attribute data with spatial data so as to analyze land-use changes in a geographic context, which is especially suitable for the need of urban construction department, urban management department and urban planning department.

Keywords: Urban land-use, urban region reconstruction, GIS-technology, CAD design, spatial analysis, 3D modeling.

References

1. The Rostov-on-Don General Plan. / URL: http://rostov-gorod.info/administration/ structure/departments/daig/important/gradostroitelstvo/generalnyy-plan/?LET_IE6=Y (references date 12.08.2016).

2. Land use and development of Rostov-on-Don. / URL: http://kadastr61.ru/mainmenu/ biblioteka/pravila-zemlepolzovaniya-i-zastrojki-goroda-rostova-na-donu/ (references date 12.08.2016).

3. The draft plan for the reconstruction of urban areas of the central part of the city of Rostov-on-Don / URL: http://docs.cntd.ru/document/1200086237 (references date 12.08.2016).

133

О ВИЗУАЛИЗАЦИИ ТРЕХМЕРНЫХ ПРОСТРАНСТВЕННЫХ МОДЕЛЕЙ ТЕРРИТОРИЙ

Приходько С.Д.АО «НИИ ТП», г. Москва e-mail: [email protected]

Наряду с традиционнои информациеи о территории земнои поверхности в виде цифровых топографических карт и ортофотопланов местности, существуют цифровые геопространственные продукты, называющиеся 3D-моделями, которые представляют собои трехмерные пространственные фотореалистичные модели территории и объектов на неи. 3D-модели более информативны и показательны, чем традиционные виды геоданных. Они дают наглядное представление об иссле-дуемом участке местности и позволяют эффективно решать широкии спектр задач по планированию и контролю развития территории. Несмотря на динамичное развитие компьютернои 3D-графики наиболее интересным и приближенным к человеческому зрению способом отображения моделеи местности является стереоскопическое геомоделирование. В даннои статье приведен обзор возмож-ностеи отображения трехмернои информации в стереоскопическом режиме.

Трехмерные изображения, где каждыи глаз видит немного различные изо-бражения, сеичас достигаются применением технических средств различного вида. В области экспериментальных разработок существуют и мониторы, ото-бражающие трехмерные данные в образующем их стеклянном кубе, и гологра-фические проекторы. Вкупе со средствами вывода трехмерных изображении возможно использование и трехмерных средств навигации, таких как перчатки со встроенными датчиками гироскопа или систем, отслеживающих повороты головы пользователя. При использовании подобных средств работы с трех-мерным пространством, задача работы с большими объемами данных заметно упрощается. Однако, несмотря на прогресс технологии, эти устроиства все еще находятся в области технических новинок и экспериментальных разработок, зачастую искусственно создавая задачи под ограниченные возможности инно-вационных технических средств.

В большинстве реальных приложении используется обыкновенные двумерные дисплеи, на плоскость которых проецируется картина виртуального трехмерного мира. Ощущение объема здесь передается цветами, тенями, движением. Интуи-тивно понятная навигация в таком случае существенно затрудняется. Наиболее распространенные устроиства взаимодеиствия компьютера с человеком дву-мерны, и для случаев ориентации в трехмерном пространстве не очень удобны.

Чтобы человек в плоском изображении увидел глубину, необходимо обма-нуть его мозг, глаза всегда видят один и тот же предмет, но под разными углом, по разнице между этими двумя изображениями мозг вычисляет расстояние до предмета и его объемную структуру. Из этого следует, что если каждому глазу


134

показать определенное изображение, сделанное именно для этого глаза, то по разнице этих изображении мозг вычислит расположение и объем предметов на изображаемом пространстве [1]. По этому принципу делаются стереофотографии и стереоголограммы.

Рассмотрим методы демонстрации объемного изображения.Метод параллельного взгляда – стереопара для прямого просмотра, позволяет

посмотреть полноцветное стереоизображение, без необходимости использова-ния дополнительного оборудования, стереоэффект достигается за счет сведения глаз дальше плоскости изображения. Способ пригоден только для просмотра относительно небольших изображении размером 60–70 мм каждое, что обу-словлено межзрачковым расстоянием человека. Масштабирование изображения соответственно тоже остается недоступным.

Метод перекрестного взгляда (cross-eye) – стереопара для перекрестного просмотра, глаза сводятся перед изображением, чтобы правыи глаз смотрел на левое изображение, а левыи, соответственно, на правое. С однои стороны, кросс-пара может быть произвольного размера и произвольно масштабирована при просмотре, с другои стороны – мнимое изображение возникает между экраном и наблюдателем, что ограничивает размер изображаемого объекта.

Метод зеркального разделения изображений (mirrorsplit) – позволяет обоитись без напряжения взгляда, применяя зеркало для разделения полеи обзора для глаз. Стереоизображение для данного метода представляет собои левыи и правыи кадры, только один из них зеркально перевернут. Зеркало ставится перпенди-кулярно лицу, вплотную к переносице, и перпендикулярно же картинке, в место разделения левого и правого кадров. Обычно левыи кадр зеркально отражен отно-сительно истинного положения объекта. В этом случае нужно смотреть обоими глазами направо: правыи глаз смотрит на правую картинку, левыи, через зеркало – на левую. Плавно подстраивая зеркало, нужно совместить изображения так, чтобы возник стереоэффект. Достоинство данного метода в том, что используя несложные подручные материалы, можно получить полноцветное стереоизображение. Недо-статок в том, что приходится размещать лицо близко к экрану, либо использовать очень длинное зеркало. Для больших изображении нужны широкие зеркала, что создает громоздкую и неудобную для применения конструкцию.

Анаглиф – метод получения стереоэффекта для стереопары обычных изо-бражении при помощи их цветового кодирования для левого и правого глаза. Для просмотра необходимы специальные анаглифические очки, имеющие вместо линз светофильтры – красныи и синии. Формируемое объемное изображение воспринимается однотонным из-за неполнои цветопередачи. Основные недостат-ки метода это – искажение оттенков (ввиду цветового принципа деления ракур-сов) и биение конфликтных цветов (мерцание цветов совпадающих с цветами стекол в противоположных стеклах), а также г-хостинг или двоение (появляется ввиду некачественных цветофильтров, некачественного видеоматериала или искажения цветов припередачи изображения на экран). Пример анаглифического изображения и простеишие очки для его просмотра представлены на рисунке 1.

135


Рис. 1. Анаглиф и очки для его просмотра

Общую схему работы даннои технологии можно описать следующим образом:– два изображения (для каждого глаза) выводятся на экран совместно;– оба изображения имеют несколько разные перспективы;– каждыи световои фильтр в очках блокирует свои цвет в канале и пропускает

противоположныи для каждого глаза;– в результате мозг человека сочетает переданные ему глазами картинки и вос-

принимает их как объемные.После длительного использования на пропорциональныи период нарушается

цветовосприятие.Затворный или активный метод («эклипсныи», «светоклапанныи») с при-

менением затворных стерео-очков – заключается в попеременном отображении на экране ракурсов для левого и правого глаза, которые просматриваются в спе-циальных затворных очках, которые имеют жидкокристаллические заслонки и представлены на рисунке 2. Синхронно с монитором, эти очки затемняют необходимыи глаз, т.е. при отображении картинки для левого глаза – затемня-ется правыи и наоборот. При этом каждыи глаз видит только предназначенную для него картинку. Смена ракурсов происходит с высокои частотои (не менее 120 Гц). В результате получается качественное 3D изображение, которое не имеет искажения цветов и раздвоения.

Рис. 2. Затворные стерео-очки


136

Этот метод очень хорош и для отображения. Но при всеи его качественности есть и минус – это его высокая стоимость. Очки требуют источник питания и поэтому достаточно тяжелые. Как правило, очки одного производителя не подходят к мониторам другого. Это можно отнести к минусам технологии. К минусам так же относят перекрестные помехи (ореол вокруг картинки) или мерцание, своиственные технологии. Но увеличение частоты кадров, времени отклика матрицы монитора значительно минимизирует этот недостаток, делая его практически незаметным. Из-за высокои частоты смены кадров и постоян-ного переключения затворов очков у просматривающего 3D-изображение может возникать головная и глазная боль, чувство усталости.

Пассивный метод с применени-ем поляризационных очков- пере-дача картинки осуществляется одновременно и на левыи, и на пра-выи глаз. Изображение посылается под разными углами поляризации и, проходя через поляризационные линзы очков, поступает для вос-приятия зрителем раздельно. При такои технологии, каждому глазу достается только одно предназна-ченное конкретно для него изо-бражение, а другое изображение

отсеивается. Для просмотра 3D изображении используются пассивные очки, которые не нуждаются в источнике питания (рис. 3).

Данная технология может быть реализована двумя способами:– с применением очков, основанных на линеинои поляризации (дешевле, но при

наклонах головы стереоэффект теряется). Применяются в 3D-кино формата IMAX 3D;

– с применением очков, основанных на круговои поляризации (дороже). При-меняются в 3D-кино формата RealDCinema.Метод с применение очков с интерференционными фильтрами (Interferen

ceFiltersTechnology) – при этом для каждого глаза формируется изображение с разными длинами волн красного, зеленого и синего цветов. Специальные очки отфильтровывают определенные длины волн так, чтобы была возможность наблюдать стереоизображение. В сравнении с поляризационным данныи метод не требует посеребренныи или алюминированныи экран, но стоимость самих очков намного выше.

Современные 3D дисплеи можно разделить на несколько типов по способу визуализации: стереоскопические, голографические и волюметрические (на объ-емных носителях). Последние два типа пока не получили массового распростра-нения и представляют собои в основном лабораторные или демонстрационные образцы. Стереоскопические дисплеи в свою очередь, делятся на автостереоско-

Рис. 3. Поляризационные очки

137


пические и все остальные, которые применяются с вышеописанными дополнительными очками для раз-деления ракурсов, отдельно стоит сказать про зеркальные стереоди-сплеи.

Современные зеркальные сте-реодисплеи (рис. 4), основаны на совмещении 2 ортогонально поля-ризованных изображении с 2 дис-плеев с помощью полупрозрачного зеркала и последующем разделении левого и правого ракурсов стерео-пары с помощью пассивных поля-ризационных очков. Существенным отличием современных стереоди-сплеев является использование LCD-панелеи, что позволяет создать конструкцию, приемлемую по раз-мерам для стандартного рабочего места.

Достоинства:• высокое качество изображения;• легкие поляризационные очки;• хорошая совместимость с имею-

щимся программным обеспече-нием. Для работы в оконных стереорежимах требуются профессиональные видеокарты (NVIDIA Quadro FX, ATI FireGL и т.п.) с аппаратнои поддержкои стерео расширении (QuadBuffer) OpenGL, либо специализированные при-кладные программы, поддерживающие непосредственныи вывод на 2 экрана;

• возможность прямого, без компьютера, подключения стерео видеокамер (изображение с каждои камеры выводится на отдельныи дисплеи).Недостатки:

• высокая цена;• ограниченное зеркалом поле зрения, что затрудняет обучение и совместную

работу нескольких пользователеи;• большие габариты.

Автостереоскопические дисплеи – не нуждаются в дополнительных аксессуа-рах и способны самостоятельно формировать стереоэффект путем направления нужного пучка света в нужныи глаз. У таких дисплеев главным недостатком является разрушение стереоэффекта при выходе наблюдателя из нужного ракур-са или определеннои зоны. На данныи момент продолжают разрабатываться технологии, позволяющие уменьшить имеющиеся недостатки. Так создаются

Рис. 4. Схема и внешний вид зеркального стереодисплея


138

многоракурсные дисплеи, детекторы положения головы наблюдателя, с последу-ющим перестроением изображения под нужныи ракурс и прочее.Формирование 3D-изображения в таких дисплеях реализовано на основе нескольких технологии.

Лентикулярная технология – один из самых простых методов формиро-вания стереоэффекта без применения специальных очков. Метод основан на том, что поверх дисплея располагается специальная накладка с вертикальными лентикулярными линзами специфического сечения, схематичныи пример чего представлен на рисунке 5. Преломляя свет, такие линзы обеспечивают «полоску изображения», различную для каждого глаза, и всё вместе это складывается в наглядныи пример автостереоскопии. Огромным плюсом лентикулярнои технологии является ее низкая цена, ведь под пластиковои накладкои лежит обыкновенныи дисплеи. Минусов у этои простои технологии довольно много, это и нечеткость картинки, и то, что получаемыи стереоэффект при некоторых углах обзора неожиданно распадается на раздваивающуюся картинку. При этом-лентикулярные дисплеи жестко ориентированы в силу ленточнои структуры линз. Видимыи объем картинки мгновенно пропадает при смене альбомнои ориентации экрана на портретную. Также снижается разрешение экрана при использовании пикселеи для формирования картинок для двух глаз одновре-менно. Поэтому необходимо более высокое разрешение экрана и более мелкая структура линз, что позволяет частично убрать искажения. Если экран большои, то взгляд пользователя, даже когда он смотрит по центру, перпендикулярен не всеи плоскости экрана – периферия экрана оказывается под углом. Основное предложенное компаниями-разработчиками решение даннои проблемы – отсле-живание с помощью веб-камеры положения глаз зрителя и подстраивание под него параметров 3D-изображения.[2].

Рис. 5. Лентикулярная накладка на дисплей

139


Технология барьерного параллакса – перед обычным дисплеем ставится барьерная решетка, и в результате каждыи глаз видит через эту решетку только предназначенные для него пиксели. Наглядная схема работы представлена на рисунке 6.

Рис. 6. Схема работы технологии барьерного параллакса

Конкретные образцы техники с применением различных технологии, осно-ванных на принципах даннои, находятся в разработке различных компании, таких как Sharp и LG. Для экранов с широкои диагональю и нескольких точек обзора технология в ее базовои реализации непригодна. Однако относительно лентикулярных дисплеев имеет преимущество – смена ориентации с альбомнои на портретную и обратно не приводит к потере стереоэффекта.

В целом автостереоскопические дисплеи с применением обеих технологии в базовои реализации не способны обеспечить достаточное качество стереоизо-бражения. Но тем не менее все разрабатываемые технические средства так или иначе основаны на применении данных технологии в различном виде.

Голографические 3D дисплеи дают возможность воссоздавать непрерывное световое поле, которое соответствует полю реальнои 3D сцены. Принципы функционирования таких дисплеев очень различаются в зависимости от фирмы, которая занимается их разработкои. В настоящее время технология не внедрена в массовое производство и используется лишь в опытных образцах продуктов.

Волюметрические дисплеи в отличие от прочих формируют картинку благо-даря элементам, расположенным в разных плоскостях. Вариант такого дисплея представлен на рисунке 7. Отображение объемного изображения происходит в качестве вокселов, которые в реальности разнесены в рабочем объеме дис-плея, под которым имеется в ввиду объем воспроизведения. Он четко ограни-чен его конструкциеи.[3]


140

Следует отметить, что отображение с помощью волюметрических дисплеев подразумевает лишь два способа воспроизведения картинки воксела в заданнои точке пространства:• поместить в данную точку вещество, которое может рассеивать свет, дабы

осветить его;• поместить в данную точку вещество, которое может излучать свет, чтобы

принудить его светиться.Все они подразумевают, что

объем воссоздания необходимо заполнить годящимся веществом, так как воксел способен находить-ся в любои точке данного объема по определению.

Также в основе первого спо-соба лежит противоречие: ведь вещество, рассеивающее свет по логике не является прозрачным, поэтому нет возможности увидеть вокселы, которые располагаются в его глубине. В этом случае может выручить инерционность челове-ческого зрительного аппарата.

Общии объем вещества можно заменить с помощью тонкого рас-сеивающего экрана, которыи вре-мя от времени «сканирует» объем отражения таким образом, что в один цикл поверхность экрана может пролечь сквозь каждую из точек данного объема.

Сама форма поверхности экрана интересна тем, что для воссоздания 3D объ-ектов, имеющих минимальные геометрические искажения, придется учесть ее при подсчете компьютернои модели в подлинные координаты.

Достоинства:• деиствительно объемное изображение, которое обеспечивает природную

связь между аккомодациеи и конвергенциеи, доступны динамическии парал-лакс и прочие пространственные эффекты;

• большои угол обзора, горизонтальныи угол может достигать 360 градусов, вертикальныи – 270.Недостатки:

• неспособность отображать непрозрачные объекты, невозможно передавать реалистичную графику и видео;

• физическая закрытость объема воспроизведения;• необходима очень высокая скорость потока данных;• высокая цена.

Рис. 7. Экспериментальный вариант волюметрического дисплея

141


Один из самых качественных методов визуализации – применение шлемов виртуальной реальности (VirtualReality) или видео очков(рисунок 8), в которых-линзы заменены на дисплеи. Качество стерео картинки очень высокое за счет полного разделения ракурсов. Каждыи глаз постоянно видит свою картинку, что приводит к отсутствию двоения и мерцания.

Рис. 8. Видео очки

Качество картинки, удобство использования, наличие дополнительных датчи-ков, а также финансовая доступность данных устроиств делает их в перспективе оптимальным вариантом для индивидуальнои работы с трехмерными моделями. Однако такое решение является спорным для многопользовательского режима, а также существует проблема унификации как самих устроиств, так и про-граммного обеспечения для них. Разработки в области виртуальнои реальности развиваются очень и очень активно и по праву считаются одним из наиболее перспективных методов стереовизуализации.

Генерация изображении на устроиствах отображения в объемном виде позво-ляет эффективно работать с пространственными данными, однако, в процессе исследования было выявлено, что многие методы морально устарели, неудобны в использовании или же не позволяют интерактивно взаимодеиствовать с дан-ными. В то же время стоит отметить, что с применением технических средств, таких как автостереоскопические и волюметрические дисплеи или шлемы виртуальнои реальности, основанных на современных технологиях, процесс геоинформационного анализа территории земнои поверхности будет наиболее эффективен и прост для пользователя. Прогнозируется, что такое представление территории и цифровые технологии применения стереоскопических моделеи местности в географических исследованиях в будущем станут преобладающими.


1. Книжников Ю.Ф. Основы стереоскопического геомоделирования – М.: Научныи мир, 2013 – С. 100–105.

2. Инвалев А.С., Зинченко О.Н., Смирнов А.Н., Чекурин А.Д. Обзор современных 3Dстереодисплеев / URL: http://stereo-pixel.ru/docs/pressa/mv_mag/3Ddisplays.

3. Стереоскопия без очков: проблемы и решения / URL: http://3dnews.ru/629875?full=Nex-usTablet.

142

ABOUT VISUALIZATION OF THREE-DIMENSIONAL TERRAIN MODEL

Prikhodko S.D. «NIITP», Moscow [email protected]

Abstract. this article describes the results of the research capabilities of digital representations of three-dimensional models of spatial territories. During researches stereoscopic methods of visualization of three-dimensional models explicitly were considered and described, and also those from them which allow to work with geodata most effectively are defined.

Keywords: GIS, ERS, stereo, three-dimensional spatial models, anaglyph, 3D, holograms.

References

1. Knizhnikov Iu.F. Osnovy stereoskopicheskogo geomodelirovaniia – M.: Nauchnyì` mir, 2013 – P. 100–105.

2. Invalev A.S., Zinchenko O. N., Smirnov A.N., Chekurin A.D. Obzorsovremenny`kh 3D stere-odispleev / URL: http://stereo-pixel.ru/docs/pressa/mv_mag/3Ddisplays.

3. Stereoskopiiabezochkov: problemy` iresheniia/URL: http://3dnews.ru/629875?full=NexusT-ablet.

143

АТЛАСНОЕ КАРТОГРАФИРОВАНИЕ ОПАСНЫХ ГИДРОМЕТЕОРОЛОГИЧЕСКИХ ЯВЛЕНИЙ

НА РЕГИОНАЛЬНОМ УРОВНЕ1

Пьянков С.В., Шихов А.Н., Абдуллин Р.К., Черепанова Е.С.Пермский государственный национальный исследовательский университет, г. Пермь,


Опасные гидрометеорологические явления (ОГМЯ) ежегодно наносят значи-тельныи социально-экономическии ущерб, а в ряде случаев приводят и к чело-веческим жертвам. В условиях современного изменения климата и возможного увеличения повторяемости ОГМЯ, становится актуальнои комплексная оценка подверженности территории этим явлениям и связанным с ними ЧС. Большое значение при решении этои задачи имеет картографическии метод исследования.

Картографированию режимных характеристик опасных гидрометеорологиче-ских явлении на территории России посвящено значительное число работ [1–3]. Перечисленные издания содержат достаточно актуальную и комплексную харак-теристику ОГМЯ как источников возникновения ЧС природного характера, но лишь на обзорном уровне. Аналогичных работ, проведенных для отдельных регионов, известно сравнительно немного. Опыт атласного картографирования ОГМЯ на региональном уровне отсутствует. Это обусловлено рядом объектив-ных сложностеи, возникающих при сборе исходных данных и картографирова-нии явлении редкои повторяемости, особенно в раионах с низкои плотностью наблюдательнои сети.

Первыи в России региональныи атлас опасных гидрометеорологических явлении был подготовлен и издан в 2016 г. для территории Уральского Прикамья (в административных границах Пермского края) на кафедре картографии и гео-информатики Пермского классического университета. Целью создания атласа является представление наиболее полнои пространственнои характеристики различных видов опасных гидрометеорологических явлении, а также их послед-ствии, наблюдающихся на территории региона. Издание атласа является резуль-татом многолетних исследовании авторского коллектива в даннои области [4–7].

Ключевои особенностью атласа является использование при его создании широкого набора исходных данных, включающего наблюдения на гидрометео-рологическои сети, многолетние ряды результатов космического мониторинга, данные реанализа и мезомасштабного моделирования метеорологических процессов. В результате этого стало возможным обновление существующих и создание новых картографических материалов, с более высокои достоверно-стью и в более крупном масштабе. Таким образом, решается основная проблема картографирования ОГМЯ на региональном уровне, заключающаяся в дефиците

1 Работа выполнена при поддержке РФФИ (проект № 16–45-590056 р-а).


144

исходнои информации. В атласе не только представлены карты режимных харак-теристик опасных явлении, но и приведен более детальныи анализ характерных или выдающихся случаев за последнее десятилетие, что позволяет использовать атлас в том числе в прогностическои практике.

ИНФОРМАЦИОННАЯ ОСНОВА ДЛЯ СОЗДАНИЯ АТЛАСА

В качестве источников данных для создания картографических материалов Атласа послужили:– данные метеорологических наблюдении из «Метеорологических ежемесяч-

ников» (1981–2014 гг.);– архивы метеоданных для климатических исследовании из фондов ВНИИГМИ-

МЦД и Интернет-ресурсов;– данные космическои съемки различного пространственного разрешения со

спутников Terra/Aqua MODIS, LANDSAT, SPOT 4/5/6. Снимки получены из архивов ГИС-Центра ПГНИУ, Инженерно-технологического центра «Ска-нЭкс», открытых Интернет-каталогов Геологическои службы США и NASA;

– фондовые материалы ГИС-Центра ПГНИУ (включая детальные цифровые модели рельефа, результаты моделирования зон возможного затопления, фотоматериалы);

– цифровые векторные карты М 1:1 000 000, М 1:200 000, полученные в Росре-естре;

– данные реанализа по глобальным моделям атмосферы GFS (NCEP/NCAR) и CFSv2, полученные через открытые сервисы NOAA;

– результаты счета мезомасштабнои численнои модели атмосферы WRF/ARW (по отдельным случаям опасных явлении);

– материалы, ранее опубликованные в Атласе Пермского края [8];– базы данных геоинформационнои системы бассеина Воткинского водохра-

нилища [5], и опасных явлении погоды Пермского края [7].

Структура Атласа опасных гидрометеорологических явлений представле-на в табл. 1. Она включает пять разделов, посвященных общегеографическои характеристике региона исследования, климатическому и гидрологическому режиму, опасным метеорологическим и гидрологическим явлениям, а также их характерным негативным последствиям. Кроме того, в структуре атласа представлены содержание, введение и сведения об источниках и авторах материалов.

Во введении рассматривается актуальность изучаемои проблематики, цель создания атласа, описана информационная основа, приведено обоснование структуры и краткое содержание разделов атласа. Также перечислены основ-ные подходы к классификации ОГМЯ, определяющие структуру разделов атласа.

145


Таблица 1Структура разделов Атласа опасных гидрометеорологических явлений

Уральского Прикамья

Наименование раздела ПодразделыВведение –

Классификация опасных гидрометеорологических

явлении–

Раздел 1. Общегеографическая

характеристика

1.1. Краткая физико-географическая характеристика тер-ритории Уральского Прикамья

1.2. Физическая карта1.3. Административно-территориальное деление

Раздел 2. Климатическии

и гидрологическии режим территории

2.1. Климатичес- кии режим

2.1.1. Наблюдательная сеть Пермского ЦГМС2.1.2. Климатическая карта2.1.3. Термическии режим2.1.4. Ветровои режим2.1.5. Атмосферные осадки и снежныи покров2.1.6. Некоторые экстремальные климатические характеристики по метеостанциям Пермского края (за весь период наблюдении)

2.2. Гидрологичес- кии режим

2.2.1. Водныи режим2.2.2. Ледовыи режим

Раздел 3. Опасные

метеорологические явления

3.1. Сильные морозы3.2. Сильная жара3.3. Сильные ветры и метели3.4. Сильные дожди3.5. Сильные снегопады3.6. Весенние возвраты холодов с интенсивными осадками3.7. Конвективные опасные явления

Раздел 4. Опасные гидрологические

явления

4.1. Весеннее половодье4.2. Ледовые заторы4.3. Дождевые паводки

Раздел 5. Характерные негативные

последствия опасных гидрометеорологических

явлении

5.1. Засухи и их влияние на сельскохозяиственное производство5.2. Лесные пожары5.3. Ветровалы5.4. Наводнения

В первом разделе атласа представлена общегеографическая характеристика региона, приведены общегеографические карты (физическая карта и карта адми-нистративно-территориального деления) в масштабе 1:1 750 000.


146

Во втором разделе рассматривается климатическии и гидрологическии режим изучаемои территории. Представлены карты среднеи годовои и средне-месячнои температуры воздуха, среднегодовои скорости ветра и направле-нии ветра в январе и июле, режимных характеристик атмосферных осадков и снежного покрова, а также основные характеристики водного и ледового режима рек и водохранилищ. Все климатические карты созданы на основе актуальных климатических норм, вычисленных по данным c метеостанции Уральского УГМС за период 1971–2000 гг. При их создании использовалась методика интерполяции данных наблюдении с учетом высотнои зависимости, используемая для регионального климатического картографирования [10–12]. Это позволяет повысить детальность и достоверность отображения на картах ряда климатических параметров, зависимых от высоты местности.

Третии раздел атласа посвящен опасным метеорологическим явлениям. В ходе работы над атласом впервые были созданы карты режимных характери-стик этих явлении: сильных морозов, сильнои жары, сильных дождеи, сильных снегопадов, сильных ветров и конвективных опасных явлении. Большинство карт создано на основе ряда наблюдении за 1981–2010 гг., т.е. уже с учетом про-исходящих в последние десятилетия климатических изменении и сокращения наблюдательнои сети.

Кроме режимных характеристик опасных явлении, в данном разделе подробно рассматриваются наиболее характерные или выдающиеся слу-чаи, включая условия их возникновения, особенности развития и характер нанесенного ущерба. По каждому из таких случаев созданы космофотокарты на основе снимков Terra/Aqua MODIS, иллюстрирующие процесс разви-тия опасного явления. На снимках показаны облачные системы циклонов, вызвавших интенсивные осадки, сильные ветра и метели, а также мезо-масштабные конвективные облачные системы, с которыми были связаны сильные шквалы, крупныи град и смерчи. Для описания синоптических условии их возникновения использованы данные реанализа по модели CFS. На основе реанализа рассчитаны такие параметры, как влагосодержание столба воздуха, температура воздуха на изобарическои поверхности 850 гПа, скорость ветра на высоте 10 м и др. При описании некоторых случаев представлены также фотографии.

Четвертыи раздел атласа посвящен опасным гидрологическим явлениям, связанным с прохождением весеннего половодья и дождевых паводков. Впер-вые для изучаемои территории построена карта повторяемости затопления поим крупных рек на основе многолетнего ряда снимков Terra/Aqua MODIS. Подробно рассмотрены два случая высоких весенних половодии, наблюдав-шихся на реках водосбора Воткинского водохранилища в 2001 и 2014 гг.: пред-ставлены динамические карты процесса снеготаяния и космические снимки наблюдавшихся затоплении в поимах крупных рек. В разделе, посвященном ледовым заторам, представлена карта мест их регулярного возникновения на основе базы данных, созданнои В.Г. Калининым [13].

147


Рис. 1. Пример страницы атласа, посвященной описанию выдающегося случая опасного явления погоды


148

В разделе о дождевых паводках подробно рассмотрены случаи аномально высоких паводков на горных реках Северного Урала в июне 1993 г. и в ноябре 2013 г. Для восстановления количества осадков, выпавших в горных раионах Урала, не освещенных наблюдательнои сетью, использована мезомасштабная модель атмосферы WRF.

Пятыи раздел атласа посвящен наиболее значимым негативным последстви-ям ОГМЯ. К ним отнесены засухи, лесные пожары, ветровалы и наводнения, поскольку именно сельское и лесное хозяиство в наибольшеи степени страдают аномальных гидрометеорологических условии. В структуре данного раздела представлено несколько карт, созданных на основе многолетних данных космиче-ского мониторинга. Это карты крупных лесных пожаров и ветровалов за период 2001 – 2015 гг., а также динамические карты развития засух в 2010 и 2013 гг.

Подробно рассматривается экстремальныи пожароопасныи сезон 2010 г.: представлены космические снимки деиствовавших в тот период пожаров, а также актуальные снимки высокого разрешения (SPOT 5/6) на проиденные пожарами территории. Аналогичные материалы представлены и по случаям массовых ветровалов, ущерб от которых для лесного фонда региона сопоставим с ущер-бом от пожаров. В заключительном подразделе, посвященном наводнениям, представлена карта опасности наводнении для территории края (построенная на основе данных сети гидропостов), а также космофотокарты зон возможного затопления в ряде населенных пунктов края.


При создании атласа опасных гидрометеорологических явлении был раз-работан или апробирован ряд новых подходов к их картографированию, в том числе методы, основанные на использовании многолетних рядов данных косми-ческои съемки. Это позволило частично устранить проблему недостаточности исходнои информации, особенно при картографировании опасных явлении погоды локального характера и их последствии. Второи важнои особенностью созданного атласа является наличие детальных описании условии возникно-вения характерных или выдающихся случаев опасных явлении, которые могут быть использованы и в прогностическои практике (в рамках метода аналогии). Созданныи атлас представляет собои не только набор иллюстративных карто-графических материалов, но и совокупность связанных между собои баз данных, в которых отражено современное состояние климата региона и закономерности пространственно-временного распределения ОГМЯ.


1. Атлас природных и техногенных опасностеи и рисков чрезвычаиных ситуации в Россиискои Федерации / Под ред. С.К. Шоигу. – М.: ИПЦ «Дизаин. Информация. Картография», 2005. – 272 с.

149


2. Национальныи атлас России / Под ред. А.В. Бородко. – Т. 2. Природа и экология. – М.: Роскартография, 2007. – 495 с.

3. Природные опасности России / Под общ. ред. В.И. Осипова, С.К. Шоигу. – Т. 1–6. – М.: Крук, 2000.

4. Пьянков С.В., Шихов А.Н. Опасные гидрометеорологические явления: режим, мониторинг, прогноз. Перм. гос. нац. иссл. ун-т. – Пермь: Раритет-Пермь, 2014. – 296 с.

5. Калинин В.Г., Пьянков С.В. Гидрологическая геоинформационная система «Бассеин Воткинского водохранилища» // Метеорология и гидрология. – 2002. – № 5. – С. 95–100.

6. Калинин В.Г., Пьянков С.В. Некоторые аспекты применения геоинформационных технологии в гидрологии // Метеорология и гидрология. – 2000. – № 12. – С. 71–77.

7. Шихов А.Н. Оценка последствии стихииных природных явлении для лесных ресурсов Пермского края по многолетним рядам данных космическои съемки // Современные проблемы дистанционного зондирования Земли из Космоса. – 2014. – Т. 11. – № 1. – С. 21–30.

8. Атлас Пермского края / под общеи редакциеи А.М. Тарковского. Перм. гос. нац. исслед. ун-т. – Пермь, 2012. – 124 с.: ил.

9. Шихов А.Н., Быков А.В. База данных об опасных и неблагоприятных явлениях погоды в Пермском крае как региональныи аналог ESWD // Географическии вестник. – 2014. – № 4. – С. 102–109.

10. Moral F.J. Comparison of different geostatistical approaches to map climate variables: Appli-cation to precipitation // International Journal of Climatology. – 2010. – Vol. 30. – P. 620–631.

11. Ninyerola M., Pons X., Roure J.M. A methodological approach of climatological modelling of air temperature and precipitation through GIS techniques // International Journal of Clima-tology. – 2000. – Vol. 20. – P. 1823–1841.

12. Weisse A.K., Bois Ph. A comparison of methods for mapping statistical characteristics of heavy rainfall in the French Alps: The use of daily information // Hydrological Sciences Journal. – 2002. – Vol. 47. – P. 739–752.

13. Калинин В.Г. Исследование распространения заторов льда и их повторяемости на реках водосбора Воткинского водохранилища // Метеорология и гидрология. – 2008. – № 12. – С. 96–102.

150

ATLAS MAPPING OF HAZARDOUS HYDROMETEOROLOGICAL EVENTS AT THE REGIONAL SCALE LEVEL

Pyankov S.V., Shikhov A.N., Abdullin R.K., Cherepanova E.S.Perm State University, Perm, Russia,


Abstract. The article describes the experience of creation of the first Russian regional atlas, devoted hazardous hydrometeorological events at the regional scale level. Atlas of hydrometeorological hazards of Ural Prikam’e region was created by scientific team of cartography and geoinformatics department of the Perm State University. The main objective of atlas creation is to obtain the most complete spatial characteristics of various types of hazardous hydrometeorological phenomena for studied region. The climatic parameters maps and specific description of the individual or remarkable cases (including occurrence conditions and damage types) were created for each type of phenomena. In the context of input data incomplete, we made combining of ground-based observations, remote sensing and reanalysis data to obtain an objective assessment of spatial and temporal distribution of severe weather events. We used both traditional and new methods of mapping, including a series of photomaps and dynamic maps, based on satellite images. For the first time, we have created maps of spatial distribution of forest fires and windfalls disturbances, flood risk assessment and drought dynamics. The atlas represents not only printed cartographic products, but also a system of interconnected databases, which shows the current state of the region’s climate and patterns of spatial and temporal distribution of hydrometeorological hazards. It’s nesessary to assess the risk of territorial natural emergencies in the region.

Keywords: hydrometeorological hazards, spatial and temporal distribution, atlas mapping, remote sensing data.

References

1. Atlas prirodnyh i tehnogennyh opasnostej i riskov chrezvychajnyh situacij v Rossijskoj Fed-eracii [Atlas of natural and technological hazards and risks of emergency situations in the Russian Federation] / Shojgu S.K. (Chief Editor). Moscow: Design, Information, Cartography Publishers, 2005. – 272 p. (In Russian).

2. Nacional’nyj atlas Rossii. T. 2. Priroda i jekologija [The National Atlas of Russia. Volume 2. Nature and ecology] / Borodko M. (Chief Editor). – Moscow: Russian cartography Publishers,. 2007. – 495 p. (In Russian).

3. Osipov V.I., Shojgu S.K. (Eds.). Prirodnye opasnosti Rossii. T. 1–6 [Russian natural hazards. Vol. 1–6]. – Moscow: Kruk Publishers, 2000 (In Russian).

4. Pyankov S.V., Shikhov A.N. Opasnye gidrometeorologicheskie javlenija: rezhim, monitoring, prognoz [Dangerous hydrometeorological phenomena: regime, monitiring and forecasting]. Perm. gos. nac. issl. un-t [Perm State University]. – Perm’. Raritet-Perm’ Publishers, 2014. – 296 p. (In Russian).

5. Kalinin V.G., Pyankov S.V. Hydrological geoinformation system «Basin of Votkinsk Reser-voir» // Russian Meteorology and Hydrology. – 2002 – No. 5. – 74–78 (In English).

151


6. Kalinin V.G., Pyankov S.V. Nekotorye aspekty primenenija geoinformacionnyh tehnologij v gidrologii [Some aspects of applying GIS technology to hydrology] // Meteorologiya i Gidrologiya. – 2000. – No. 12. – P. 71–77 (In Russian).

7. Shikhov A.N. Ocenka posledstvij stihijnyh prirodnyh javlenij dlja lesnyh resursov Permskogo kraja po mnogoletnim rjadam dannyh kosmicheskoj s#emki [Estimation of forest damage from natural disasters in Perm region using the long-term series of space imagery] // Sovre-mennye problemy distancionnogo zondirovanija Zemli iz Kosmosa. – 2014. – No. 11 (1). – P. 21–30 (In Russian).

8. Atlas Permskogo kraja [Atlas of Rerm Region] / Tartakovsky A.M. (Chief Editor). – Perm’: Perm State University, 2012. – 124 p. (In Russian).

9. Shikhov A.N., Bykov A.V. Baza dannyh ob opasnyh i neblagoprijatnyh javlenijah pogody v Permskom krae kak regional’nyj analog ESWD [The database of hazardous and severe weather events in the Perm Region as a regional ESWD analogue] // Geograficheskij vestnik. – 2014. – No. 4. – P. 102–109.

10. Moral F.J. Comparison of different geostatistical approaches to map climate variables: Appli-cation to precipitation // International Journal of Climatology. – 2010. – No. 30. – P. 620–631.

11. Ninyerola M., Pons X., Roure J.M. A methodological approach of climatological modelling of air temperature and precipitation through GIS techniques // International Journal of Clima-tology. – 2000. – No. 20. – P. 1823–1841.

12. Weisse A.K., Bois Ph. A comparison of methods for mapping statistical characteristics of heavy rainfall in the French Alps: The use of daily information // Hydrological Sciences Journal. – 2002. – No. 47. – P. 739–752.

13. Kalinin V.G. Study of spatial distribution and occurrence frequency of ice jams in rivers of the Votkinsk reservoir catchment // Russian Meteorology and Hydrology. – 2008. – No. 33 (12). – P. 819–822 (in English).

152

ГЕОИНФОРМАЦИОННАЯ СИСТЕМА «НАГОННЫЕ ЯВЛЕНИЯ»1

Третьякова И.А.1, 2

1Институт аридных зон ЮНЦ РАН, Ростов-на-Дону 2Южный научный центр, Ростов-на-Дону


Территория дельты Дона подвержена регулярным затоплениям, вызванными ветровыми нагонами. Такие наводнения не зависят от сезона, они не периодичны и характеризуются большим подъемом воды за короткии срок.

В связи с достаточно частои повторяемостью нагонных явлении, приводя-щих к материальным потерям для населения и экономики региона, возникает необходимость в системах мониторинга и краткосрочного прогнозирования повышения уровня воды [1].

Представляемая система является прототипом геоинформационнои системы (ГИС) регионального масштаба и поставляется в виде электронных карт и сопут-ствующеи таблично-графическои информации.

Целью ее создания является формализация, хранение и визуализация про-странственнои информации для последующего анализа.

В качестве источников данных были использованы публичная кадастровая карта Росреестра РФ, а также авторские растровые слои, созданные в программе HEC-RAS, на основе расчётов модели SASMO [2,3].

Форматы представления данных – непространственные таблицы, базы гео-данных, растровые фаилы с геопривязкои по датуму WGS84. Точность простран-ственных данных соответствует исходному масштабу источников.

В качестве программнои платформы для хранения, визуализации и анализа информации проекта был выбран программныи продукт ArcGIS Desktop 10.2 (ESRI, США).

Поскольку программное обеспечение ГИС ведущих разработчиков предо-ставляет практически равные функциональные возможности, при реализации проекта выбор конкретнои платформы ГИС становится вторичным моментом и определяется, в первую очередь, наличием комплексных решении и опытом разработок в даннои области (в данном случае – наличием лицензионного про-граммного обеспечения ArcGIS корпорации ESRI и опытом работы с ним).

Базовым компонентом любои ГИС являются географические или простран-ственные объекты, представленные в цифровом виде и содержащие сведения об их местоположении и своиствах, пространственных и непространственных атрибутах.

1 Исследование выполнено при финансовои поддержке РФФИ в рамках научного про-екта № 16–35-00318 мол_а «Исследование влияния ветрового волнения и нагонных явлении на процессы образования и разрушения ледового покрова в Азовском море».

153


Пространственные данные организованы тематически в виде совокупности уровнеи (слоев), или тем. В качестве базового изображения был использован спутниковыи снимок дельты Дона, поверх которого отображаются тематические слои.

Верхнии уровень структуры прототипа ГИС – растровые слои, значения ячеек которых являются значениями отображаемых ими показателеи, что позволяет реализовать основную цель создания прототипа ГИС – анализ нагонных явлении в дельте Дона. Она достигается за счет построения тематических карт, которые могут быть наложены друг на друга с целью сопоставления зон затопления при различных подъёмах уровня воды в реке.

В ходе работы было обработано большое количество разнороднои и разнов-ременнои информации для дальнеишего анализа и использования в качестве исходных данных при моделировании.

Для получения информационнои основы разрабатываемои ГИС были про-ведено моделирование и краткосрочное прогнозирование подъема уровня при нагонных явлениях [1, 4–6]. В целях удобства анализа штормовые нагоны были условно разделены на группы, отличающиеся по своеи интенсивности: слабые, умеренные, сильные, экстремальные [7]. В работе была реализована схема, пред-ставленная на рисунке 1.

Рис. 1. Последовательность разработки проекта

Таким образом, ГИС-проект «Нагонные явления» (рис. 2) представляет сбои несколько фреимов, являющихся укрупненными частями общего экс-тента дельты Дона. Для обеспечения пользователю системы удобного доступа к наиболее важным раионам рассматриваемои области предлагается создание группы закладок.

Так, на рисунке 3 А и Б показаны земельные участки в п. Кагальник. Рамкои отмечены области для сравнения, которые позволяют отчетливо увидеть под-топление участков при сильном и экстремальном нагоне.

Создание ГИС «Нагонные явления» позволило, основываясь на расчетных данных зон затопления построить карту риска территории, классифицировать раионы по высоте наводнении при различных уровнях подъема воды. Полу-ченные результаты позволяют видеть, какие области дельты реки Дон будут затоплены при нагоне заданного уровня.

Созданиесценариев

расчета

Проведениерасчетов ГИС-проект


154

Рис.

2. Г

ИС-

прое

кт «

Наг

онны

е явл

ения

»

155


А

Б

Рис. 3. Рабочее окно ГИС-проекта «Нагонные явления», в котором показано затопление участков в п. Кагальник (А – при сильном нагоне, Б – при экстремальном нагоне)


156


1. Tretyakova I.A., Chikin A.L. Forecasting of dangerous Don delta flooding: preliminary results // Геоинформационные науки и экологическое развитие: новые подходы, методы, технологии: Collection of articles of the II International conference. Southern Scientific Centre of RAS. – 2014. – С. 41–43

2. Чикин А.Л. Двухслоиная математическая модель ветровых течении в водоемах, имеющих большие площади мелководья» // Матем. vоделирование. – 2009. – T. 21. – № 12. – C. 152–160.

3. Чикин А.Л. Об одном из методов расчета параметров течении в водоемах с большои неоднородностью глубин // Водные ресурсы. – 2005. – Т. 32. – № 1. – C. 55–60.

4. Третьякова И.А., Чикин А.Л., Бердников С.В. Моделирование нагонных явлении в дельте Дона для целеи оперативного прогнозирования экстремального превышения уровня воды // Экология. Экономика. Информатика (7–12 сентября 2014 г.). Сборник статеи в 2-х тт. – Т. 1: Системныи анализ и моделирование экономических и экологических систем. Южныи федеральныи университет: Издательство Южного федерального университета. – Росто н/Д, 2014. – С. 108–111.

5. Третьякова И.А., Чикин А.Л., Бердников С.В. Прогнозирование нагонных явлении с применением модели SASMO // Экология. Экономика. Информатика. Сборник статеи в 3-х тт. – Т. 1: Системныи анализ и моделирование экономических и экологических систем. Южныи федеральныи университет: Издательство Южного федерального университета. – Ростов н/Д, 2015. – С. 288–291.

6. Tretyakova I.A., Yaitskaya N.A. Methods for assessing dangerous storm and surge phe-nomena in the basin and coastal zone of the sea of Аzov // Геоинформационные науки и прогнозирование экстремальных явлении. Сборник статеи III международнои научнои конференции. Southern Scientific Centre of RAS Institute of Arid Zones SSC RAS. – 2015. – С. 101–122.

7. Матишов Г.Г., Бердников С.В. Экстремальное затопление дельты Дона веснои 2013 г. // Известия РАН.Серия географическая. – М.: Наука, 2015. – № 3. – С. 111–118.

157

GEOINFORMATION SYSTEM OF SURGE PHENOMENA

Tretyakova I.A.1, 2

1 Institute of Arid Zones, Southern Scientific Center of Russian Academy of Sciences, Rostov-on-Don, 2 Southern Scientific Center of Russian Academy of Sciences,

Rostov-on-Don, Russia


Abstract. The paper describes the geographic information system «Surge Phenomena». Public cadastral map by the Federal Service for State Registration, Cadaster and Cartography of the Russian Federation as well as author’s raster layers created in the HEC-RAS program based on the SASMO model calculations have been taken as data sources. The creation of the «Surge Phenomena» GIS allowed building a risk map of the area and classifying its regions by flood strength at different water levels rise based on the calculated data of the flood zones.

Keywords: GIS, wind surge, water level, mathematical modeling, flood forecasting, SASMO.

References

1. Tretyakova I.A., Chikin A.L. 2014. [Forecasting of dangerous Don delta flooding: prelimi-nary results] Geoinformation Sciences and Environmental Development: New Approaches, Methods, Technologies. Collection of articles of the II International conference. – Southern Scientific Centre of RAS, 2014. – pp. 41–43. (In English).

2. Chikin A.L. Dvuhsloinaya matematicheskaya model vetrovyh techenii v vodoiemah, imeushih bolshie ploshadi melkovodya [Two-layer mathematical model of wind currents in basins with large shallow water areas] // Math. Modelling. – 2009. – Vol. 21. – No. 12. – P. 152–160 (In Russian).

3. Chikin A.L. Ob odnom iz metodov rascheta parametrov techenii v vodoemah s bolshoi neodnorodnostiu glubin [On one of the flow parameter calculation methods in basins with high depth heterogeneity] // Vodnye resursy [Water Resources]. – 2005. – Vol. 32. – No. 1. – P. 55–60 (In Russian).

4. Tretyakova I.A., Chikin A.L., Berdnikov S.V. 2014. Modelirovaniye nagonnyh yavleny v delte Dona dlya tseley operativnogo prognozirovaniya ekstremalnogo prevysheniya urovnya vody [Surge modeling in the Don delta for operational forecasting of extreme water level rise] // Ekologiya. Ekonomika. Informatika (7–12 Sentyabrya 2014). Sbornik statei v 2 t. T. 1: Sis-temnyi analiz i modelirovanie ekonomicheskih i ekologicheskih sistem. [Ecoogy. Economy. Informatics (September 7–12, 2014) Collection of articles in 2 volumes. Vol. 1: System anal-ysis and modeling of economic and ecological systems]. – Rostov-on-Don: Published SFU, 2014. – P. 108–111 (in Russian).

5. Tretyakova I.A., Chikin A.L., Berdnikov S.V. Prognozirovaniye nagonnyh yavlenii s prime-neniyem modeli SASMO [Prediction of surge phenomena using SASMO model] // Ekologiya. Ekonomika. Informatika. Sbornik statei v 3 t. T.1: Sistemnyi analiz i modelirovanie ekonom-icheskih i ekologicheskih sistem. [Ecology. Economy. Informatics. Collection of articles in


158

3 volumes. Vol. 1: System analysis and modeling of economic and ecological systems]. – Ros-tov-on-Don: Published SFU, 2015. – P. 288–291 (in Russian).

6. Tretyakova I.A., Yaitskaya N.A. Methods for assessing dangerous storm and surge phenome-na in the basin and coastal zone of the Sea of Azov // Geographic information technologies and prediction of extreme events. Collection of articles of the III International Conference. Southern Scientific Centre of RAS Institute of Arid Zones SSC RAS. – 2015. – P. 101–122 (In English).

7. Matishov G.G., Berdnikov S.V. Extremalnoe zatoplenie delty dona vesnoi 2013 g. [Extreme flooding of the Don delta in spring 2013] // Izvestiya RAN. Seriya geograficheskaya. [RAS proceedings. Geographical Series]. – M.: Nauka, 2015. – P. 111–118 (in Russian).

159

МЕТОДИКА ГЕОИНФОРМАЦИОННОЙ ОЦЕНКИ НЕОТЕКТОНИЧЕСКИХ ДВИЖЕНИЙ

ЗЕМНОЙ КОРЫ НА ПРИМЕРЕ НАГОРЬЯ САНГИЛЕН1

Селезнёва Е.В.Институт математических проблем биологии РАН, г. Пущино


Неотектоника изучает новеишие тектонические движения неоген-четвертич-ного этапа, определяющие основные черты современного рельефа [1]. В настоя-щее время неотектоническии анализ имеет широкое применение – как в фунда-ментальных исследованиях (восстановление палеорельефа территории, оценка амплитуды тектонических деформации, история развития современного рельефа региона), так и в прикладнои сфере (проектирование долговременных сооруже-нии, поиск полезных ископаемых, прогноз землетрясении).

Для изучения неотектонических процессов применяют различные качествен-ные и количественные методы, фиксирующие, в основном, геоморфологические особенности и эволюцию рельефа [2]. В частности, для этих целеи используется анализ рельефа земнои поверхности совместно с геолого-геоморфологическими данными [3].

В настоящее время стало доступным значительное количество новых цифро-вых данных, описывающих рельеф земнои поверхности – как глобального, так и регионального и локального охвата. К глобальным можно отнести цифровые модели рельефа, покрывающие всю или почти всю территорию земного шара: SRTM, ASTER GDEM, ETOPO1 и др., а также космические снимки (Landsat, ASTER, MODIS). Данные глобального покрытия в большинстве своем общедо-ступны и бесплатны, но характеризуются средним или низким пространствен-ным разрешением. Среди данных локального или регионального покрытия выделяются материалы, полученные с помощью методов геодезическои съемки, в том числе с использованием спутникового навигационного оборудования (GPS), а также данные лазерного сканирования (LIDAR) и детальные космиче-ские снимки.

Современные геоинформационные системы (ГИС) позволяют совместно обрабатывать, анализировать и хранить весь объем разнороднои простран-ственнои информации. Благодаря этому стало возможным проводить морфо-тектоническии анализ больших территории. В последнее десятилетие разработан ряд алгоритмов, автоматизирующих традиционные ручные морфометрические методы анализа рельефа [4], [5], [6], [7] и др.]. Стало возможным формализовать основные термины и подходы и сделать неотектоническии анализ более унифи-цированным и воспроизводимым.

1 Работа выполнены при поддержке РФФИ (проект № 16–37-00334).


160

Однако существующие методы и алгоритмы не лишены определенных недо-статков; остается нерешенным целыи ряд вопросов. В частности, необходим анализ предела применимости тех или иных данных в зависимости от про-странственно-временного масштаба исследуемого объекта. Кроме того, так как в неотектонических исследованиях зачастую не хватает фактических данных, необходимо использовать комплекс морфотектонических методов для анализа того или иного неотектонического феномена, чтобы получить более кондици-онные результаты. Наконец, до сих пор далеко не все методы традиционнои ручнои морфометрии алгоритмизированы и автоматизированы, из-за чего они не могут применяться для анализа цифровых моделеи рельефа в целях решения задач неотектоники. В этои связи актуальнои продолжает оставаться задача алгоритмизации и программнои реализации традиционных морфометрических методов. Настоящая работа посвящена решению части этих вопросов.

Исследования выполнены на примере горного массива Сангилен, располо-женного в юго-восточнои Туве. Массив простирается вдоль севернои границы зоны распространения Индо-Азиатскои коллизии, а также расположен на юго-западном фланге Баикальскои рифтовои зоны [8].

Ряд исследователеи выделяет в геологическои истории региона два периода тектоническои активации: на границе Олигоцена-Миоцена и в Плиоцене. Счи-тается, что после периода активации в Олигоцене-Миоцене, территория нахо-дилась в режиме тектонического покоя и перед началом Плиоцена представляла из себя субгоризонтальную поверхность, которая с началом второго периода тектоническои активации была преобразована в современные складчато-глы-бовые горы [9], [10].

В настоящее время регион относится к тектонически активным, здесь было шесть сильных (магнитуда 5М-7М) землетрясении, согласно данным USGS и данным геологическои съёмки РАН с 1972 года. Последнее из них было в 2012 году [11].

Исследования выполнялись на территориях разных масштабов, поэтому помимо самого массива Сангилен, к раионам исследования относятся также Терехольская межгорная котловина, озеро Тере-Холь, расположенное в юго-западном замыкании котловины, а также остров Пор-Бажин, расположенныи в озере Тере-Холь.

Основнои подход в оценке топографическои деформации заключается в ана-лизе поверхностеи с изначально известнои геометриеи (геоморфологические маркеры). Эти маркерные поверхности различаются по времени формирования, разрушения и площади распространения, что в свою очередь соотносится с мас-штабами процессов, которые сформировали эти поверхности [1]. Помимо этого использовались и другие методы в соответствии с масштабом исследования:1) Нагорье Сангилен – 130*170 км/n*106 лет.

В настоящее время в раионе нагорья много плосковершинных поверхно-стеи. Основные слагающие породы (граниты, гнеисы, мраморы) достаточно устоичивы к выветриванию. Большинство исследователеи рассматривают их

161


как часть единои древнеи эрозионнои поверхности, которая сформировалась во времена Мезозоя-Палеогена в сухом климате [1], [9], [12], [13], [14].

В качестве данных использовалась цифровая модель SRTM, геологическая карта масштаба 1:200 000, опубликованные данные трекового датирования. По SRTM с помощью алгоритмов расчета кривизны поверхности и маски высот были выделены субгоризонтальные привершинные поверхности. Кор-реляционныи анализ с данными геологическои карты показал, что выбран-ные участки не имеют существеннои связи с литологиеи пород. За вычетом мелких и неподходящих выделенные участки рассматриваются как части единои древнеи эрозионнои поверхности. Для оценки деформации прово-дился тренд-анализ высот выделенных участков. Дополнительно для оценки деформации поверхности были автоматизированно построены продольные профили речных долин и проанализированы регрессионные уступы.

2) Межгорная котловина Тере-Холь – 15*35 км/n*105 лет.Котловина Тере-Холь относится к впадинам по типу пулл-апарт, начала

формироваться в Плиоцене. Относительная глубина котловины 400 метров. В юго-западном замыкании расположено озеро Тере-Холь.

Данными служила цифровая модель рельефа с пространственным разре-шением 20 м, построенная в ходе исследования по данным топографических карт масштаба 1:25 000 и 1:50 000. С помощью цифрового моделирования был составлены и проанализированы различные гипотезы тектоническои динами-ки дна котловины и выбрана единственная. Для верификации использовались данные геологического зондирования.

3) Юго-западное замыкание котловины Тере-Холь, озеро Тере-Холь – 4*8 км/n*104 лет.

Основными данными послужили данные геодезического профилирования озерных террас. По этим данным с помощью статистическои оценки оце-нивалась общая деформация террасовых уровнеи, которая свидетельствует о тектоническои деформации территории со времени формирования озера (Плеистоцен).

4) Озерныи остров Пор-Бажин – 200*300 м/n*103 лет.Основными данными послужили результаты геодезическои съемки

и наземного лазерного сканирования, а также полевые данные геолого-гео-морфологического бурения. Остров расположен в озере Тере-Холь. на острове находится раннесредневековая построика (предположительно, крепость) окруженная стенами, изначально горизонтальными. Стены использовались в качестве маркернои поверхности. С помощью ГИС была оценена величина деформации поверхности со времени построики крепости, а также восста-новлена палеотопография острова [15]. В результате работы была оценена величина тектоническои деформации

нагорья Сангилен на разных пространственно-временных масштабах: от начала Плиоцена до средних веков. Проведен анализ применимости исходных данных и описана методика


162


1. Николаев Н.И. Неотектоника и ее выражение в структуре и рельефе территории СССР (вопросы региональнои и теоретическои неотектоники). – М.: Госгеолтехиздат, 1962. – 392 с.

2. Burbank D.W., Anderson R.S. Tectonic Geomorphology. 2nd edition. – Wiley, 2012. – 454 p.3. Никонов А.А. Современные движения земнои коры: 2-е изд. – М.: КомКнига, 2006.4. Jordan G., Meijninger B.M.L., van Hinsbergen D.J.J., Meulenkamp J.E., van Dijk P.M. Extraction

of morphotectonic features from DEMs: Development and applications for study areas in Hungary and NW Greece // International Journal of Applied Earth Observation and Geoin-formation. – 2005. – Vol. 7. – No. 3 – P. 163–182.

5. Grohmann C.H., Riccomini C., Alves F.M. SRTM-based morphotectonic analysis of the Pocos de Caldas Alkaline Massif, southeastern Brazil // Computers and Geosciences. – 2007. – Vol. 33. – No. 1. – P. 10–19.

6. Ehsani A.H., Quiel F. A semi-automatic method for analysis of landscape elements using Shuttle Radar Topography Mission and Landsat ETM+ data // Computers and Geosciences. – 2009. – Vol. 35. – No. 2. – P. 373–389.

7. Florinsky I.V. Digital Terrain Analysis in Soil Science and Geology. – Amsterdam: Elsevier/Academic Press, 2012. – 379 p.

8. Arzhannikova A. et al. Pliocene to Quaternary deformation in South East Sayan (Siberia): Initiation of the Tertiary compressive phase in the southern termination of the Baikal Rift System // Journal of Asian Earth Sciences. – 2011. – No. 40 (2). – P. 581–594.

9. Arzhannikova A.V. et al. The time of the formation and destruction of the Meso-Cenozoic peneplanation surface in East Sayan // Russian Geology and Geophysics. – 2013. – No. 54 (7). – P. 685–694.

10. Стрелков С.А., Вдовин В.В. Алтае-Саянская горная область // История развития рельефа Сибири и Дальнего Востока. – М.: Наука, 1969. – 411 с.

11. Панин А.В. 2011. Первые данные о позднеголоценовои сеисмике юго-западного замыкания Баикальскои рифтовои зоны // Доклады Академии Наук. – 2011. – Т. 438. – № 1. – C. 563–568.

12. Геология СССР. – Т. XXIX. АССР Тува. – М.: Недра, 1966. – 459 с.13. Герасимов И.П., Мещеряков Ю.А. Рельеф Земли (морфоструктура и морфоскульптура). –

М.: Наука, 1967. – 332 с.14. Гросвальд М.Г. Развитие рельефа Саяно-Тувинского нагорья (оледенения, вулканизм,

неотектоника). – М.: Наука, 1965. – 167 с.15. Селезнева Е.В., Лурье И.К., Панин А.В. Создание и исследование цифровых моделеи

рельефа для реконструкции палеорельефа острова Пор-Бажын // Геоинформатика. – 2009. – № 3. – С. 37–44.

163

GIS METHODS OF ESTIMATION OF NEOTECTONIC DEFORMATIONS OF SANGILEN MOUNTAINS

Selezneva E.V.Institute of Mathematical Problems of Biology

е-mail: [email protected]

Abstract: Common approach of geomorphological markers with initial known geometry were used to estimate topography deformation GIS. Markers differ in time of formation, destruction and area of distribution as geomorphological process have spatial and time dependencies. Some of researchers attribute this to different stages of global climate changes. We used three types of geomorphological markers on the same territory: erosion surfaces, lakes terraces and walls of ancient fortress construction. Digital elevation models, geological maps and field data were used for computation deformations in GIS. Resolution and initial set of data were different depend on scale of investigations: Sangilen highland (130*170 km/n*106 years), intermountain Terekhol basin and Terekhol lake area ((15*35 km-4*8 km)/n*(105–104 years) and small lakes island Por-Bajin (200*300 m/n*103 years). For highland scale, GIS analysis was used to subtract almost flat areas situated on mountain ridges from SRTM DEM. Geological map was used to select sites on weathering resistant rock. Sufficiently large areas of the resulting layer considered as parts of an ancient erosion surface. Based on apatite fission-track analysis data for neighbor region the age of the erosion surface was evaluated and refined. Histogram and trend surface analysis allowed to estimate amplitude and trend component of a topography deformations. For inermountain scale, 20-meters resolution DEM were used to examine different possible scenarios of basins bedding vertical movements. For lake scale, horizontal walls of an ancient fortress were used as a geomorphological marker. DEM (30 cm resolution) with field geodetic and geological survey were used to estimate surface deformation since fortress was build and to reconstruct paleotopography.

References

1. Nikolaev V.A. Neotektonika i ee vyrazhenie v strukture i rel’efe territorii SSSR (voprosy region-al’noj i teoreticheskoj neotektoniki) [Neotectonics and its imprint in structure and terrain of USSR territory (on questions of regional and theoretical neotectonics)]. – M.: Gosgeoltehizdat, 1962. – 391 p. (in Russian)

2. Burbank D.W., Anderson, R.S. Tectonic Geomorphology. 2nd edition. – Wiley, 2012. – 454 p.3. Nikonov A.A. Sovremennye dvizhenija zemnoj kory [Modern movements of the Earth crust].

2nd edition. – M: KomKniga, 2006 (in Russian).4. Jordan G., Meijninger B.M.L., van Hinsbergen D.J.J., Meulenkamp J.E., van Dijk P.M. Extraction

of morphotectonic features from DEMs: Development and applications for study areas in Hungary and NW Greece // International Journal of Applied Earth Observation and Geoin-formation. – 2005. – No. 7 (3). – P. 163–182.

5. Grohmann C.H., Riccomini C., Alves F.M. SRTM-based morphotectonic analysis of the Pocos de Caldas Alkaline Massif, southeastern Brazil // Computers and Geosciences. – 2007. – No. 33 (1). – P. 10–19.


164

6. Ehsani A.H., Quiel F. A semi-automatic method for analysis of landscape elements using Shuttle Radar Topography Mission and Landsat ETM+ data // Computers and Geosciences. – 2009. – No. 35 (2). – P. 373–389.

7. Florinsky I.V. Digital Terrain Analysis in Soil Science and Geology. – Amsterdam: Elsevier/Academic Press, 2012. – 379 p.

8. Arzhannikova A. et al. Pliocene to Quaternary deformation in South East Sayan (Siberia): Initiation of the Tertiary compressive phase in the southern termination of the Baikal Rift System // Journal of Asian Earth Sciences. – 2011. – No. 40 (2). – P. 581–594.

9. Arzhannikova A.V. et al. The time of the formation and destruction of the Meso-Cenozoic peneplanation surface in East Sayan // Russian Geology and Geophysics. – 2013. – No. 54 (7). – P. 685–694.

10. Strelkov S.A., Vdovin V.V. Altae-Sajanskaja gornaja oblast’ [Altai-Sayan mountain area]. History of terrain development of Siberia and the Far East. – M: Nauka, 1969. – 411 p. (in Russian)

11. Panin A.V. New data on the late Holocene seismicity of the southwestern edge of the Baikal Rift Zone // Doklady Earth Science. – 2011. – No. 438 (1). – P. 563–568.

12. Geologija SSSR. – T. 29. ASSR Tuva [Geology of USSR. – Vol. 29. Tuva republic]. – M.: Nedra, 1966. – 459 p. (in Russian)

13. Gerasimov I.P., Mesheryakov Yu.A. Rel’ef Zemli (morfostruktura i morfoskul’ptura) [Terrain of land (morphostructure and morphosculpture)]. – M.: Nauka, 1967. – 332 p. (in Russian)

14. Grosswald M.G. Razvitie rel’efa Sajano-Tuvinskogo nagor’ja (Oledenenija, vulkanizm, neotektonika) [Development of the topography of the Sayano-Tuvan Highlands (glaciation, volcanism, neotectonic)]. – M.: Nauka, 1965. – 167 p. (in Russian)

15. Selezneva E.V., Lurie I.K., Panin A.V. Sozdanie i issledovanie cifrovyh modelej rel’efa dlja rekonstrukcii paleorel’efa ostrova Por-Bazhyn [Constructing and study of digital terrain models for reconstruction of paleoterrain of Por-Bazhyn Island] // Geoinformatica. – 2009. – No. 3. – P. 37–44.

165

РАЗРАБОТКА ОСНОВАННЫХ НА АВТОМАТИЧЕСКОЙ ГЕНЕРАЛИЗАЦИИ

ПРОГРАММНЫХ СРЕДСТВ ИНТЕРАКТИВНОЙ ВИЗУАЛИЗАЦИИ ЭЛЕКТРОННЫХ КАРТОГРАФИЧЕСКИХ МОДЕЛЕЙ МЕСТНОСТИ1

Учаев Д.В.1, Бобков А.Е.2, Учаев Дм.В.1

1Московский государственный университет геодезии и картографии, г. Москва, 2Московский физико-технический институт, Московская область, г. Долгопрудный

е-mail: [email protected], [email protected]

ВВЕДЕНИЕ

Программные средства визуализации электронных картографических моделеи местности (ЭКММ) предназначены для приемлемого с картографическои точки зрения отображения ЭКММ при изменении расстояния от камеры до условных знаков (под ЭКММ здесь и далее будем понимать образно-знаковую генерали-зованную масштабируемую метрическую модель местности, воспроизводимую электронными средствами).

В общем случае при построении сцен, отображающих ЭКММ, расстояние от камеры до знака может изменяться непрерывно. При этом размер условных знаков в системе координат экрана может либо изменяться в зависимости от значения расстояния от условного знака до камеры, либо быть постоянным. Первыи подход предполагает, что вид и размер условных знаков указывается в пикселях экрана. При отдалении камеры видимыи размер таких условных знаков на экране сохраняется, но размер в линеиных единицах карты растет. Другои подход состоит в том, что размер условных знаков задается в линеиных единицах измерения ЭКММ (например, в метрах). При отдалении камеры такие знаки уменьшаются на экране по закону перспективы.

Как правило, для разных типов объектов ЭКММ используется один из данных подходов, однако оба указанных выше подхода имеют свои недостатки. В первом подходе при отдалении камеры от объекта ЭКММ (т.е. при понижении уровня детализации ЭКММ) уменьшаются промежутки между картографическими объ-ектами на экране, вследствие чего условныи знак может начать перекрываться соседними условными знаками и требуется генерализация ЭКММ. Во втором подходе отсутствует возможность отображать объект ЭКММ в независимости от степени ее детализации. Например, если на наивысшем уровне детализации ЭКММ, содержится условныи знак, обозначающии важную с точки зрения назна-чения карты автотрассу (например, федеральную трассу), то на других уровнях детализации ЭКММ данная автотрасса может исчезнуть.

1 Работа выполнена при поддержке гранта Президента Россиискои Федерации по до-говору № 14.Z56.16.8526-МК от 14.03.2016 (МК-8526.2016.5).


166

Традиционныи подход к решению даннои задачи состоит в задании огра-ничительных параметров для отображаемых условных знаков в метрах и / или в пикселях. Тогда при приближении камеры к условному знаку размер условного знака в метрах не может стать меньше заданнои величины в метрах, а при отда-лении камеры от объекта его размер в пикселях не может стать меньше заданнои величины в пикселях. Подобныи подход позволяет добиться определенных успе-хов в разрешении конфликтов размещения картографических условных знаков ЭКММ. Однако он не решает наиболее существенную проблему интерактивнои визуализации ЭКММ – резкии рост объема отображаемои информации при удалении камеры от ЭКММ, прорисовка которои существенно замедляет весь процесс визуализации.

С даннои проблемои тесно связана проблема хранения и обновления больших объемов мультимасштабных ЭКММ, т.е. ЭКММ, имеющих многомасштабное представление [1]. На сегодняшнии день стандартным подходом при построении хранилищ мультимасштабных ЭКММ является хранение в едином хранилище ЭКММ разных масштабов. При этом помимо очевиднои избыточности хранимых данных, неизбежно возникает задача корректного обновления данных об отдель-ных объектах или слоях разных ЭКММ на одну территорию. Одно из решении даннои проблемы заключается в реализации модели хранения мультимасштаб-ных ЭКММ, при которои поддерживаются и обслуживаются вертикальные семантические и топологические отношения между объектами ЭКММ разного уровня детализации (см., например, [2]). Однако реализация этого подхода на практике оказывается краине сложнои и пока не находит приемлемого для прак-тического использования программного решения.

Наиболее адекватным подходом к решению обоих вышеуказанных проблем является реализация механизмов автоматическои генерализации ЭКММ, позво-ляющих с однои стороны сделать возможным интерактивное отображение ЭКММ больших объемов, а с другои стороны избавиться от необходимости хранения множества многомасштабных представлении ЭКММ на одну территорию в хра-нилищах геоданных. До недавнего времени данныи подход рассматривался исключительно как исследовательская задача, текущии уровень решения кото-рои не удовлетворял потребностям цифровои картографии. Однако в последние годы ситуация резко изменилась. Исследования, проводившиеся в 00-x годах в Великобритании, Швеицарии, ФРГ, Дании показали, что создание программно-го обеспечения, позволяющего производить автоматическую картографическую генерализацию, возможно и открывает большие перспективы по переводу циф-ровои картографии на совершенно новыи технологическии уровень. Например, программныи комплекс Axpand (Axes Systems, Швеицария) уже используется при производстве мелкомасштабных топографических карт Швеицарии, а такие лидеры в области программных средств автоматическои картографическои генерализации как 1Spatial (Великобритания) и Hexagon Geospatial (США) уже разработали про-тотипы программных систем, обладающих широкими возможностями по автома-тизации процесса генерализации крупномасштабных и среднемасштабных карт.

167


Россия в вопросах разработке и применении программных средств автома-тизации картографических работ существенно отстает от своих западных кон-курентов. Среди всего многообразия программных систем, разработанных или разрабатываемых в нашеи стране для целеи построения карт и картографических моделеи в целом, можно перечислить лишь единичные примеры того, когда комплексно и на современнои научнои основе решалась бы задача построения программных средств автоматическои генерализации. Однои из таких систем является ГИС Карта (ЗАО КБ «Панорама»), и в частности реализованныи в рам-ках даннои системы программныи модуль «Автоматизированная генерализация топокарт». Данныи модуль позволяет производить преобразования так называ-емых цифровых топографических карт (ЦТК) более крупного масштаба в ЦТК более мелкого масштаба. Однако связь между исходнои и генерализованнои картами не сохраняется. Более того, в модуле «Автоматизированная генера-лизация топокарт» предлагается использовать только один набор операторов генерализации для выбранных наборов объектов и только одну технологию генерализации. Таким образом, можно, с сожалением, констатировать, что модуль «Автоматизированная генерализация топокарт» не предоставляет гиб-ких механизмов построения технологии автоматизированнои генерализации. И наконец, в продуктах ЗАО КБ «Панорама» механизмы генерализации ЦТК не применяются в целях их интерактивнои визуализации на экране монитора (т.е. отсутствуют функция интерактивнои генерализации электронных карт, создаваемых на основе ЦТК).

Целью даннои работы является:1. Краткии анализ текущего состояния проблемы семантическои геоинтеропе-

рабельности как однои из основных проблем, решаемых при разработке про-граммных средств интерактивнои визуализации мультимасштабных ЭКММ.

2. Представление текущего состояния работ по созданию основанных на автома-тическои генерализации программных средств интерактивнои визуализации ЭКММ, выполненных авторами даннои публикации.

ПРОБЛЕМА СЕМАНТИЧЕСКОЙ ГЕОИНТЕРОПЕРАБЕЛЬНОСТИ: ТЕКУЩЕЕ СОСТОЯНИЕ И ВЛИЯНИЕ НА РАЗРАБОТКУ

ПРОГРАММНЫХ СРЕДСТВ ИНТЕРАКТИВНОЙ ВИЗУАЛИЗАЦИИ МУЛЬТИМАСШТАБНЫХ ЭКММ

Модели представления геоинформационнои и в частности картографиче-скои информации, реализованные в различных ГИС, зачастую сильно отли-чаются друг от друга, что отражается на процессе обмена геопространствен-ными данными. Ключевои проблемои при этом является проблема передачи семантическои информации (семантическая геоинтероперобельность). Суще-ствующие на сегодняшнии день пути решения даннои проблемы основаны на использовании таких форматов передачи данных как GML/XSD или SXF/


168

RSC, позволяющих вместе с геопространственнои информациеи передавать и семантическую информацию (т.е. на использовании обменных моделеи пред-ставления геопространственнои информации). Однако данные форматы не позволяют описать все многообразие геопространственных и семантических отношении, возникающих между объектами, описываемыми ЭКММ, например семантическое отношение эквивалентности или пространственное отношение примыкания двух объектов ЭКММ. Более того, ни один из форматов пере-дачи геопространственнои информации, поддерживаемыи современными ГИС, не предполагает использование формального языка представления семантическои информации, что неизбежно сказывается на автоматизации процесса интеграции ЭКММ, реализующих разные модели представления геопространственнои информации.

Даннои проблеме посвящено большое количество исследовании, про-водившихся как в России, так и за рубежом за последние несколько деся-тилетии (см., например, [3; 4]). Во многих странах были созданы специ-ализированные научные центры, занимающиеся исследованиями в области представления геопространственных знании, геонтологии и других проблем семантическои геоинтероперабельности. Например, центр развития геоин-формационных наук (CEGIS) в составе Геологическои службы США (USGS) или группа онтологического инжиниринга (OEG) на базе Школы компьютер-ных наук Мадридского политехнического университета (Испания). Научные и практические результаты, полученные в данных центрах, легли в основу крупнеиших проектов, выполняемых в США и Испании в области геоинфор-матики и картографии (в частности, создана Национальная карта США – клю-чевои компонент национальнои инфраструктуры пространственных данных США). В военнои сфере важность интероперабельности цифровои геопро-странственнои информации была осознана еще в середине 80-х годов XX вв.. В частности, в 1985 г. была учреждена Рабочая группа по геопространственнои информации оборонного значения, которая активно функционирует и по сеи день, разрабатывая стандарты для обмена геопространственными данными между странами НАТО и внеблоковыми государствами.

Одним из основных результатов деятельности, направленнои на изучение вопросов семантическои геоинтероперабельности, стала разработка подхо-дов к использованию идеи семантическои паутины (Semantic Web), а также технологии связанных данных (Linked Data) для решения проблем передачи семантическои информации о геопространственных объектах между различ-ными программными системами. На примере реальных данных продемон-стрированы преимущества данных подходов и возможность построения на их основе крупномасштабных инфраструктур обмена геопространственны-ми данными. В области программного обеспечения исследования вопросов интероперабельности цифровои геопространственнои информации привели к идеям создания нового класса ГИС – онтологически-основанных ГИС [5]. Сеичас, ГИС, обладающие возможностями формального описания семанти-

169


ческои информации о геопространственных объектах, на рынке практиче-ски отсутствуют. Вместе с тем научно-технические исследования в данном направлении ведутся интенсивно. За последнее десятилетие было создано несколько академических программных средств, предназначенных для инте-грации моделеи геопространственных данных, представленных в форме фор-мальных онтологии: система BUSTER (Bremen University Semantic Translator for Enhanced Retrieval) [6], проект Сотниковои и др. [7], проект Хакимпура и др. [8], система GeoNis [9] и проект Аертса и др. [10].

В области интерактивнои визуализации мультимасштабных ЭКММ про-блема семантическои геоинтероперабельности имеет еще большее значение, чем в области передачи ЭКММ между разными программными системами обработки и представления геопространственнои информации, поскольку представление ЭКММ на разных уровнях детализации должно однозначно быть согласовано как в пространственном, так и в семантическои смысле. При этом, если пространственная согласованность может быть относитель-но легко реализована посредством процедуры построения менее детальных уровнеи представления ЭКММ с помощью разнообразных операторов кар-тографическои генерализации, то семантическая согласованность требует применения для всеи мультимасштабнои ЭКММ единои унифицированнои модели представления семантическои информации (включая типизацию собственно самих объектов ЭКММ и отношении между ними). Учитывая сложность решения даннои задачи в глобальном масштабе (т.е. для любых мультимасштабных ЭКММ), выходом из даннои ситуации могла бы стать разработка модели обмена семантическои информации, учитывающеи спец-ифику используемых в Россиискои Федерации классификаторов картогра-фическои информации. Подобная работа была проведена авторами даннои публикации. При этом предметом исследования явились классификаторы, используемые вместе с так называемыми цифровыми планами городов, ЦТК и обзорногеографическими картами, сохраняемыми в фаилах формата SXF/RSC (данные фаилы, по сути, содержат цифровую карту и соответствующую еи электронную карту, поскольку помимо собственно цифровои картогра-фическои информации они содержат описание правил воспроизведения цифровои картографическои информации электронными средствами). Для формализации семантических знании, содержащихся в классифика-торах исследуемых видов карт использовался язык Web Ontology Language (OWL) – один из наиболее выразительных языков представления зна-нии, обладающии при этом такими качествами как сохранность полноты вычислении (все логические заключения, подразумеваемые тои или инои онтологиеи, являются гарантированно вычислимыми) и разрешаемости (все вычисления завершаются за определенное время). Результатом даннои работы стала разработанная формальная онтология, содержащая описание более 250 различных семантических характеристик и более 800 различных типов объектов карт.


170

РАЗРАБОТКА ПРОТОТИПА ОСНОВАННЫХ НА АВТОМАТИЧЕСКОЙ ГЕНЕРАЛИЗАЦИИ ПРОГРАММНЫХ СРЕДСТ

В ИНТЕРАКТИВНОЙ ВИЗУАЛИЗАЦИИ МУЛЬТИМАСШТАБНЫХ ЭКММ

Общии принцип работы разрабатываемых программных средств интерак-тивнои визуализации мультимасштабных ЭКММ заключается в следующем: при помещении ЭКММ в хранилище геоданных происходит формирование генерализованных ЭКММ по заранее определеннои технологическои схеме, в которои каждому типу объектов из онтологии объектов сопоставлена своя последовательность операторов картографическои генерализации. На рис. 1 представлено окно модуля построения схемы интерактивнои генерализации ЭКММ с загруженнои в него тестовои схемои, а на рис. 2 – окно модуля выбора операторов картографическои генерализации для набора объектов, условно названного «Водоемы». Выбор конкретных алгоритмов, реализующих заданные типы операторов, производится в результате научно-технических исследовании, проводимых на тестовых наборах данных.

Рис. 1. Окно модуля построения схемы интерактивной генерализации ЭКММ с загруженной в него тестовой схемой

Рис. 2. Окно модуля выбора операторов картографической генерализации для заданного набора объектов ЭКММ

171


В качестве экспериментального материала была выбрана ЦТК на территорию города Винсхотен (Нидерланды), содержащая типовои для данного вида карт состав объектов (рис. 3). Для сравнения на рис. 4 отдельно изображен фрагмент мозаики OpenStreetMap (OSM), на ту же территорию, увеличенныи до уровня, при котором детальность ЦТК и фрагмента мозаики OSM максимально соот-ветствуют друг другу. Как видно из рис. 3, при данном уровне детализации мозаики OSM совмещаемая с неи ЦТК является вполне читабельнои и может быть использована в своем исходном виде.

Рис. 3. Фрагмент мозаики OpenStreetMap территории города Винсхотен (Нидерланды) с наложенной на нее векторной картой

Рис. 4. Фрагмент мозаики OpenStreetMap территории города Винсхотен (Нидерланды)


172

Однако уже при изменении детальности мозаики OSM на пару уровнеи (рис. 5) читабель-ность совмещаемои с неи ЦТК резко падает (рис. 6) и требуется использование средств интерак-тивнои генерализации. В дан-нои работе на рис. 1 продемон-стрирована простеишая схема, которая может быть использо-вана для интерактивнои гене-рализации ЦТК, изображеннои на рис. 3. Схема представлена в табличном виде, где в каждои ячеике в закодированном виде перечислены операторы кар-тографическои генерализации, применяемые для объектов, объ-

единенных в домены, название которых указано во втором столбце таблицы. Расшифровка операторов картографическои генерализации, использованных в даннои работе, имеется в работе [11]. Результат применения даннои схемы к исходнои ЦТК показан на рис. 7. Как видно из рис. 7, ЦТК после применения указаннои выше схемы интерактивнои генерализации становится более чита-бельнои, а ее загрузка менее затратнои по времени, чем загрузка в оперативную память исходнои карты.

Рис. 6. Генерализованный фрагмент мозаики

OpenStreetMap территории

города Винсхотен (Нидерланды)

с наложенной на нее ЦТК, не подвергнутой

картографической генерализации

Рис. 5. Генерализованный фрагмент мозаики OpenStreetMap территории

города Винсхотен (Нидерланды)

173


Следует подчеркнуть, что целью даннои работы не является поиск наи-лучшеи стратегии инте-рактивнои генерализации исходнои ЦТК, оптималь-ных для даннои карты операторов картографиче-скои генерализации и алго-ритмов их реализующих, а демонстрация возмож-ности использования соз-даваемого программного инструментария для даль-неишего поиска и экспери-ментирования с разными топографическими ЭКММ для нахождения лучших решении задачи их инте-рактивнои генерализации.


В работе представлен краткии анализ текущего состояния проблемы семан-тическои геоинтероперабельности, и важность ее решения при разработке про-граммных средств интерактивнои визуализации ЭКММ. Результаты проведен-ного анализа показывают, что на сегодняшнии день данная проблема является однои из ключевых проблем геоинформатики, а достигнутые к настоящему времени успехи на пути ее решения уже сеичас позволяют получать практиче-скую пользу при реализации программных средств, направленных на обработку семантического содержания ЭКММ.

В последнеи части работы представлено текущее состояние работ по созданию основанных на автоматическои генерализации программных средств интерак-тивнои визуализации ЭКММ, выполненных авторами даннои публикации. На примере ЦТК на территорию города Винсхотен (Нидерланды) показано, что разрабатываемые программные средства демонстрируют большои потенциал при интерактивнои генерализации ЦТК и необходимость дальнеишеи работы по повышению качества получаемых результатов. В целом же, повышение уровня интеллектуализация ГИС за счет использования формальных онтологии, а так-же использование методов автоматическои генерализации для интерактивнои визуализации мультимасштабных ЭКММ должно в итоге позволить снизить временные, финансовые и человеческие ресурсы, затрачиваемые на их созда-

Рис. 7. Генерализованный фрагмент мозаики OpenStreetMap территории

города Винсхотен (Нидерланды) с наложенной на нее ЦТК,

подвергнутой картографической генерализации


174

ние и обновление. При этом создаваемыи инструментарии, предоставляющии средства проектирования и выполнения схем автоматическои генерализации позволит решить сразу две задачи: стандартизировать процесс построения муль-тимасштабных ЭКММ и наити наилучшие схемы интерактивнои генерализации для разного типа ЭКММ.


1. Самсонов Т.Е. Мультимасштабное картографирование рельефа: общегеографические и гипсометрические карты. – Lambert Academic Publishing, 2011. – 208 с.

2. Bobzien M. et al. Multi-representation Databases with Explicitly Modeled Horizontal, Ver-tical, and Update Relations // Cartogr. Geogr. Inf. Sci. – 2008. – Vol. 35. – No. 1. – P. 3–16. doi:10.1559 / 152304008783475698.

3. Wolfgang K., Danko D.M. Springer Handbook of Geographic Information. – Springer, 2012. – 1120 p.

4. Fonseca F.T. et al. Using Ontologies for Integrated Geographic Information Systems // Trans. GIS. – 2002. – Vol. 6. – No. 3. – P. 231. doi: 10.1111 / 1467–9671.00109.

5. Fonseca F.T., Egenhofer M.J. Ontology-Driven Geographic Information Systems / ACM- GIS ’99, Proceedings of the 7th International Symposium on Advances in Geographic Infor-mation Systems, November 2–6, 1999, Kansas City, USA / ed. Medeiros C.B. – ACM, 1999. – P. 14–19. doi:10.1145 / 320134.320137.

6. Visser U. Intelligent Information Integration for the Semantic Web // Springer Science & Business Media. – 2004. – Vol. 3159. – 163 p.

7. Sotnykova A. et al. Semantic Mappings in Description Logics for Spatio-temporal Database Schema Integration // Journal on Data Semantics III / ed. Spaccapietra S., Zimányi E. – Spring-er Berlin Heidelberg, 2005. – P. 143–167. doi: 10.1007 / 11496168_7.

8. Hakimpour F. Using Ontologies to Resolve Semantic Heterogeneity for Integrating Spatial Database Schemata: Ph.D. Dissertation. – Zurich, Switzerland: Zurich University, 2003. – 191 p.

9. Stoimenov L., Djordjevic-Kajan S. Discovering Mappings Between Ontologies in Semantic Integration Process / Proceedings of the 9th AGILE Conference on Geographic Information Science, Visegrád, Hungary, 2006 / ed. Suárez J., Márkus B. – Visegrád, 2006. – P. 213–219.

10. Aerts K., Maesen K., Rompaey A.V. A Practical Example of Semantic Interoperability of Large-Scale Topographic Databases Using Semantic Web Technologies / Proceedings of the 9th AGILE Conference on Geographic Information Science, Visegrád, Hungary, 2006 / ed. Suárez J., Márkus B. – Visegrád, 2006. – P. 35–42.

11. Roth R.E., Brewer C.A., Stryker M.S. A Typology of Operators for Maintaining Legible Map Designs at Multiple Scales // Cartogr. Perspect. – 2011. – No. 68. – P. 29–64. doi: 10.14714 / CP68.7.

175

DEVELOPMENT OF SOFTWARE FOR INTERACTIVE VISUALIZATION OF ELECTRONIC CARTOGRAPHIC TERRAIN MODELS BASED

ON AUTOMATIC GENERALIZATION

Uchaev D.V.1, Bobkov A.E.2, Uchaev Dm.V.1

1Moscow State University of Geodesy and Cartography, Moscow, Russia, e-mail: [email protected]

2Moscow Institute for Physics and Technology (State University), Moscow region, Dolgoprudny, Russia,


Abstract. Interactive visualization of electronic cartographic terrain models (ECTM) and in particular electronic maps is theme of many researches in recent years. However, it still remains a large gap between theoretical developments and the practical implementation of effective tools for interactive visualizations of ECTM. One of these gaps is the problem of semantic interoperability that arises in the process of interactive visualization of multiscale ECTMs. The work presents brief analysis of the current situation with the investigations of semantic interoperability as one of the main problems in development of software for interactive visualization of multiscale ECTMs and results of development of software for interactive visualization of ECTMs based on automatic generalization. Using a test ECTM we demonstrate the need and results of application of developed software. We also show main elements of interface of program module for construction of interactive generalization schemes and technology of assignment of cartographic operators for different objects of electronic cartographic terrain model. The aim of our future work is to increase the level of formalization of the implemented schemes of ECTMs for improving the quality and validity of the resulting generalized models.

Keywords: interactive visualization, electronic cartographic terrain models, automatic generalization, semantic interoperability

References

1. Samsonov T.E. Mul’timasshtabnoe kartografirovanie rel’efa: obshhegeograficheskie i gipso-metricheskie karty [Multiscale mapping the topography: general geographic and orographic maps]. – Lambert Academic Publishing, 2011. – 208 p. (In Russian).

2. Bobzien M., Burghardt D., Petzold I., Neun M., Weibel R. Multi-representation Databases with Explicitly Modeled Horizontal, Vertical, and Update Relations // Cartography and Geographic Information Science. 2008. – No. 35 (1). – P. 3–16. doi:10.1559 / 152304008783475698 (In English).

3. Wolfgang K., Danko D.M. Springer Handbook of Geographic Information. – Springer, 2012. – 1120 p. (In English).

4. Fonseca F.T., Egenhofer M.J., Agouris P., Câmara G. Using Ontologies for Integrated Geograph-ic Information Systems // Transactions in GIS. – 2002. – No. 6 (3). – P. 231. doi: 10.1111 / 1467–9671.00109 (In English).


176

5. Fonseca F.T., Egenhofer M.J. Ontology-Driven Geographic Information Systems / Proceed-ings of the 7th International Symposium on Advances in Geographic Information Systems / C.B. Medeiros (Ed.). Kansas City, USA. – ACM, 1999. – P. 14–19. doi:10.1145 / 320134.320137 (In English).

6. Visser U. Intelligent Information Integration for the Semantic Web // Springer Science & Business Media. – 2004. – No. 3159. – 163 p. (In English).

7. Sotnykova A., Vangenot C., Cullot N., Bennacer N., Aufaure M.-A. 2005. Semantic Mappings in Description Logics for Spatio-temporal Database Schema Integration // Journal on Data Semantics III (Lecture Notes in Computer Science 3534) / S. Spaccapietra, E. Zimányi (Eds.). – Springer Berlin Heidelberg, 2005. – P. 143–167. doi: 10.1007 / b137098 (In English).

8. Hakimpour F. Using Ontologies to Resolve Semantic Heterogeneity for Integrating Spatial Database Schemata (Ph.D. Dissertation). – Zurich University, Zurich, Switzerland, 2005. – 191 p. (In English).

9. Stoimenov L., Djordjevic-Kajan S. Discovering Mappings Between Ontologies in Semantic Integration Process / Proceedings of the 9th AGILE Conference on Geographic Information Science / J. Suárez, B. Márkus (Eds.). – Visegrád, 2006. – P. 213–219 (In English).

10. Aerts K., Maesen K., Rompaey A.V. A Practical Example of Semantic Interoperability of Large-Scale Topographic Databases Using Semantic Web Technologies / Proceedings of the 9th AGILE Conference on Geographic Information Science / J. Suárez, B. Márkus (Eds.). – Visegrád, 2006. – P. 35–42. (In English).

11. Roth R.E., Brewer C.A., Stryker M.S. A Typology of Operators for Maintaining Legible Map Designs at Multiple Scales // Cartographic Perspectives. – 2011. – No. 68. – P. 29–64. doi: 10.14714 / CP68.7 (In English).

177

ОЦЕНКА СЕЛЕВОЙ ОПАСНОСТИ В ТРАНСГРАНИЧНОМ БАССЕЙНЕ ШАХИМАРДАН

(КИРГИЗИЯ-УЗБЕКИСТАН) ПО ДАННЫМ ДИСТАНЦИОННОГО ЗОНДИРОВАНИИ

И ПОЛЕВЫХ ОБСЛЕДОВАНИЙ1

Черноморец С.С.1, Савернюк Е.А.2, Висхаджиева К.С.3, Петраков Д.А.4, Петров M.А.5, Ерохин С.А.6, Докукин М.Д.7, Тутубалина О.В.8, Глазырин Г.Е.9,

Cоколов Л.С.10, Шпунтова А.М.11, Штоффел М.12

1, 2, 3, 4, 8, 10, 11Московский государственный университет им. М.В. Ломоносова, Москва, Россия

5, 9Институт геологии и геофизики им. Х.М. Абдуллаева Национальной Академии наук Узбекистана, Ташкент, Узбекистан

6Институт водных проблем и гидроэнергетики Национальной Академии наук Кыргызстана, Бишкек, Кыргызская Республика

7Высокогорный геофизический институт, Нальчик, Россия 12Бернский университет, Институт геологических наук, Берн, Швейцария

е-mail: [email protected], [email protected], [email protected], [email protected], [email protected], [email protected],

[email protected], [email protected], [email protected], [email protected], [email protected], [email protected]

ВВЕДЕНИЕ

В Центральнои Азии в настоящее время наблюдается активная деградация горного оледенения. Это приводит к нарушению устоичивости моренно-ледни-ковых комплексов и является одним из ведущих факторов, обусловливающих формирование здесь селевых потоков гляциального генезиса. Трансграничность многих селевых бассеинов центральноазиатского региона и их хозяиственное освоение обусловливают необходимость выявления конкретных факторов, опре-деляющих высокую степень их селевои опасности, а также оценки возможных последствии схода селеи.

Летом 2014 г. селевым отрядом географического факультета МГУ был изучен бассеин реки Шахимардан (Алаискии хребет) (рис. 1). Он отличается высоким уровнем селевои активности и катастрофическим характером селеи. Бассеин расположен на северном склоне Алаиского хребта и характеризуется наличием современного горного оледенения в верховьях рек. В нем неоднократно схо-дили селевые потоки, в том числе и довольно разрушительные, как например сель 1977 года [1]. 8 июля 1998 г. здесь сошел катастрофическии селевои поток,

1 Работы выполнены при поддержке РФФИ (проекты 14–05-00768 и 15–05-08694) и Swiss National Science Foundation (проект 152301).


178

которыи привел к гибели более 100 человек и нанес колоссальныи ущерб инфра-структуре и хозяиству узбекского анклава Шахимардан [2]. Причины селя так до конца и не были выяснены, отсутствуют научные публикации о событии.

Рис. 1. Схема расположения исследуемого участка бассейна р. Шахимардан (в качестве подложки использован базовый слой ESRI ArcMap)

Методы исследований. В ходе полевых исследовании проводились геомор-фологические описания точек наблюдения, координаты которых фиксировались с помощью карманного GPS-приемника Garmin GPSMap 60s. При исследовании долин селевых рек точки выбирались таким образом, чтобы можно было про-следить изменения в строении селевого бассеина от зоны зарождения до зоны аккумуляции. С этои целью на каждом из участков соответствующих литодина-мических зон (подпитки, транзита, транзитно-аккумулятивных, преобладающеи аккумуляции) зарисовывался поперечныи профиль долины реки, отмечался ее уклон, а также морфология и размеры форм селевого рельефа (валов, террас, полеи и полос аккумуляции, конусов выноса). При проведении измерении использовалась как глазомерная съемка, так и инструментальная (лазерным дальномером). Подробно обследовались селевые очаги: их морфология, генезис, устоичивость скальных пород к выветриванию, потенциал мобилизации для рыхлообломочных пород. Велись описание и зарисовка разрезов рыхлых морен-ных и озерных отложении, служащих поставщиками твердои составляющеи селеи. Кроме того, фиксировались такие характеристики селевых отложении, как гранулометрическии состав, текстура, сортировка, окатанность, наличие или отсутствие сцементированности, которые позволяют установить тип селя (гря-зе- или водокаменныи) и особенности движения конкретного селевого потока.

Особое место в полевых исследованиях занимало изучение ледниковых озер. Так, в бассеине реки Шахимардан проводились работы на ледниковом озере Кара-Казык, расположенном в верховьях одноименнои реки. Выполнена батиметрическая съемка озера с помощью эхолота с надувнои лодки, и гляцио-геоморфологическое описание озера: отмечались характер подпруживающеи его

179


плотины, особенности протекающих процессов (в частности, термокарстовых), исследовались условия дренажа озера, морфологические особенности долины реки ниже озера (уклоны русла, ширина днища, наличие поверженных размыву толщ рыхлых отложении).

В ходе маршрутных исследовании выполнялось полевое дешифрирование космических снимков, картографировались обвальные, оползневые, осыпные и снеголавинные процессы. Идентификация этих процессов важна, так как они поставляют в русло обломочныи материал и могут выступать в роли триггерных механизмов при зарождении селевых потоков.

При изучении селевых русел проводилось выделение литодинамических зон [3]. При литодинамическом зонировании учитывается ряд факторов. Во-первых, на протяжении селевого русла (от селевого очага до селевого кону-са) могут образовываться промежуточные зоны аккумуляции, несколько зон транзита, зоны подпитки. Во-вторых, пространственное расположение зон и их набор в большинстве случаев являются индивидуальными для каждого случая схода селевого потока. В связи с этим в бассеине реки Шахимардан, где наблю-дался сход катастрофического селевого потока в 1998 году и следы которого сохранились в рельефе, во время маршрутных исследовании было проведено литодинамическое зонирование с составлением поперечных профилеи для каждои из зон и GPS-съемкои границ.

Рис. 2. Схема литодинамических зон участка селевого русла реки Аллаудин (бассейн р. Шахимардан)


180

Для выделения литодинамических зон помимо полевых данных применялось визуальное дешифрирование космических снимков Landsat8 (разрешение 30 м, съемка 2014 г.) и GeoEye (разрешение 0,6 м, съемка 2008–2014 гг.), предоставля-емые сервисом GoogleEarth.

Дешифрирование в программе ESRI ArcMap 10.2 проводилось с использова-нием прямых и косвенных дешифровочных признаков [4], в масштабе от 1:10 000 до 1:5 000, что соответствует детальности, необходимои при идентификации исследуемых объектов. Впоследствии оформление результатов осуществлялось в масштабе 1:100 000.

Для оценки условии селеформирования анализировались также данные о температурах и осадках в период, предшествовавшии катастрофе 1998 г. по данным метеостанции и спутниковои миссии TRMM [5].

КАТАЛОГИЗАЦИЯ ЛЕДНИКОВЫХ ОЗЕР

Оценка опасности формирования катастрофических селевых потоков в условиях деградации горного оледенения и образования ледниковых озер, когда в качестве триггерного механизма может выступать прорыв этих озер [6], требует оценки их потенциальнои прорывоопасности. Процесс прорыва плотины, подпруживающеи озеро, сложно точно предсказать, однако изве-стен набор факторов, от которых зависит возможность протекания данного процесса, а также его скорость. К таким факторам обычно относят площадь и объем озера, а кроме того потенциально возможныи максимальныи расход прорывнои волны [7]. Кроме того, важно учитывать тип ледникового озера, а также характер подпруживающеи его плотины. Таким образом, степень прорывоопасности озера является интегральным оценочным показателем, учитывающим множество факторов. Согласно методике, предложеннои в [8], был сформирован набор параметров, которые, с однои стороны, влияют на степень прорывоопасности озер и возможность зарождения селевого потока в случае прорыва, а с другои, могут быть определены по имеющимся данным.

К таким параметрам были отнесены:• площадь озера• характер стока (нет стока, поверхностныи, подземныи)• тип плотины (аллювиальные, скальные, коллювиальные, моренные, ледяные)• положение озера по отношению к телу ледника (супрагляциальные, прогля-

циальные, перигляциальные, экстрагляциальные)• каскадность озер в однои долине• расстояние до населенного пункта• крутизна продольного профиля русла

181


Удобным приемом для сведения воедино всех факторов, влияющих на про-рывоопасность озер, является создание геоинформационного каталога. Для этого использовалась программа ESRI ArcGIS.

В каталоге параметрам озер были сопоставлены баллы по итогам экспертнои оценки, и была проведена интегральная оценка их прорывоопасности по сумме баллов. Затем проводилось деление бассеинов озерами по степени опасности развития в них катастрофических селевых процессов при прорывах озер:• Безопасные бассеины – все озера с очень низкои степенью опасности• Потенциально опасные бассеины – имеется хотя бы одно озеро с низкои

степенью прорывоопасности.• Опасные бассеины – имеется хотя бы одно озеро с высокои степенью про-

рывоопасности.

РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЙ

В ходе полевых работ в июле 2014 года удалось установить особенности движения селевого потока 1998 г. (выявить зоны набора и сброса материала, участок, где сель трансформировался в селевои паводок). Нами был оценен его примерныи объем, которыи оказался равным около 2 млн м3. Кроме того, собрана информация, необходимая для анализа причин события.

Было отчасти подтверждено заключение специалистов, обследовавших зону зарождения на следующии день после катастрофы, о том что причинои селя стал прорыв озер, каскадом расположенных в верховьях реки Арча-Баши. Активное накопление воды происходило вследствие высоких температур и активного таяния ледника (согласно метеоданным станции «Ледник Абра-мова», которая расположена в соседнеи долине). Анализ космических данных TRMM показал, что июнь 1998 года был аномально дождливым. Возможно, это и стало причинои небывалои разрушительности селя. Открытым продолжает оставаться вопрос о возможном прорыве внутриледниковои полости (гипотеза основана на опросах местных жителеи-очевидцев события), а также о роли обвала, которыи был обнаружен в ходе полевых работ на поверхности ледника.

По результатам оценки прорывоопасности озер и степени опасности бас-сеинов были составлена карта опасности развития катастрофических селевых процессов при прорывах ледниковых озер для участка бассеина р. Шахимардан в масштабе 1:100 000 (рис. 3).

Собранные полевые данные и результаты дешифрирования космических снимков позволили сделать вывод, что основным фактором, обусловливающим высокую степень селевои опасности бассеина р. Шахимардан, были и остают-ся прорывы озер и внутриледниковых полостеи, формирующихся в условиях активнои динамики моренно-ледникового комплекса.

Поэтому для поддержки прогнозирования будущеи селевои опасности на изучаемои территории к каталогу озер бассеина р. Шахимардан был добавлен каталог ледников, каменных глетчеров и селевых русел (рис. 4).


182

Рис. 3. Карта опасности развития катастрофических селевых процессов при прорывах ледниковых озер для участка бассейна р. Шахимардан

(уменьшенное изображение)

183


Рис. 4. Карта селевых русел, озер, ледников и каменных глетчеров участка бассейна р. Шахимардан. 1 – зона зарождения селевого потока 1998 года,

2 – номер озера согласно составленному каталогу, 3 – русла рек, 4 – селевые русла, 5 – озера, 6 – ледники, 7 – каменные глетчеры,

8 – населенные пункты, 9 – границы анклава Шахимардан (Узбекистан), 10 – границы исследуемого участка бассейна р. Шахимардан

ВЫВОДЫ

Бассеин реки Шахимардан является ярким примером рек Алаиского хребта и характеризуется высокои степенью селевои опасности. Трансграничность реки и активное хозяиственное освоение днищ долин приводит к тому, что селевые потоки становятся катастрофическими. В настоящее время наибольшую опас-ность в бассеине представляют собои гляциальные сели и, в частности, сели, образующиеся при прорывах озер и внутриледниковых полостеи.


184


1. Булулуков Ю.Г. Горы и люди. – Ташкент: Мехнат, 1986. – 159 с.2. Айтматов И., Алманов С. Наука, горы и катастрофы // Слово Кыргызстана. – 2012. –

4 декабря.3. Черноморец С.С. Селевые очаги до и после катастроф. – М.: Научныи мир, 2005. – 184 с.4. Лабутина И.А. Дешифрирование аэрокосмических снимков. – М.: АСПЕКТ ПРЕСС,

2004. – 184 с.5. Huffman G.J., Adler R.F., Bolvin D.T., Gu G., Nelkin E.J., Bowman K.P., Hong Y., Stocker E.F.,

Wolff D.B. The TRMM Multi-satellite Precipitation Analysis: Quasi-Global, Multi-Year, Combined-Sensor Precipitation Estimates at Fine Scale / J. Hydrometeor. – 2007. – No. 8. – Р. 38–55.

6. Mergili M., Schneider D., Worni R., Schneider J.F. Glacial lake outburst floods in the Pamir of Tajikistan: challenges in prediction and modelling / 5th International Conference on Debris-Flow Hazards Mitigation: Mechanics, Prediction and Assess-ment. Padua, Italy – 14–17 June 2011.

7. Коновалов В.Г. Дистанционныи мониторинг прорывоопасных озер на Памире // Криосфера Земли. – 2009. – № 4. – С. 80–89.

8. Черноморец С.С., Савернюк Е.А., Докукин М.Д., Тутубалина О.В., Висхаджиева К.С. Оценка селевои опасности высокогорных озер в Северном Афганистане: методика и результаты // Геоморфологические ресурсы и геоморфологическая безопасность: от теории к практике: Всероссииская конференция «VII Щукинские чтения». Москва, МГУ им. М.В. Ломоносова, 18–21 мая 2015 г.: мат-лы конфер. – М.: МАКС Пресс, 2015. – С. 193–196.

185

ASSESSMENT OF THE DEBRIS FLOW HAZARD IN THE TRANSBOUNDARY SHAKHIMARDAN CATCHMENT

(KYRGYZSTAN-UZBEKISTAN) ON THE BASIS OF REMOTE SENSING AND FIELD DATA

Chernomorets S.S., 1 Savernyuk E.A.2, Viskhadzhieva K.S.3, Petrakov D.A.4, Petrov M.A.5, Erokhin S.A.6, Dokukin M.D.7, Tutubalina O.V.8, Glazirin G.E.9, Sokolov L.S.10,

Shpuntova A.M.11, Stoffel M.12

1, 2, 3, 4, 8, 10, 11M.V. Lomonosov Moscow State University, Moscow, Russia 5, 9Kh.M. Abdullaev Institute of Geology and Geophysics, National Academy of Sciences

of Uzbekistan, Tashkent, Uzbekistan 6Institute of Water Problems and Hydropower, National Academy of Sciences

of Kyrgyzstan, Bishkek, Kyrgyzstan 7High-Mountain Geophysical Institute, Nalchik, Russia

12Institute of Geological Sciences, University of Bern, Bern, Switzerland e-mail: [email protected], [email protected], [email protected],

[email protected], [email protected], [email protected], [email protected], [email protected], [email protected],

[email protected], [email protected], [email protected]

Abstract. Recent glacier shrinkage lead to formation and growing of glacier lakes in many regions including Central Asia. Glacier lake outburst floods (GLOFs) pose significant threat downstream, because they transform into destructive debris floods / debris flows at steep terrain and mobilise large volumes of loose material. The deadliest debris flow / flood disaster in Central Asia occured on 7 July 1998 in Shakhimardan transboundary catchment which spans Kyrgyzstan (Osh Region) and Uzbekistan (Ferghana Region). About 100 people perished, infrastructure and houses of about 5000 people were damaged. The area was briefly investigated after the event, but no detailed scientific analysis of the debris flow was published. We have conducted a field expedition toi the catchment in 2014 to investigate source areas of the debris flow. Detailed filed research was followed by analysis of remotely-sensed data and resulted in the lithodynamic reconstruction of the 1998 event, an inventory of current glacier lakes, glaciers, rock glaciers and debris flow-prone river channels for upper part of the catchment in Kyrgystan, and in the assessment of current glacial lake outburst hazard.

Keywords: debris flow hazard, glacial lakes, Shakhimardan catchment, Kyrgyzstan, Uzbekistan, mapping, remote sensing.

References

1. Bululukov Yu.G. Gory and lyudi [People and mountains]. – Tashkent: Mekhnat, 1986. – 159 p. (In Russian).

2. Aitmatov I., Almanov S. Nauka, gory i katastrophy [Science, mountains and catastrophes] // Slovo Kyrgystana. – 2012. – 4 December (In Russian).


186

3. Chernomorets S.S. Selevye ochagi do i posle katastrof [Debris flow origination sites before and after disasters] Moscow: Nauchny mir, 2005. – 184 p. (In Russian).

4. Labutina I.A. Deshifrirovanie aerokosmicheskikh snimkov [Interpretation of aerial and sat-ellite images]. – Moscow: ASPECT PRESS, 2004. – 184 p. (In Russian).

5. Huffman G.J., Adler R.F., Bolvin D.T., Gu G., Nelkin E.J., Bowman K.P., Hong Y., Stocker E.F., Wolff D.B. The TRMM Multi-satellite Precipitation Analysis: Quasi-Global, Multi-Year, Combined-Sensor Precipitation Estimates at Fine Scale / J. Hydrometeor. – 2007. – No. 8. – P. 38–55.

6. Mergili M., Schneider D., Worni R., Schneider J.F. Glacial lake outburst floods in the Pamir of Tajikistan: challenges in prediction and modelling / 5th International Conference on Debris-Flow Hazards Mitigation: Mechanics, Prediction and Assess-ment. Padua, Italy – 14–17 June 2011.

7. Konovalov V.G. 2009. Distantsionny monitoring proryvoopasnukh ozer na Pamire [remote sensing monitoring of the outburst hazardous lakes in Pamir] // Kriosfera Zemli. – 2009. – No. (4). – P. 80–89.

8. Chernomorets S.S., Savernyuk E.A., Dokukin M.D., Tutubalina O.V., Viskhadzhieva K.S. Assess-ment of debris flow hazard of high-mountain lakes in Northern Aphganistan: methodology and results. Geomorphological resources and geomorphological safety: from theory to prac-tice / Proceedings of the 7th All-Russian conference dedicated to the memory of I. Schukin. Moscow, MSU, 18–21 May 2015. – Moscow: MAKS Press, 2015. – P. 193–196 (in Russian).

187

ЦИФРОВАЯ МОДЕЛЬ РЕЛЬЕФА ДНА КАСПИЙСКОГО МОРЯ1

Яицкая Н.А.Южный научный центр Российской академии наук, Ростов-на-Дону,

Институт аридных зон Южного научного центра Российской академии наук, г. Ростов-на-Дону,


АКТУАЛЬНОСТЬ СОЗДАНИЯ И НАЗНАЧЕНИЕ ЦИФРОВОЙ МОДЕЛИ РЕЛЬЕФА ДНА КАСПИЙСКОГО МОРЯ

Каспииское море – крупнеишии в мире замкнутыи бессточныи водоем, характернои особенностью которого являются значительные периодические колебания уровня. Акватория моря является крупнои морскои транспортнои артериеи, соединяющеи пять государств. На шельфе ведется разведка углево-дородов. Каспииское море – водоем с исключительными потенциальными воз-можностями, создающими основу всестороннего социально-экономического развития региона. Вместе с прибрежными территориями оно формирует единыи природно-хозяиственныи комплекс. Эффективность функционирования этого комплекса определяется, прежде всего, особенностями динамики внутренних процессов замкнутого водоема, исследование которых продолжается вот уже на протяжении почти двух веков.

При всеи изученности моря и большого количества опубликованных работ, удивительным фактом является то, что на сегодняшнии день в свободном досту-пе отсутствуют картографические материалы, являющиеся результатом топогра-фических и эхолотных съемок, и отражающие современное состояние глубин и береговои линии Каспииского моря. А в XXI веке, веке активного развития информационных технологии и методов авиа- и спутникового мониторинга, данная проблема воспринимается наиболее остро. В литературе используются устаревшие(в основном по состоянию 1980-х гг.) данные о глубинах и положении береговои линии. Артефакты можно встретить в статьях, посвященных матема-тическому моделированию океанологических процессов и, хуже, прогнозирова-нию различных характеристик моря, что ведет к системным ошибкам особенно в мелководнои севернои части.

В рамках проекта Россииского фонда фундаментальных исследовании № 16–35-60046 мол_а_дк была поставлена амбициозная задача получить новые фундаментальные знания о внутривековых флуктуациях гидрологического режима Каспииского моря в XX–XXI вв.х и его экстремальных проявлениях.

1 Исследование выполнено при финансовои поддержке РФФИ в рамках научного про-екта № 16–35-60046 мол_а_дк «Исследование гидрологического режима Каспииского моря в 20–21 веках и его экстремальных проявлении».


188

Для успешного выполнения работ по проекту запланировано привлече-ние ряда математических моделеи: мультикомпартментальнои балансовои модели гидрологического режима Каспииского моря CaSMOD, основаннои на уравнениях водного, солевого и теплового балансов [1–3]; гидродинамиче-скои модели PrincetonOceanModel (POM)[4]; спектральнои волновои модели SimulatingWAvesNearshore (SWAN-model) [5; 6].Согласно подходу, предложен-ному в проекте, модели взаимосвязаны и расчеты будут выполняться последо-вательно. Так результаты, полученные по одним моделям, являются входными данными для других. Важнои составляющеи такого подхода является наличие точнои и актуальнои единои батиметрическои основы для всего Каспииского моря, на основе которои будут созданы расчетная сетка моря в целом (grid) и подсетки отдельных раионов и ключевых участков (sub-grids) будущих рас-четов. Это предопределило выполнение работ по созданию цифровои модели рельефа (ЦМР) дна Каспииского моря.

ИСХОДНЫЕ ДАННЫЕ. ГЕОИНФОРМАЦИОННАЯ СИСТЕМА

«КАСПИЙСКОЕ МОРЕ»

Информационнои основои создания цифровои модели рельефа дна стала геоинформационная система (ГИС) «Каспииское море» [7; 8]. ГИС «Каспииское море» представляет собои уникальную среду для сбора, хранения, накопления, быстрого доступа к данным, их совместного использования и различных мани-пуляции. ГИС разработана в качестве удобнои в использовании оболочки, объ-единяющеи под собои разные типы информации.

В качестве программнои платформы для визуализации и хранения инфор-мации был выбран программныи продукт ArcGIS Desktop 10.2 компании ESRI (США). Структура ГИС основана на системе управления базами данных. Однако, вследствие того, что пространственные данные и разнообразные связи между ними плохо описываются реляционнои моделью, полная модель данных имеет сложныи смешанныи характер. В системе используется симбиоз двух моделеи данных, лежащих в основе представления пространственнои и семантическои информации в ГИС, геореляционная модель [9–11].

В ГИС включены элементы:– картографическая информация, для хранения которои выбрана база геодан-

ных (БГД). База геоданных поддерживает хранение и управление географи-ческои информациеи в сводных таблицах стандартных систем управления базами данных;

– первичная океанологическая и метеорологическая информация. Хранится в специально разработаннои базе данных, свободно подключаемои к ГИС;

– модули пространственного анализа. Хранятся отдельно в качестве дополни-тельных инструментов и подключаются к ГИС при необходимости (рис. 1).

189


Рис. 1. Структура геоинформационной системы «Каспийское море»

В БГД вся информация структурирована по следующим разделам: базовая пространственная модель территории и тематическая модель морскои экоси-стемы Каспииского моря.

БГД включает в себя основные наборы данных:– Векторные данные (пространственные классы и наборы данных).– Растровые данные (наборы растров и каталоги растров).– Непространственные таблицы (исходные данные и результаты расчета мате-

матическои балансовои модели).Растровые данные представлены несколькими группами объектов:

– Космические снимки и топографические и тематические растровые карты с пространственнои привязкои.

– Топографические и тематические карты без пространственнои привязки.– Растровые данные – результаты пространственного анализа.

Пространственные данные организованы в проекте ГИС тематически в виде совокупности уровнеи (слоев) или тем. Одна тема представляет одно множество пространственных объектов или явлении, объединенных по каким-то общим признакам. Таким образом, база данных информационнои системы с простран-ственнои локализациеи данных содержит табличную информацию, связанную с графическими объектами.

В основе Базовои пространственнои модели территории – типичные наборы классов объектов, представляющих базовую карту: административные границы,

ГЕОГРАФИЧЕСКАЯ ИНФОРМАЦИОННАЯ СИСТЕМА «КАСПИЙСКОЕ МОРЕ»

ГИС ПРОЕКЫ

БАЗА ГЕОДАННЫХ

ГЕОГРАФИ-ЧЕСКАЯ

БАЗА ДАННЫХ

МОДУЛЬПРОСТРАНСТ-

ВЕННОГОАНАЛИЗА

БАЗОВАЯКАРТА

ВЕКТОРНЫЕДАННЫЕ

КАСПИЙСКОЕМОРЕ

ВЕКТОРНЫЕДАННЫЕ

РАСТРОВЫЕДАННЫЕ

НЕПРО-СТРАНСТ-ВЕННЫЕ

ТАБЛИЦЫ


190

экономика, геодезия, гидрография, рельеф, урбанизированные территории, транс-порт, растительность [12]. Каждыи набор представлен классами пространствен-ных объектов различных типов (точка, линия, полигон), имеющими общую про-странственную привязку. Целостность базы и качество данных поддерживается при помощи атрибутивных доменов базы данных и подтипов по кодам объектов.

Тематическая модель морскои экосистемы Каспииского моря состоит из четырех основных разделов: «Батиметрия», включающии векторные и рас-тровые данные по батиметрии и морфометрии за разные временные периоды; «Гидрология и гидрохимия», включающии векторные и растровые поля рас-пределения гидрологических и гидрохимических параметров; «Метеорология», включающии векторные и растровые поля распределения метеорологических характеристик; «Модельные оценки», включающии поля распределения, полу-ченные по результатам математического моделирования. Подробно все разделы рассмотрены в [8; 12].

Для создания ЦМР дна Каспииского моря использована информация, нако-пленная в разделе «Батиметрия»: 19 карт масштаба 1:750 000, 1:200 000, 1:100 000, 1:50 000, опубликованных в 1992–2009 гг. исоответствующих среднему положе-нию уровня моря минус 27 м. Источником послужили гидрографические карты, составленные Управлением навигации и океанографии Министерства обороны РФ (рис. 2).

Рис. 2. Пространственное покрытие акватории Каспийского моря гидрографическими картами с указанием номеров (А)

(зеленым цветом обозначены карты масштаба 1:750 000, синим – 1:200 000, 1:100 000, 1:50 000) и векторизованные точки глубин (Б)

191


ПОСТРОЕНИЕ ЦМР И СОЗДАНИЕ СЕТОЧНЫХ ОБЛАСТЕЙ

Все работы выполнялись с помощью программного продукта ArcGIS Desktop 10.2 компании ESRI (США) (модуль SpatialAnalyst).

Создание ЦМР выполнялось последовательно в несколько этапов.Гидрографические карты (рис. 2) в ГИС «Каспииское моря» хранятся в элек-

тронном формате растровых изображении. Для них выполнена географическая привязка по координатнои сетке карт.

На следующем этапе данные векторизовались. Всего оцифровано около 30 000 отметок глубин и основных изобат. Слои отметок глубин состоит из точечных объектов, для которых в атрибутивнои таблице определено значение глубины в метрах. Слои изобат состоит из совокупности линеиных объектов, которые были оцифрованы по границам основных изобат (5 м, 10 м, 20 м, 50 м, 100 м, …, 1 000 м). Работы выполнялись вручную, так как на картах крупного масштаба плотность точек очень высокая и при автоматическои трассировке могли возникнуть ошибки с интерпретациеи десятичных значении глубин.

Проверка данных выполнялась в ручном и полуавтоматическом режимах:1 шаг – последовательныи визуальныи контроль полученных значении отметок

глубин и исправление неточностеи;2 шаг – построение «черновых» GRID- и TIN-моделеи, которые классифицирова-

лись по значениям при этом выбиралась наиболее контрастная раскраска и уже визуально просматривались «пятна» выбросов (рис. 3 А).

Построение итоговои цифровои модели рельефа дна Каспииского моря выполнялось с помощью инструмента TopotoRaster программного модуля ArcGIS. Размер ячеики растра составил 0.001° × 0.001° по широте и долготе соответствен-но. Результат представлен на рисунке 3 Б, В.

Рис. 3. Цифровая модель рельефа дна Каспийского моря. А – этап контроля значений глубин после векторизации данных

с помощью TIN-модели; Б – ЦМР Каспийского моря; В – увеличенный фрагмент ЦМР для Северного Каспия


192

Рис.

4. Т

реху

ровн

евая

схем

а ра

счет

ных

сет

ок в

Кас

пийс

ком

море

и

поло

жен

ие «

веко

вых»

раз

резо

в (А

) и п

рост

ранс

тве

нные

хар

акт

ерис

тик

и се

точ

ных

обла

стей

(Б)

193


Целями проекта предусмотрены расчеты параметров ветрового волнения и гидродинамических характеристик с детализациеи для отдельных ключевых участков моря – портов, раионов расположения гидротехнических сооружении в акватории. Поскольку ЦМР дна Каспииского моря разработана с высоким разрешением, локализованные сетки можно создать без потери информации и искажении глубин. Таким образом, методом экспорта растра ЦМР в двоичныи формат были созданы шесть разноуровенных сеточных областеи для расчетов (рис. 4 А). Их характеристики представлены на рисунке 4 Б.

В будущем планируется провести работы по уточнению ЦМР – центральных раионов моря и восточнои части Северного Каспия. Также для расчета областеи затопления придельтовых областеи будет разработана ЦМР дельты Волги.


1. Бердников С.В., Кузнецов А.В. Компартментальная модель гидрологических и гидрохи-мических характеристик Азовского моря // Среда, биота и моделирование экологиче-ских процессов в Азовском море / Коллектив авторов. – Апатиты: Изд-во КНЦ РАН, 2001. – С. 263–281.

2. Бердников С.В. Разработка и применение компартментальных моделеи для изучения пространственных характеристик морских экологических систем: дисс. ... доктора географ. наук. – Мурманск, 2004. – 335 с.

3. Матишов Г.Г., Гаргопа Ю.М., Бердников С.В., Дженюк С.Л. Закономерности экосистем-ных процессов в Азовском море. – М.: Наука. 2006. 304 с.

4. Blumberg, A.F., Mellor, G.L. A Description of a three-dimensional coastal ocean circulation model // Three-Dimensional Coastal Ocean Models, American Geophysical Union / Heaps N.S. (Ed.), – Washington DC, 1987. – P. 1–16.

5. Young I.R. Wind generated ocean waves / Ocean Engineering Series / Eds. R. Bhattacharyya and M.E. McCormick. – Elsevier, Amsterdam, 1999. – 288 p.

6. Booij N., Ris R.C., Holthuijsen L.H. A third-generation wave model for coastal regions. – Part I. Model description and validation // J. Geoph. Research. – 1999. – No. 104. – C4, 7649–7666.

7. Яицкая Н.А., Лощинская В.В. Создание геоинформационнои системы южных мореи России для сохранения историческои картографическои информации // Экология, экономика, информатика. – Т. 2: Геоинформационные науки и экологическое развитие: новые подходы, методы, технологии. Геоинформационные технологии и космическии мониторинг (п. Абраю-Дюрсо, 8–13 сентября 2013 г.). – Ростов н/Д: Изд-во ЮФУ, 2013. – С. 211–217.

8. Яицкая Н.А. Термохалинныи режим Каспииского моря при изменении уровня: автореф. дис…канд. геогр. наук. – Мурманск, 2012. – 28 с.

9. Кулыгин В.В., Яицкая Н.А., Шишкина А.В., Лисунова Н.С., Лычагина Ю.М. Географи-ческая информационная система экологического состояния южных мореи России // Изучение и освоение морских и наземных экосистем в условиях арктического и аридно-го климата: мат-лы междунарю научю конферю (6–11 июня 2011 г., Ростов-на-Дону). – Ростов н/Д: Изд-во ЮНЦ РАН, 2011. – С. 411–413.


194

10. Яицкая Н.А., Глущенко В.В. Исследование ледовои обстановки Северного Каспия с помощью данных спутникового мониторинга // III конфер. «Геоинфомационные технологии и космическии мониторинг» (8–10 сентября 2010 г.). – Ростов н/Д: Изд-во СКНЦ ВШ, 2010. – С. 140–146.

11. Атлас климатических изменении в больших морских экосистемах Северного полу-шария (1878–2013). Регион 1. Моря Восточнои Арктики. Регион 2. Черное, Азовское и Каспииское моря / Г.Г. Матишов, С.В. Бердников, А.П. Жичкин, П.Р. Макаревич, С.Л. Дженюк, В.В. Кулыгин, Н.А. Яицкая, В.В. Поважныи, И.В. Шевердяев, С.В. Кумпан, И.А. Третьякова, А.Е. Цыганкова – Ростов н/Д: Изд-во ЮНЦ РАН, 2014. – 256 с.

12. Яицкая Н.А. Термохалинныи режим Каспииского моря при изменении уровня: дис…канд. геогр. наук. – Мурманск, 2012. – 317 с.

195

DIGITAL ELEVATION MODEL OF THE CASPIAN SEA BOTTOM

Yaitskaya N.Southern Scientific Centre of the Russian Academy of Science, Rostov-on-Don,

Institute of Arid Zones of the Southern Scientific Centre of the Russian Academy of Science, Rostov-on-Don,


Abstract. For the purposes of the Russian Foundation for Basic Research project No.16–35-60046 mol_a_dk the digital elevation model (DEM) of the Caspian Sea bottom using ArcGIS program was created. The information from GIS «Caspian Sea» – hydrographic maps – was initial data for this work. Spatial resolution of Caspian Sea DEM is 0.001° х 0.001°. To calculate of the wind waves parameters and hydrodynamic characteristics with detailed elaboration of the individual key areas of the sea – ports, waterworks location areas in the waters – the DEM will be used.

Keywords: digital elevation model, Caspian Sea, mathematical modeling, geoinformation systems.

References

1. Berdnikov S.V., Kuznetsov A.V. [Compartmental model of hydrological and hydro-chemical characteristics of the Sea of Azov] // Sreda biota I modelirovanie ehkologicheskih protsessov v Azovskom more. [Ecological environment, biota and modeling of environmental processes in the Sea of Azov] / Collective of authors. – Apatity, Kola Scientific Centre of the Russian Academy of Sciences Publishers, 2001. – P. 263–281 (In Russian).

2. Berdnikov S.V. Razrabotka i primenenie kompartmentalnyh modelej dlya izucheniya pros-transtvennyh harakteristik morskih ehkologicheskih system: dissertatsiya na soiskanie uche-noj stepeni doktora geograficheskih nauk. [Development and application of compartmental models for the study of the spatial characteristics of marine ecosystems. The thesis for the degree of Doctor of Geographical Sciences.]. – Murmansk, 2004. – 335 p. (In Russian).

3. Matishov G.G., Gargopa Yu.M., Berdnikov S.V., Dzhenyuk S.L. Zakonomernosti ehkosistemnyh protsessov v Azovskom more [Regularities of ecosystem processes in the Sea of Azov]. – Mos-cow: Nauka, 2006. – 304 p. (In Russian).

4. Blumberg A.F., Mellor G.L. A Description of a three-dimensional coastal ocean circulation model // Three-Dimensional Coastal Ocean Models, American Geophysical Union / Heaps N.S. (Ed.). – Washington DC, 1987. – P. 1–16 (In English).

5. Young I.R. Wind generated ocean waves // Ocean Engineering Series / R. Bhattacharyya and M.E. McCormick (Eds.). – Amsterdam, Elsevier, 1999. – 288 p.(In English).

6. Booij N., Ris R.C., Holthuijsen L.H. 1999. A third-generation wave model for coastal regions. Part I. Model description and validation // Journal Geophisical Research. – 1999. – No. 104.– C4: 7649–7666 (In English).

7. Yaitskaya N.A., Loschinskaya V.V. [Creation of geoinformation system of Russia’s southern seas to save the historical map information] // Ekologiya ekonomika informatika. – T. 2.


196

Geoinformatsionnye nauki i ekologicheskoe razvitie: novye podhody, metody, tekhnologii. Geoinformatsionnye tekhnologii i kosmicheskij monitoring. [Ecology, economics, computer science. Volume 2: Geographic information science and environmental development of new approaches, methods and technologies. Geographic information technologies and space monitoring]. – Rostov-on-Don: Southern Federal University Publishers, 2013. – P. 211–217 (In Russian).

8. Yaitskaya N.A. Termohalinnyj rezhim Kaspijskogo morya pri izmenenii urovnya: avtoreferat dissertatsii kandidata geograficheskih nauk. [Thermohaline regime of the Caspian Sea at the level change. Dissertation of the candidate of geographical sciences]. – Murmansk, 2012. – 28 p. (In Russian).

9. Kulygin V.V., Yaitskaya N.A., Shishkina A.V., Lisunova N.S., LychaginaYu.M. [Geographical information system of ecological state of the southern seas of Russia] // Izuchenie i osvoenie morskih i nazemnyh ekosistem v usloviyah arkticheskogo i aridnogo klimata: Materialy Mezhdunarodnoj nauchnoj konferentsii (6–11 iyunya 2011 g., Rostov-na-Donu). [Study and development of marine and terrestrial ecosystems in arctic and arid climate: Proceedings of the International Conference (6–11 June 2011, Rostov-on-Don)]. – Rostov-on-Don: South-ern Scientific Centre of the Russian Academy of Sciences Publishers, 2011. – P. 411–413 (In Russian).

10. Yaitskaya N.A., Gluschenko V.V. [The study of ice conditions of the North Caspian Sea using the satellite monitoring data] // III konferencija «Geoinfomacionnye tehnologii i kosmich-eskij monitoring» (8–10 sentjabrja 2010). [III Conference «Geoinfomatsionnye technologies and space monitoring» (8–10 September 2010)]. – Rostov-on-Don: SKNC VSH Publishers, 2010. – P. 140–146 (In Russian).

11. Atlas klimaticheskih izmeneniy v bolshih morskih ekosistemah Severnogo polushariya (1878–2013) Region 1. Morya Vostochnoy Arktiki. Region 2. Chyornoe, Azovskoe i Kaspi-yskoe moray. [Atlas of Climatic Changes in Nine Large Marine Ecosystems of the Northern Hemisphere (1878–2013). 2014] / G.G. Matishov, S.V. Berdnikov, A.P. Zhichkin, etc. – Rostov-on-Don: Southern Scientific Centre of the Russian Academy of Sciences Publishers, 2014. – 256 p. (In Russian).

12. Yaitskaya N.A. Termohalinnyj rezhim Kaspijskogo morya pri izmenenii urovnya: dissertat-siya na soiskanie uchenojs tepeni kandidata geograficheskih nauk. [Thermohaline regime of the Caspian Sea at the level change. The thesis for the degree of Candidate of Geographical Sciences]. – Murmansk, 2012. – P. 317. (In Russian).

197

НОВЫЕ ТЕХНОЛОГИИ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ И РАБОТЫ

С ДАННЫМИ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ (ДДЗ)

ПОЛЯРНЫЕ МЕЗОЦИКЛОНЫ ПО СПУТНИКОВЫМ НАБЛЮДЕНИЯМ

И ДАННЫМ РЕАНАЛИЗА1

Акперов М.Г., Мохов И.И., Дембицкая М.А.Институт физики атмосферы им. А.М. Обухова РАН, г. Москва

e-mail: [email protected], [email protected], [email protected]

ВВЕДЕНИЕ

Одним из наиболее значимых атмосферных вихреи в полярных широтах являются полярные мезоциклоны (ПМЦ). Они характеризуются коротким вре-менем жизни (менее суток) и сравнительно небольшими пространственными размерами (диаметр менее 1000 км). ПМЦ характерны для холодного периода года, когда арктическии холодныи воздух натекает на относительно теплую мор-скую поверхность [1; 2]. Поскольку размеры и время жизни полярных мезоци-клонов малы по сравнению с вихрями синоптического масштаба, они не всегда обнаруживаются по данным реанализа, в частности, по данным с низким про-странственным разрешением. Следует также отметить, что метеорологическая наблюдательная сеть в высоких широтах Северного полушария является раз-ряженнои. С появлением данных спутниковых наблюдении и данных реанализа высокого пространственного разрешения, а также региональных климатических моделеи для Арктического региона, появились дополнительные возможности для анализа режимов ПМЦ. Отдельные оценки на основе данных реанализа ERA40 и ERA-INTERIM, свидетельствуют об ограниченности данных реанализов для воспроизведения всего спектра размеров ПМЦ [3; 4].

В даннои работе оцениваются возможности использования различных совре-менных данных реанализа для выявления полярных мезоциклонов в арктическои атмосфере.

1 Работа проведена при поддержке гранта РФФИ № 16–35-60078. Сравнение функции распределения для полярных мезоциклонов проводилось в рамках проекта РНФ № 14–17-00806.


198

МЕТОДЫ АНАЛИЗА И ИСПОЛЬЗУЕМЫЕ ДАННЫЕ

Характеристики циклонов (пространственное распределение, повторяемость, размер) над Северо-Европеиским сектором Арктики определялись с помощью метода, описанного в [5; 6; 7; 8; 9], используя 6-часовые данные реанализа NASA-MERRA [10] (далее MERRA), ERA-Interim [11] (далее ERA), NCEP-CFSR [12] (далее CFSR) и ASR [13] для атмосферного давления на уровне моря (табл. 1).

Для сравнения использовались спутниковые наблюдения (далее STARS) для выявления мезоциклонов [14]. Проводился поиск полярного мезоциклона по спутниковым данным в массиве характеристик циклонов, полученных по дан-ным реанализа. Критерием поиска служило близость расстояния между ПМЦ на основе спутниковых наблюдении и данных реанализа.

Данные анализировались для холодного периода года (октябрь-апрель) и периода 2002–2008 гг.

РЕЗУЛЬТАТЫ

Пространственное распределение повторяемости полярных мезоциклонов на основе спутниковых наблюдении, а также на основе различных данных реанализа (ERA, MERRA, CFSR, ASR) для Северо-Европеиского сектора Арктики за период 2002–2008 гг. для холоднои части года (октябрь-апрель) представлены на рис. 1. Повторяемость ПМЦ, выявленных по данным реанализа, по отношению к соот-ветствующеи повторяемости по спутниковым наблюдениям находится в диа-пазоне от 65 % (CFSR) до 75 % (MERRA) (табл. 1). Наиболее сильные различия повторяемости ПМЦ по спутниковым наблюдениям и данным реанализа отмеча-ется для января, а наилучшее соответствие отмечается для октября (рис. 2). Реа-нализы MERRA и ASR достаточно хорошо выявляют мелкие ПМЦ (с размерами до 100 км), в то время как по данным реанализа CFSR такие мелкие циклоны не выявляются (рис. 3).

ВЫВОДЫ

По современным данным реанализам повторяемость полярных мезоциклонов меньше, чем по спутниковым наблюдениям для Северо-Европеиского сектора Арктики. Различия в повторяемости ПМЦ по этим данным получены в пределах 65–75 %. Наиболее хорошее соответствие со спутниковыми данными выявлены по данным реанализа MERRA.

Различия в характеристиках полярных мезоциклонов, идентифицированных по данным реанализа, могут быть связаны с пространственным разрешением данных и с качеством ассимилированных данных. Так, например, при высоком пространственном разрешении по данным реанализа ASR воспроизводится меньше мелких ПМЦ, нежели по данным реанализа MERRA с более грубым разрешением.

199

Новые технологии дистанционного зондирования и работы с данными дистанционного зондирования

Таблица 1Характеристики полярных мезоциклонов на основе разных данных

Данные Пространственное разрешение, км Повторяемость в год

STARS - 24ASR 30 17

NASA-MERRA 50 18NCEP-CFSR 50 16

ERA-INTERIM 75 17

Рис. 1. Пространственное распределение повторяемости ПМЦ по разным данным за 2002–2008 гг.

(‘+’ – STARS, ‘*’ – ERA, ‘D’ – ASR, ‘>’- MERRA, ‘>’- CFSR)

Рис. 2. Повторяемость

полярных мезоциклонов в годовом ходе

по спутниковым наблюдениям (STARS) и данным реанализа

за 2002–2008 гг.


200

Рис. 3. Повто-ряемость (в год)

полярных мезоциклонов

в зависимости от их размеров

по данным реана-лиза

за 2002–2008 гг.


1. Rasmussen E., Turner J. Polar Lows: Mesoscale Weather Systems in the Polar Regions. – Cam-bridge: Cambridge Univ. Press, U.K., 2003.

2. Мохов И.И., Акперов М.Г., Лагун В.Е., Луценко Э.И. Интенсивные арктические мезоци-клоны // Изв. РАН. Физика атмосферы и океана. – 2007. – Т. 43. – № 3. – C. 291–297.

3. Zappa G., Shaffrey L., Hodges K. Can polar lows be objectively identified and tracked in the ECMWF operational analysis and the ERA-Interim reanalysis? // Monthly Weather Review. – 2014. – V. 142. – No. 8. – P. 2596–2608. ISSN 0027–0644 doi: 10.1175 / MWR-D-14–00064.1

4. Laffineur T., Claud C., Chaboureau J.-P., Noer, G. Polar Lows over the Nordic Seas: Improved Representation in ERA-Interim Compared to ERA-40 and the Impact on Downscaled Sim-ulations // Monthly Weather Review. – 2014. – V. 142. – No. 6. – P. 2271–2289. doi:10.1175 / MWR-D-13–00171.1.

5. Бардин М.Ю., Полонский А.Б. Североатлантическое колебание и синоптическая измен-чивость в Европеиско-Атлантическом регионе в зимнии период // Изв. РАН. Физика атмосферы и океана. – 2005. – Т. 41. – № 2. – С. 3–13.

6. Акперов М.Г., Бардин М.Ю., Володин Е.М., Голицын Г.С., Мохов И.И. Функции распреде-ления вероятностеи циклонов и антициклонов по данным реанализа и модели климата ИВМ РАН // Изв. РАН. Физика атмосферы и океана. – 2007. – T. 43. – № 6. – С. 764–772.

7. Акперов М.Г., Мохов И.И. Сравнительныи анализ методов идентификации внетро-пических циклонов // Изв. РАН. Физика атмосферы и океана. – 2010. – Т. 46. – № 5. – С. 620–637.

8. Akperov M., Mokhov I.I., Rinke A., Dethloff K., Matthes H. Cyclones and their possible changes in the Arctic by the end of the twenty first century from regional climate model Simulations // Theoretical and Applied Climatology. – 2015. – V. 122. – P. 85–96. doi: 10.1007 / s00704–014-1272–2.

201


9. Акперов М.Г., Мохов И.И. Оценки чувствительности циклоническои активности в тро-посфере внетропических широт к изменению температурного режима // Изв. РAH. Физикa aтмocфepы и oкeaнa. – 2013. – Т. 49. – № 2. – С. 129–136.

10. Rienecker M.M., Suarez M.J., Gelaro R. et al. MERRA: NASA’s Modern-Era Retrospective Analysis for Research and Applications // Journal of Climate. – 2011. – V. 24. – P. 3624–3648.

11. Dee D.P., Uppala S.M., Simmons A.J., et al. The ERA-Interim reanalysis: configuration and performance of the data assimilation system // Quarterly Journal of the Royal Meteorological Society. – 2011. – V. 137. – P. 553–597.

12. Saha S., Moorthi S., Pan H.-L., et al. The NCEP Climate Forecast System Reanalysis // Bulletin of American Meteorological Society. – 2010. – V. 91. – P. 1015–1057.

13. Bromwich D.H., Hines K.M., Bai L.-S. Development and testing of Polar WRF: 2. Arctic Ocean // J. Geophys. Res. – 2009. – V. 114. D08122. doi:10.1029 / 2008JD010300.

14. Noer G., Saetra Ø., Lien T., Gusdal Y. A climatological study of polar lows in the Nordic Seas // Quarterly Journal of the Royal Meteorological Society. – 2011. – V. 137. – No. 660. – P. 1762–1772.

202

POLAR MESOCYCLONES OVER THE NORDIC SEAS FROM SATELLITE OBSERVATIONS AND REANALYSES DATA

Akperov M.G., Mokhov I.I., Dembickaya M.A.A.M. Obukhov Institute of Atmospheric Physics, RAS, Moscow, Russia

e-mail: [email protected], [email protected], [email protected]

Abstract. One of the most important types of vortices in the Arctic is polar lows. They are characterized by short lifecycle (less than one day) and a relatively small size (less than 1000 km). Storm waves and wind, icing on ships and offshore structures, and other extreme weather conditions associated with polar lows can cause significant damage to infrastructure, natural ecosystems and navigation in the region, the damage caused by catastrophic weather conditions may interfere with the extraction of natural resources in the Arctic shelf and marine transportation on the Northern Sea Route. Global warming and associated sea ice retreat in the Arctic lead to increase of frequency extreme events along the Northern Sea Route, possibly associated with polar lows. Analysis of polar lows activity and their changes – one of the key problems in assessing climate change in the Arctic region.

The characteristics of extreme polar mesocyclones (polar lows) for the period 2002–2008 are investigated. The ability of the reanalyses data to simulate polar lows characteristics over the Nordic seas in comparison with satellite observations (STARS data) is assessed. 4 reanalyses (ERA-INTERIM, ASR, NASA-MERRA and NCEP-CFSR) with different spatial resolution are considered. It was found that reanalyses are able to represent ca. 75 % (MERRA) of the observed polar lows.

Keywords: polar lows, reanalyses, satellite data, Arctic, the Northern Sea Route.

References

1. Rasmussen E., Turner J. Polar Lows: Mesoscale We ather Systems in the Polar Regions. – Cam-bridge: Cambridge Univ. Press, UK, 2003.

2. Mokhov I.I., Akperov M.G., Lagun V.E., Lutsenko E.I. Intense arctic mesocyclones // Izvestiya Atmos. Ocean. Phys. – 2007. – V. 43. – No. 3. – P. 259–265

3. Zappa G., Shaffrey L., Hodges K. Can polar lows be objectively identified and tracked in the ECMWF operational analysis and the ERA-Interim reanalysis? // Monthly Weather Review. – 2014. – V. 142. – No. 8. – P. 2596–2608. ISSN 0027–0644 doi: 10.1175 / MWR-D-14–00064.1

4. Laffineur T., Claud C., Chaboureau J.-P., Noer, G. Polar Lows over the Nordic Seas: Improved Representation in ERA-Interim Compared to ERA-40 and the Impact on Downscaled Sim-ulations // Monthly Weather Review. – 2014. – V. 142. – No. 6. – P. 2271–2289. doi:10.1175/ MWR-D-13–00171.1.

5. Bardin M.Yu., Polonsky A.B. North Atlantic oscillation and synoptic variability in the Europe-an–Atlantic region in winter // Izvestiya Atmos. Ocean. Phys. – 2005. – V. 41. – P. 127–136.

6. Akperov M., Bardin M.Yu., Volodin E.M., Golitsyn G.S., Mokhov I..I. Probability distributions for cyclones and anticyclones from the NCEP/NCAR reanalysis data and the INM RAS climate model // Izvestiya Atmos. Ocean. Phys. – 2007. – V. 43. – P. 705–712.

203


7. Akperov M., Mokhov I. A comparative analysis of the method of extratropical cyclone iden-tification // Izvestiya Atmos. Oceanic Phys. – 2010. – V. 46. – № 5. – P. 574–590.

8. Akperov M., Mokhov I.I., Rinke A., Dethloff K., Matthes H. Cyclones and their possible changes in the Arctic by the end of the twenty first century from regional climate model Simulations // Theoretical and Applied Climatology. – 2015. – V. 122. – P. 85–96. doi: 10.1007 / s00704–014-1272–2.

9. Akperov M., Mokhov I. Estimates of the sensitivity of cyclonic activity in the troposphere of extratropical latitudes to changes in the temperature regime // Izvestiya Atmos. Oceanic Phys. – 2013. – V. 49. – No. 2. – P. 113–120.

10. Rienecker M.M., Suarez M.J., Gelaro R. et al. MERRA: NASA’s Modern-Era Retrospective Analysis for Research and Applications // Journal of Climate. – 2011. – V. 24. – P. 3624–3648.

11. Dee D.P., Uppala S.M., Simmons A.J., et al. The ERA-Interim reanalysis: configuration and performance of the data assimilation system // Quarterly Journal of the Royal Meteorological Society. – 2011. – V. 137. – P. 553–597.

12. Saha S., Moorthi S., Pan H.-L., et al. The NCEP Climate Forecast System Reanalysis // Bulletin of American Meteorological Society. – 2010. – V. 91. – P. 1015–1057.

13. Bromwich D.H., Hines K.M., Bai L.-S. Development and testing of Polar WRF: 2. Arctic Ocean // J. Geophys. Res. – 2009. – V. 114. D08122. doi:10.1029 / 2008JD010300.

14. Noer G., Saetra Ø., Lien T., Gusdal Y. A climatological study of polar lows in the Nordic Seas // Quarterly Journal of the Royal Meteorological Society. – 2011. – V. 137. – No. 660. – P. 1762–1772.

204

РАЗРАБОТКА ВЕБ-ПРИЛОЖЕНИЯ ДЛЯ МОНИТОРИНГА НЕСАНКЦИОНИРОВАННЫХ СВАЛОК

НА ТЕРРИТОРИИ РОСТОВСКОЙ ОБЛАСТИ

Архипова О.Е.1, 2, 3, Магаева А.А.1, 3

Южный научный центр РАН, Ростов-на-Дону1, Институт аридных зон ЮНЦ РАН, Ростов-на-Дону2,

Южный федеральный университет, Ростов-на-Дону3 e-mail: [email protected], [email protected]

На сегодняшнии день актуальнои проблемои, как в России, так и за рубежом является рост числа отходов. В Россиискои Федерации ежегодно образуется около 7 млрд. т отходов производства и потребления, притом, что в отвалах, на свалках и полигонах и разного рода хранилищах уже скопилось около 9 млрд т отходов [1]. Захоронение отходов сопряжено с отчуждением больших терри-тории, которые зачастую являются плодородными землями. Опасность свалок заключается также и в воздеиствии отходов на компоненты окружающеи среды: почву, грунтовые воды, биоту [2].

В связи с недостаточным количеством обустроенных полигонов для складиро-вания и захоронения отходов широко распространена практика их размещения в местах неорганизованного складирования, на так называемых несанкциониро-ванных свалках. Объемы размещения бытовых отходов на несанкционированных свалках постоянно растут [3].

Для Ростовскои области эта проблема не менее актуальна. Особенно остро стоит проблема несанкционированного складирования отходов – в ходе про-верок ежегодно выявляются новые места складирования отходов, назначаются административные наказания, предписания о ликвидации свалок, но примене-ние мер административного воздеиствия не оказывает должного эффекта, так как свалки срочно ликвидируются, нарушения устраняются, но через несколько недель возникают снова. Сельскими администрациями организован сбор и вывоз мусора у населения, но не ведется разъяснительная работа и отсутствует долж-ныи контроль, не принимаются меры в отношении проживающих на территории муниципальных образовании нарушителеи [4].

Сбор информации об объектах складирования отходов (в том числе и несанк-ционированных) необходим для регулирования деятельности в сфере обращения с отходами, экологическои безопасности, а также для ведения кадастра отходов.

Кадастр отходов – это периодически пополняемыи систематизированныи свод данных об отходах производства и потребления, объектах размещения отходов, технологиях использования и обезвреживания отходов [1]. Кадастр отходов ведется на государственном и региональном уровнях.

Государственныи кадастр отходов (ГКО) предназначен для информационного обеспечения органов государственнои власти Россиискои Федерации, органов

205


государственнои власти субъектов Россиискои Федерации, органов местного самоуправления, юридических лиц и индивидуальных предпринимателеи, в ходе хозяиственнои и инои деятельности которых осуществляется обращение с отхо-дами, а также для юридических лиц и индивидуальных предпринимателеи, экс-плуатирующих объекты размещения отходов [5]. Вся информация, содержащаяся в ГКО, носит открытыи характер, кроме информации, отнесеннои к категории ограниченного доступа.

В Ростовскои области (РО) региональныи кадастр отходов ведется Министер-ством природных ресурсов и экологии Ростовскои области с 2009 года (Постанов-ление Администрации Ростовскои области от 13.04.2010 № 218 «Порядок ведения регионального кадастра отходов производства и потребления в Ростовскои области»). Региональныи кадастр отходов РО состоит из нескольких блоков:1. Региональныи реестр объектов размещения отходов, включающии:

– 15 полигонов твердых коммунальных отходов (ТКО),– 6 полигонов промышленных отходов,– 244 санкционированных свалок ТКО,– 129 несанкционированных свалок ТКО,– 21 объект категории «другои».

2. Сведения о технологиях использования и обезвреживания отходов – пред-ставлены только 14 организациями, расположенными в городах и раионах РО.

3. Реестр организации, использующих отходы в качестве вторичных ресурсов.4. Сведения об образовании и движении отходов на территории РО.

Данные, содержащиеся в региональном кадастре отходов РО, представлены в свободном доступе на официальном саите Министерства природных ресурсов и экологии РО в табличном виде [6].

Информацию об объектах размещения отходов поступает в ходе инвентари-зации и последующеи обработки сведении. Инвентаризации подлежат санкцио-нированные и несанкционированные места размещения отходов производства и потребления. Порядок проведения инвентаризации объектов следующии: данные поступают от органов местного самоуправления, юридических лиц и индивидуальных предпринимателеи, которые имеют на балансе объекты раз-мещения отходов и (или) осуществляющие их эксплуатацию. Инвентаризация проводится один раз в 5 лет.

Для мониторинга объектов складирования отходов проводится экологическии надзор, целью которого является предупреждение, выявление и пресечение нару-шении органами государственнои власти, органами местного самоуправления, а также юридическими лицами, их руководителями и иными должностными лицами, индивидуальными предпринимателями, их уполномоченными пред-ставителями и гражданами требовании, установленных законодательством в области охраны окружающеи среды [7].

В рамках экологического надзора проводятся реидовые мероприятия в целях выявления мест несанкционированного размещения твердых бытовых отходов. Обследование территории осуществляется на основе поступающеи информации


206

в Росприроднадзор и его территориальные органы от граждан и организации, СМИ и сети Интернет, органов исполнительнои власти, органов местного само-управления, а также из других источников, если полученная информация содер-жит сведения о нарушении требовании природоохранного законодательства, повлекшего образование мест несанкционированного размещения ТБО. После получения информации, составляется план обследования территории – населен-ныи пункт и маршрут территории, подлежащеи обследованию. Как показывает предварительныи анализ, данныи способ мониторинга за свалками ТБО мало-эффективен, так как после привлечения к ответственности (чаще всего админи-стративнои), свалки ликвидируются, но спустя некоторое время возникают вновь.

Задача выявления, картографирования, мониторинга мест складирования различных видов отходов − одна из наиболее актуальных задач в сфере охраны окружающеи среды. С однои стороны, это связано с серьезным негативным воздеиствием свалок на все компоненты ландшафта за счет физического, хими-ческого, биологического загрязнения, а также ухудшением качества жизни насе-ления за счет резкого снижения эстетическои ценности природных комплексов и возрастания техногенных рисков. Свалки оказывают комплексное негативное воздеиствие на окружающую среду, выраженное загрязнением атмосферного воздуха продуктами гниения и горения, поступлением нетипичных химиче-ских элементов в почву, в поверхностные и грунтовые воды. Наличие в свалках опасных отходов и неизбежных выделении (например, свалочного фильтрата) способно нарушить сложившиеся процессы метаболизма в прилегающих к свал-кам участках ландшафтнои сферы [8].

По нашему мнению, решить данную проблему возможно путем создания общедоступного веб-приложения, которое позволит проводить оперативныи мониторинг несанкционированных объектов отходов на территории РО. Мони-торинг будет осуществляться с помощью краудсорсинга, т.е. привлечения широ-кого круга лиц для получения новои информации об объектах складирования отходов. Эффективность интернет-ресурсов, основанных на краудсорсинге, подтверждается успехом как отечественных, так и зарубежных проектов, таких как ЭкоКарта России, Svaloknet.riamo, TrashOut, ZmapujTo [9–12].

В нашем случае разработка веб-приложения «Кадастр отходов Ростовскои области» подразумевает под собои создание общедоступного приложения для пользователеи различнои категории, желающих получить информацию о када-стре отходов и потребления Ростовскои области, а именно об объектах разме-щения отходов. Ресурс предоставляет возможность обмена информациеи, путем добавления новых, ранее неизвестных объектов размещения отходов, службы экологического мониторинга могут оперативно отслеживать существующую обстановку, проверять поступающую информацию, вносить дополнительную информацию, полученную в ходе проверки.

Для создания приложения была использована платформа ArcGIS фирмы Esri. Функционал программных продуктов ArcGIS используется для управления рабо-чими процессами и проектами ГИС, для построения карт, моделеи и приложении.

207


В состав линеики ArcGIS входят:– ArcGIS Desktop – средство создания локальных проектов;– ArcGIS Sever – средство поддержки серверных приложении;– ArcGIS Online средство публикации приложения в «публичном облаке»;– ArcGIS Collector в качестве мобильного приложения, использующего смарт-

фон.Использованное программное обеспечение является отправнои точкои

и базовым фундаментом для развертывания ГИС в организациях и веб-среде. Оно используется для публикации и обмена географическои информациеи с другими пользователями [13].

Основные этапы развертывания приложения основаны на данном программ-ном обеспечении и представлены на рисунке 1.

Рис. 1. Этапы создания веб-приложения

Этап 1. Подготовка данныхИсходными данными для создания веб-приложения послужили данные об

объектах размещения отходов на территории Ростовскои области, содержащиеся в региональном кадастре и полученные в Министерстве природных ресурсов и экологии Ростовскои области.

Данные представлены в виде таблице, содержащеи название населенного пун-кта, в котором или вблизи которого расположена свалка, примерное описание местоположения свалки (например, в 1 км к северо-западу от хутора), наимено-вание объекта размещения отходов (полигон ТБО, свалка и т.д.) и его площадь.

Этап 2. Визуализация данныхВизуализация данных проводится путем визуального дешифрирования

космоснимков. Для этого можно воспользоваться открытым web-приложением


208

Google Earth. Данное приложение может быть использовано для визуального дешифрирования, так как для большинства территории содержит «мозаику» на основе снимков высокого разрешения. Территория Ростовскои области покрыта снимками достаточно высокого разрешения, что позволило без труда дешифри-ровать большинство объектов складирования отходов по их признакам. К сожа-лению, для некоторых территории визуальное дешифрирование невозможно, так как используются снимки, которые имеет недостаточное разрешение для распознавания таких объектов. Также стоит отметить, что функционал «Исто-рия» приложения Google Earth позволяет просматривать изображения того или иного объекта во времени.

Таким образом, Google Earth предоставляет возможность исследовать пло-щадные характеристики свалок, определить ее статус -временная она или посто-янная, является плановым полигоном ТБО или возникла стихиино. Функционал Google Earth позволяет оцифровать полигоны исследуемых объектов и экспор-тировать в геоинформационную систему для последующего анализа.

Этап 3. Создание локальной информационной системыЛокальная информационная система необходима для создания информаци-

онного ресурса на основе полученных данных и для публикации в виде карто-графического сервиса для связи с web-приложением.

Локальная информационная система создана на программном обеспечении ArcGIS Desktop 10.*. Проект состоит из следующих тематических слоев: точеч-ныи слои «Объекты размещения отходов», экспортированныи из Google Earth, полигональныи слои «Раионы Ростовскои области», линеиныи слои «Граница РФ», и одна из базовых карт предоставляемых системои в качестве подложки.

Рис. 2. Дешифрирование объектов складирования отходов (Google Earth)

209


Рис. 3. Создание локальной информационной системы (ArcGIS 10.*)

Этап 4. Публикация локального проекта в качестве сервисаДля публикации проекта использовался ArcGIS Online, с помощью которого

доступно защищенное облако Esri, где можно создавать, хранить опубликован-ные веб-слои, работать с ними и управлять ими. Публикация данных осущест-вляется непосредственно через ArcGIS Desktop.

Так как приложение должно обеспечивать не только возможность получения информации об объектах размещения отходов, но и возможность обмена инфор-мациеи, путем добавления новых, ранее неизвестных объектов размещения отходов, в процессе публикации слоя «Объекты размещения отходов» необхо-димо настроить параметр Редактирования таким образом, чтобы пользователи могли добавлять новые объекты, но не удалять тот или инои объект размещения отходов. После всех настроек, данные публикуются на портале ArcGis Online и, в зависимости от настроек доступа, доступны либо для всех, либо для ограни-ченного числа пользователеи (организация, группа и тд.) для использования как в локальных проектах ArcGIS, так и в онлаин-приложениях.

Этап 5. Создание веб-приложения в ArcGIS OnlineИнтерфеис web-приложения создан с помощью построителя web-приложении

Web AppBuilder for ArcGIS Online. Он позволяет создавать приложения на основе готовых к использованию виджетов, настраиваемых тем, шаблонов. Приложения, созданные с помощью Web AppBuilder, настраиваются для работы на любых устроиствах – от настольных компьютеров до смартфонов.

Для создания приложения был выбран шаблон, которыи позволяет управ-лять дополнительными окнами интерфеиса, поддерживает все типы «виджетов» и используется для приложении со сложными задачами. Особое внимание уделе-но выбору «виджетов». Они обеспечивают фундаментальные функциональные возможности создания картографических веб-приложении. Большая их часть имеет параметры, позволяющие конфигурировать и настраивать их. В интерфеис


210

приложения добавлены «базовые виджеты» для работы и навигации, и «видже-ты» для работы с объектами (Измерение, Редактирование, Печать).

На последнем этапе создания приложения существует возможность настрои-ки атрибутов – названия приложения, его логотипа, ссылки. После завершения всех настроек необходимо сохранить приложение и открыть к нему доступ.

С помощью разработанного веб-приложения «Кадастр отходов Ростовскои обла-сти» осуществляется функция краудсорсинга. Доступ к приложению осуществляет-ся через веб-браузер по ссылке [14]. Функционал приложения позволяет оперативно вносить изменения, добавлять новые объекты. Приложение имеет дружественныи и понятныи интерфеис, что делает работу с сервисом удобнои и понятнои.

Данное приложение может работать с помощью мобильного устроиства или смартфона в режиме веб-браузера или, используя ArcGIS Collector – это мобильное приложение, которое позволяет создавать, обновлять и редактировать простран-ственные и табличные данные с помощью смартфона. Приложение доступно для мобильных платформ IOS, Android, Windows phone и предоставляется бесплатно.

Рис. 4. Настройка приложения с помощью Web AppBuilder

Данное приложение может быть использовано для проверки сведения, посту-пающих в базу данных службами экологического мониторинга. Выездная бригада проводит мониторинг объектов на местности и корректирует или подтверждает информацию с помощью планшета или смартфона, оснащенныи GPS и установ-леннои программои ArcGISforCollector. Приложение позволяет работать в авто-номном режиме, т.е. без подключения к интернету. При сборе информации все объекты сохраняются на смартфон, а при последующем подключении к интер-нету происходит синхронизация данных с приложением в «облаке».

По нашему мнению, этот вариант является достаточно перспективным для муниципальных органов власти. При проведении реидовых мероприятии по выявлению несанкционированных объектов отходов осуществлять сбор данных в автономном режиме с помощью планшета или смартфона. Затем происходит выгрузка и обработка данных на сервер, и публикация итоговых данных в сеть.

211


Рис.

5. И

нтер

фейс

веб

-при

лож

ения

при

исп

ольз

ован

ии п

рило

жен

ия

ArcG

IS C

ollec

tor д

ля Ip

ad M

ini 1

, 2 –

от

крыт

ие к

арт

ы, 3

– в

ыбор

и д

обав

лени

е нов

ого

объе

кта

на к

арт

у,

4, 5

, 6 –

запо

лнен

ие а

три

бут

ивно

й т

абли

цы н

овог

о об

ъект

а, 7

, 8 –

инт

ерфе

йс п

рило

жен

ия


212

Таким образом, разработанное веб-приложение обеспечивает сбор, обработку и визуализацию данных на различных уровнях: простого пользователя в качестве сбора данных, и администратора (органы местного самоуправления) в качестве проверки данных, мониторинга и обработки результатов. Простои и понятныи интерфеис разработанного приложения позволяет быстро и удобно работать с ним.


1. Хасанова В.К., Шильникова Н.В. Проблема утилизации промышленных отходов в России на современном этапе её развития // Вестник Казанского технологического университета. – 2012. – № 2. – С. 76–78.

2. Бабкина Л.А., Ракитская С.В. Теоретическое обоснование биологического этапа рекультивации свалок ТБО // Экология, рациональное природопользование и охрана окружающеи среды: сборник статеи по материалам V Всероссиискои научно-практ. конфер. с междунар. участием школьников, студентов, аспирантов и молодых ученых. – Т. II. Студенты – Красноярск: Лф СибГТУ, 2015 – С. 109–111.

3. Малышевский А.Ф. Обоснование выбора оптимального способа обезвреживания твердых бытовых отходов жилого фонда в городах России. – М.: 2012. – С. 47.

4. Василенко В.Н., Урбан Г.А. О состоянии окружающеи среды и природных ресурсов Ростовскои области в 2013 году // Экологическии вестник Дона / под общеи редакциеи Василенко В.Н, Урбан Г.А. – 2014.

5. Федеральныи закон от 24.06.1998 N 89-ФЗ (в ред. от 29.12.2014) «Об отходах производ-ства и потребления» // СПС Консультант-Плюс. URL: http://www.consultant.ru/. (Дата обращения: 10.02.2016 г.).

6. http://xn--d1ahaoghbejbc5k.xn--p1ai/state-of-the-environment/otkhody/regionalnyy-kadastr-otkhodov/ (Дата обращения: 10.02.2016 г.).

7. Об утверждении Порядка организации и осуществления регионального государствен-ного экологического надзора на территории Ростовскои области [Текст]: постановление правительства Ростовскои области от 26.04.2012 г. № 331 // URL: http: // www.donland.ru / documents / Ob-utverzhdenii-Poryadka- organizacii-i- osushhestvleniya-regionalnogo-gosudarstvennogo-ehkologicheskogo- nadzora-na- territorii-Rostovskojj-obl?pageid=128483&mid=134977&itemId=20745 (Дата обращения 16.03.2016).

8. Пешикова А.Г., Архипова О.Е., Харьковский Ю.В. Идентификация и оценка экологиче-ского состояния территории методом дешифрирования космических снимков / Эко-логия, экономика, информатика: сб. статеи: в 3-х тт. ЮФУ, ИАЗ, ЮНЦ РАН. – Ростов н/Д, 2015. – С. 209–227.

9. http://www.ecokarta.ru (Дата обращения 5.05.2016 г.).10. http://svaloknet.riamo.ru/ (Дата обращения 15.04.2016 г.).11. http://www.trashout.ngo/?hl=ru (Дата обращения 25.04.2016 г.).12. http://www.zmapujto.cz/ (Дата обращения 25.05.2016 г.).13. http://resources.arcgis.com /ru/help/getting-started/articles/026n00000005000000.html (Дата

обращения 26.05.2016 г.).14. http://gis-sfedu.maps.arcgis.com/apps/webappviewer/index.html?id =eebfbde060934bb1b4f-

2c950f1feb7d5 (Дата обращения 20.06.2016 г.).

213

DEVELOPING WEB APPLICATION FOR MONITORING OF ILLEGAL DUMPS IN THE ROSTOV REGION

Arkhipova O.E.1, 2, 3, Magaeva A.A.1, 3

1Southern Scientific Center of Russian Academy of Sciences, Rostov-on-Don, Russia

2 Institute of Arid Zones, Southern Scientific Center of Russian Academy of Sciences, Rostov-on-Don, Russia

3 Southern Federal University, Rostov-on-Don, Russia e-mail: [email protected], [email protected]

Abstract. An urgent problem in the world is to increase the amount of waste facilities. Monitoring of landfills has been cadastre of waste in Russia. Web application allows monitoring of illegal dumps in the Rostov region. Application was created using ArcGIS Online for conduct cadastre of waste.

Keywords: web application, illegal dumps, gis technology.

References

1. Hasanova V.K., SHil’nikova N.V. Problema utilizacii promyshlennyh othodov v Rossii na sovremennom ehtape eyo razvitiya [The problem of disposing of industrial waste in Russia at the present stage of its development] // Vestnik Kazanskogo tekhnologicheskogo universi-teta. – 2012. – No. 2. – P. 76–78 (In Russian).

2. Babkina L.A., Rakitskaya S.V. Teoreticheskoe obosnovanie biologicheskogo ehtapa rekul’tivacii svalok TBO [Theoretical study of the biological phase of reclamation of solid waste landfills] // EHkologiya, racional’noe prirodopol’zovanie i ohrana okruzhayushchej sredy: sbornik statej po materialam V Vserossijskoj nauchno-prakticheskoj konferencii s mezhdunarodnym uchastiem shkol’nikov, studentov, aspirantov i molodyh uchenyh. – Tom II. Studenty. – 2015. – P. 109–111 (In Russian).

3. Malyshevskij A.F. Obosnovanie vybora optimal’nogo sposoba obezvrezhivaniya tverdyh bytovyh othodov zhilogo fonda v gorodah Rossii [Justification of the choice of the optimal method of disposal of municipal solid waste housing in Russian cities]. – M.: 2012. – 47 p. (In Russian).

4. Vasilenko V.N., Urban G.A. O sostoyanii okruzhayushchej sredy i prirodnyh resursov Ros-tovskoj oblasti v 2013 goda pod obshchej redakciej Vasilenko V.N [Ecological Bulletin Don «State of the Environment and Natural Resources of the Rostov region in 2013, under the general editorship of V.N. Vasilenko] // Ekologicheskij vestnik Dona. – 2014. – 385 p. (In Russian).

5. Federal’nyj zakon ot 24.06.1998 N 89-FZ (v red. ot 29.12.2014) «Ob othodah proizvodstva i potrebleniya» [The federal law from 24.06.1998 N 89-FZ (as amended. On 29.12.2014) «On Production and Consumption Waste»]. Available at http://www.consultant.ru/ (In Russian).

6. http://xn--d1ahaoghbejbc5k.xn--p1ai/state-of-the-environment/otkhod/regionalnyy-kadas-tr-otkhodov / (In Russian).


214

7. Ob utverzhdenii Poryadka organizacii i osushchestvleniya regional’nogo gosudarstvennogo ehkologicheskogo nadzora na territorii Rostovskoj oblasti [Tekst]: postanovlenie pravitel’stva Rostovskoj oblasti ot 26.04.2012 g. № 331 [On approval of the organization and implemen-tation of the regional state environmental supervision on the territory of the Rostov region [Text]: the decision of the Rostov Region Government on 26.04.2012, № 331]. Available at http://www.donland.ru/documents/Ob-utverzhdenii-Poryadka- organizacii-i- osushhest-vleniya-regionalnogo-gosudarstvennogo-ehkologicheskogo- nadzora-na- territorii-Ros-tovskojj-obl?pageid=128483&mid=134977&itemId=20745 (In Russian).

8. Peshikova A.G., Arkhipova O.E., Har’kovskij Yu.V. Identification and assessment of the eco-logical territory state by method of space image decoding // Ecology. Economy. Informatics. (September 7–12, 2015): Collection of articles in 2 volumes. – Vol. 1: System analysis and modeling of economic and ecological systems. – Rostov-on-Don: Southern Federal Univer-sity. – P. 209–227 (In Russian).

9. http://www.ecokarta.ru (In Russian).10. http://svaloknet.riamo.ru (In Russian).11. http://www.trashout.ngo/?hl=ru (In English).112. http://www.zmapujto.cz/ (In English).13. http://resources.arcgis.com /ru/help/getting-started/articles/026n00000005000000.html (In

Russian).14. http://gis-sfedu.maps.arcgis.com/apps/webappviewer/index.html?id =eebfbde060934bb1b4f-

2c950f1feb7d5 (In Russian).

215

КОМПОНЕНТ ОБРАБОТКИ И ДЕШИФРИРОВАНИЯ ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ

СИСТЕМЫ КОМПЛЕКСНОГО НАЗЕМНО-КОСМИЧЕСКОГО МОНИТОРИНГА1

Бердников С.В.1, 2, Немцева Л.Д.1, 2, Лихтанская Н.В.1, 2, Сапрыгин В.В.1, 2, Сурков Ф.А.3

1 Южный научный центр Российской академии наук, Ростов-на-Дону,

2 Институт аридных зон Южного научного центра Российской академии наук, Ростов-на-Дону,


3 Южный федеральный университет, Ростов-на-Дону, e-mail: [email protected]

Ключевым элементом разрабатываемого экспериментального образца био-техническои системы комплексного наземно-космического мониторинга шель-фовых зон мореи западнои Арктики и Юга России является компонент обра-ботки и дешифрирования данных дистанционного зондирования Земли, в том числе получаемых с помощью гиперспектральнои аппаратуры – «ОДДЗЗ». В нем происходит накопление спутниковых снимков, релевантных проводящимся в остальных компонентах контактным наблюдениям, и разработка, верификация и тонкая настроика методов дешифрирования ДДЗЗ с использованием данных этих контактных наблюдении и данных из существующих систем мониторинга.

На рисунке 1 представлена схема, отражающая основные функции компонен-та «ОДДЗЗ», которые определяют его центральное место в системе, включающеи в себя также следующие компоненты:• биотехнические подсистемы с использованием млекопитающих, оснащенных

спутниковои телеметриеи и датчиками измерения состояния морскои среды (СВИБПЛ), моллюсков (БСМол) и ранних стадии онтогенеза рыб (БСРыб) на береговых постах;

• технические подсистемы с использованием проточных и портативных флу-ориметрических комплексов, установленных на судах (СВИС) и береговых постах (ФКБ), с применением спектрометров восходящего излучения от мор-

1 Работа выполняется в Южном научном центре Россиискои академии наук при фи-нансовои поддержке Министерства образования и науки Россиискои Федерации в рамках прикладных научных исследовании «Разработка методов и создание экс-периментального образца биотехническои системы мониторинга шельфовых зон мореи западнои Арктики и Юга России, в том числе в раионе Крымского полуостро-ва на основе спутниковых и контактных данных» (уникальныи идентификатор при-кладных научных исследовании – RFMEFI60714X0059).


216

скои поверхности, установленных на судах (ФКС) и беспилотных летательных аппаратах (БСМ);

• подсистему контактного и спутникового мониторинга социально-экономи-ческих процессов в береговои зоне (МСЭП).

Рис. 1. Схема, отражающая основные функции компонента «ОДДЗЗ»

Данные поступают в компонент «ОДДЗЗ» из всех доступных источников в режиме близком к реальному времени, а также с временнои задержкои. Мате-риалы космическои съемки хранятся в системе в виде подготовленных наборов данных для их последующего использования в мониторинге шельфовых террито-рии мореи западнои Арктики и юга России. Для организации процесса их полу-чения, хранения, обработки и дешифрирования необходимо было определить его ключевые этапы, способы их осуществления и подобрать функциональныи и удобныи инструментарии.

СВИС СВИБПЛ

ФКБ БСМол

ФКС БСРыб

БСМ

ПодготовленныеДДЗЗ

ДДЗЗиз Интернета

ДДЗЗРоскосмоса

ДДЗЗЮФУ

ДДЗЗ –результаты КЭ

Обработка,дешифрование

и тематическаяинтерпретация

МСЭП

217


Первым этапом рассматриваемого процесса является нахождение оптималь-ного варианта получения ДДЗЗ.

Важным и в настоящии момент уже достаточно оперативным источником получения спутниковых снимков является Интернет. Основные поставщики материалов космическои являются съемки – крупные американские и европеи-ские центры данных дистанционного зондирования Земли.

Из источников открытых данных, созданных государственными организа-циями США, можно отметить саит Ocean Color [1] Национального управления по воздухоплаванию и исследованию космического пространства (NASA) и саит EarthExplorer [2] Геологическои службы США (USGS). С первого из них можно скачать снимки, предназначенные для исследования мореи: SeaWiFS, MODIS (Aqua/Terra), MERIS, VIIRS (NPP), OCTS (ADEOS), HICO (ISS), CZCS (Nimbus–7). Со второго – снимки со спутников Landsat 5, Landsat 7, Landsat 8.

Вслед за США страны Евросоюза в последние годы также стали вводить поли-тику открытых данных. С апреля 2014 г. European Space Agency (ESA) осущест-вляет новую программу Copernicus [3], ранее известную как Global Monitoring for Environment and Security (GMES). Цель программы – обеспечить европеиские органы государственнои власти точнои и своевременнои информациеи для более эффективного управления окружающеи средои, а также для понимания и смягче-ния последствии изменения климата. В рамках этои программы будут распростра-няться снимки с нового спутника Sentanel–3, оснащенного радиометром SLSTR (Sea and Land Surface Temperature Radiometer) и спектрометром OLCI (Ocean and Land Colour Instrument), эффективно осуществляющими мониторинг океана.

Кроме того, широкое распространение получили сервисы бесплатного рас-пространения данных MODIS. Стоит упомянуть такие из них, как MODIS Rapid Response System [4], EOSDIS (Reverb) [5], Global Data Explorer [6], MODIS Reprojection Tool Web Interface (MRTWeb) [7], LAADS Web [8]. Данные на пере-численных веб-ресурсах обновляются обычно раз в сутки.

Еще одним источником получения спутниковых снимков являются россии-ские организации, с которыми сотрудничает Южныи научныи центр Россиискои академии наук (ЮНЦ РАН).

ЮНЦ РАН заключил договор с Научным центром оперативного мониторинга Земли АО «Россииские космические системы» (НЦ ОМЗ), являющимся опера-тором космических систем Роскосмоса. В соответствии с договором НЦ ОМЗ бесплатно предоставляет ему космические снимки со спутника Ресурс-П. ЮНЦ РАН заказывает в НЦ ОМЗ гиперспектральную съемку точек отбора проб в аква-ториях Черного и Азовского мореи на момент проведения морских экспедиции.

Кроме того, ЮНЦ РАН является одним из участников космического экспе-римента «Оценка развития катастрофических и потенциально опасных явлении по результатам космических наблюдении», проводимого ракетно-космическои корпорациеи «Энергия» им. С.П. Королева. Это позволяет ЮНЦ РАН заказы-вать и получать данные гиперспектрального датчика, установленного на борту Россииского сегмента Международнои космическои станции.


218

В Южном федеральном университете (ЮФУ) на базе Центра космического мониторинга и геоинформационных технологии работает собственная станция приема данных космических съемок со спутников Terra, Aqua и МЕТЕОР-М. В рамках соглашения о сотрудничестве между ЮНЦ РАН и ЮФУ научному коллективу ЮНЦ РАН бесплатно предоставляются спутниковые снимки и спе-циализированное программное обеспечение Центра.

Изучение всех перечисленных выше возможностеи получения ДДЗЗ привело к выводу о том, что для целеи выполняемои работы оптимальным является ком-бинирование данных из различных источников, отличающихся пространствен-ным разрешением, актуальностью и спектральными характеристиками, исходя из задач, решаемых каждым из компонентов создаваемои системы.

В качестве данных для наполнения компонента «ОДДЗЗ» выбраны материалы космическои съемки со следующих спутников:

• Aqua• NPP• Sentanel-3• Landsat 5, Landsat 7, Landsat 8Обработка и дешифрирование спутниковых данных может быть выполнена

с помощью большого количества разработанных для этих целеи программ. Научныи коллектив, выполняющии данную работу, пользуется следующими про-граммными продуктами: ScanMagic и ScanEx Image Processor, разработанными россииским инженерно-технологическим центром SCANEX и ENVI, выпускае-мыи американскои корпорациеи Exelis Visual Information Solutions.

Поскольку каждая из используемых программ обладает довольно большим набором необходимых инструментов, выбор программного обеспечения зави-сит от специфики задачи и квалификации исполнителя, ее решающего. Однако, необходимо отметить, что программныи комплекс ENVI имеет ряд преимуществ: он и его дополнительные модули включают в себя эффективные инструменты специализированнои обработки и анализа как мультиспектральных, гиперспек-тральных, так и радарных данных; многие алгоритмы анализа изображении, использующиеся в ENVI, были специально разработаны для обработки больших объемов информации [9].

Кроме того, научныи коллектив использует и развивает собственные раз-работки. Так, например, в рамках выполняемого проекта будет проведена модификация, верификация и тонкая настроика для снимков с нового спутни-ка Sentanel-3 созданных ранее NIR-red алгоритмов для оценки концентрации хлорофилла-а в прибрежных водах по снимкам, полученным спектрометром MERIS [10], поскольку этот спектрометр больше не функционирует.


Таким образом, в процессе разработки компонента «ОДДЗЗ» – ключевого элемента создаваемого экспериментального образца биотехническои системы

219


комплексного наземно-космического мониторинга шельфовых зон мореи запад-нои Арктики и Юга России – выполнены и продолжают выполняться перечис-ленные ниже работы.

Проведены инвентаризация и отбор источников ДДЗЗ, инструментов и мето-дов их обработки и дешифрирования. Разработана структура компонента. Опре-делены типы используемых в нем данных и технологические последовательности их получения, обработки и дешифрирования. Отлажен и постоянно ведется процесс наполнения хранилища данных компонента материалами космиче-скои съемки, релевантными контактным наблюдениям. Проводится обработка, дешифрирование и передача этих данных в остальные компоненты системы для последующего использования. Ведется обновление и усовершенствование мето-дов и алгоритмов дешифрирования «ОДДЗЗ» с помощью данных контактных наблюдении, получаемых из остальных компонентов системы.

Полученные в ходе выполнения работ результаты будут использованы в каче-стве научнои основы для новых технологии мониторинга состояния окружающеи среды с применением данных дистанционного зондирования.


1. Electronic resource: Ocean Color. URL: http://oceancolor.gsfc.nasa.gov/cms/ (reference date: 01.08.2016).

2. Electronic resource: Earth Explorer. URL: http://earthexplorer.usgs.gov (reference date: 01.08.2016).

3. Electronic resource: Copernicus. URL: http http://copernicus.eu (reference date: 01.08.2016).4. Electronic resource: MODIS Rapid Response System. URL: http://rapidfire.sci.gsfc.nasa.gov/

(reference date: 01.08.2016).5. Electronic resource: EOSDIS (Reverb). URL: https://earthdata.nasa.gov/ (reference date:

01.08.2016).6. Electronic resource: Global Data Explorer. URL: http: /gdex.cr.usgs.gov/gdex/ (reference date:

01.08.2016).7. Electronic resource: MODIS Reprojection Tool Web Interface (MRTWeb). URL: https://

mrtweb.cr.usgs.gov / (reference date: 18.04.2016)8. Electronic resource: LAADS Web. URL: https://ladsweb.nascom.nasa.gov/ (reference date:

01.08.2016).9. Горбачева Е.Н. Программныи комплекс ENVI – профессиональное решение для

комплекснои обработки мультиспектральных, гиперспектральных и радарных данных // Геоматика. – 2013. – № 2 (19). – С. 50–54.

10. Moses W.J., Gitelson A.A., Berdnikov S., Saprygin V., Povazhnyi V. Operational MERIS-based NIR-red algorithms for estimating chlorophyll-a concentrations in coastal waters – the Azov Sea case study, Remote Sensing of Environment. – Vol. 121. – P. 118–124, 2012.

220

COMPONENT PROCESSING AND INTERPRETATION OF REMOTE SENSING SYSTEMS INTEGRATED GROUND-SPACE MONITORING

Berdnikov S.V.1, 2, Nemtseva L.D.1, 2, Likhtanskaya N.V.1, 2, Saprygin V.V.1, 2, Surkov F.A.3

1 Southern Scientific Centre of the Russian Academy of Sciences, Rostov-on-Don, 2 Institute of Arid Zones, Southern Scientific Centre of the Russian Academy of Sciences,

Rostov-on-Don, Russia email: [email protected], [email protected],

[email protected], [email protected] 3 Southern Federal University, Rostov-on-Don, Russia

email: [email protected]

Abstract. A component of processing and interpretation of remote sensing data is developed, including those obtained by hyperspectral equipment (RSDP) of the research prototype being developed of the biotechnical system for integrated ground-space monitoring of shelf zones in the Western Arctic and Southern Russia seas.

It brings together all the other components of the system as it is created for the organization of the RSD acquisition, storage, processing and interpretation from all available sources in near real-time and delayed mode for the subsequent use in the remaining components of the system.

RSD processing and interpretation methods in this component are developed using contact observation results obtained in the other system components and data from existing monitoring systems. This is done by constant replenishment of its data storage with satellite images relevant to contact observations.

In the development of this component the problem has been solved of determining key stages of the RSD acquisition, storage, processing and interpretation the processes as well as methods and tools for their implementation.

Keywords: remote sensing, ground-space monitoring

References

1. Electronic resource: Ocean Color. URL: http://oceancolor.gsfc.nasa.gov/cms/ (reference date: 01.08.2016) (In English).

2. Electronic resource: Earth Explorer. URL: http://earthexplorer.usgs.gov (reference date: 01.08.2016) (In English).

3. Electronic resource: Copernicus. URL: http http://copernicus.eu (reference date: 01.08.2016) (In English).

4. Electronic resource: MODIS Rapid Response System. URL: http://rapidfire.sci.gsfc.nasa.gov/ (reference date: 01.08.2016) (In English).

5. Electronic resource: EOSDIS (Reverb). URL: https://earthdata.nasa.gov/ (reference date: 01.08.2016) (In English).

6. Electronic resource: Global Data Explorer. URL: http://gdex.cr.usgs.gov/gdex/ (reference date: 01.08.2016) (In English).

221


7. Electronic resource: MODIS Reprojection Tool Web Interface (MRTWeb). URL: https://mrtweb.cr.usgs.gov/ (reference date: 01.08.2016) (In English).

8. Electronic resource: LAADS Web. URL: https://ladsweb.nascom.nasa.gov/ (reference date: 01.08.2016) (In English).

9. Gorbacheva E.N. ENVI software – professional solution for complex multispectral, hyper-spectral and radar data processing // Geomatics. – 2013. – Is. 2 (19). – P. 50–54 (In Russian).

10. Moses W.J., Gitelson A.A., Berdnikov S., Saprygin V., Povazhnyi V. Operational MERIS-based NIR-red algorithms for estimating chlorophyll-a concentrations in coastal waters – the Azov Sea case study, Remote Sensing of Environment. – Vol. 121. – P. 118–124, 2012 (In English).

222

О СОВРЕМЕННЫХ ТЕХНОЛОГИЯХ МНОГОМЕРНОГО МОДЕЛИРОВАНИЯ ОБЪЕКТОВ И МЕСТНОСТИ

ПО ДАННЫМ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ: АЭРО- И КОСМИЧЕСКИМ

Часть 1

Гречищев А.В., Савинский В.Ю., Стоволосов Е.В.,АО «НИИ ТП», Москва,


Аннотация. Чтобы наилучшим образом представить меняющийся мир, требуются базовые многомерные модели, адекватно отображающие ситуацию в зависимости от решаемой задачи. Пространственную модель территории можно отобразить в виде комплексного полигиперкуба, включающего в себя отдельные наборы трехмерных моделей (гиперкубов), слои и элементы которых содержат различные данные. Меняются подходы и способы сбора данных, создания пространственной основы ГИС, самих моделей. Совершенствуются и улучшаются существующие программы моделирования и представления трехмерных и многомерных результатов. Данная (первая) часть обзора посвящена рассмотрению более традиционных методов многомерного моделирования, которые основаны на раздельном формировании моделей объектов и моделей земной поверхности для получения фотореалистичного представления местности. Также в ней перечисляются возможные цели и задачи трёхмерного моделирования, преимущества трёхмер-ного отображения территорий, исходные данные для моделирования объектов и территорий и что влияет на создание таких моделей.

Ключевые слова: ГИС, пространственные данные, многомерное моделирование, 3Dмодели, цифровые модели рельефа и местности, фотореалистичная визуализация

Наш мир многомерен, и с точки зрения современных потребностеи тради-ционных картографических материалов, представляющих местность и объекты в двумерном виде, уже недостаточно, тем более, когда речь идет о динамично развивающихся процессах и территориях. Многие задачи, включающие, напри-мер, автоматизированныи анализ состояния территории, особенно в раионах интенсивного строительства, природных и техногенных катастроф, проведения различных оперативных мероприятии, требуют наличия детальнои информации о пространственном положении, высотах объектов местности, их реалистичного представления в цифровои и аналоговои форме с помощью современных ком-пьютерных средств и технологических решении.

Чтобы наилучшим образом представить меняющиися мир, требуются базо-вые многомерные модели, адекватно отображающие ситуацию в зависимости от решаемои задачи (с учетом конкретных требовании). Пока нет средств эффек-тивнои работы со сложными многомерными моделями, их представляют в виде

223


наборов «плоских» двумерных слоёв или гиперкубов информации. Простран-ственную модель территории можно отобразить в виде комплексного полиги-перкуба, по сути включающего в себя отдельные наборы трехмерных моделеи (гиперкубов), слои и элементы которых содержат различные данные (рис. 1; [1]).

Рис. 1. Пространственные гиперкубы информации о местности, представляющие различные спектральные (λ), временные (t),

высотные (h) данные, данные с различным пространственным разрешением (r) и т. д.

В настоящее время появилось много новых цифровых продуктов, которые представляют собои трехмерные пространственные модели (3D-модели) реаль-ных объектов территории и могут применяться как некие базовые составляю-щие комплекснои многомернои модели [2]. Формированию и использованию 3D-моделеи способствовали достижения компьютернои графики с целью ими-тации местности в интенсивно развивающихся геоинформационных системах и технологиях. В научнои и техническои литературе приводятся различные определения и обозначения таких моделеи, например,трехмерные виртуальные модели местности, 3D (3-Dimentional) визуализации, трехмерные цифровые модели, виртуальные геоизображения, 3D-сцены, 3D-модели, 3D-ЦММ (трех-мерные цифровые модели местности), цифровые пространственные модели местности, трехмерные текстурированные модели реалистического вида, трех-мерная измерительная видеосценаи т. д. [3–10].

Трехмерные цифровые модели представляют собои в общем случае трехмер-ные пространственные аналоги реальных объектов местности. По сравнению с цифровыми картами визуализация и обработка таких моделеи требуют боль-ших вычислительных ресурсов, более развитых аналитических средств, сложных алгоритмов. Это пока сдерживает применение сложных цифровых конструкции в качестве основного информационного продукта в различных геоинформаци-онных системах (ГИС). Но технические средства, методы обработки и анализа


224

пространственнои информации, программное обеспечение для их реализации постоянно развиваются и совершенствуются.

До недавнего времени информационные системы, обеспечивающие трех-мерное представление данных, были ориентированы в основном на решение задач разработки нефтяных и газовых месторождении [11]. Это объяснялось высокои ценои как исходных данных дистанционного зондирования, так и соот-ветствующего программного обеспечения. На рис. 2 показан пример трёхмерного моделирования газораспределительнои станции и его представление в ГИС [12].

Рис. 2. Трехмерное моделирование газораспределительной станции (ГРС) по данным дистанционного зондирования.

Вверху слева – часть космического снимка высокого разрешения на террито-рию ГРС; вверху справа – 3D-модель, созданная на его основе;

внизу – представление 3D-модели ГРС в ГИС ArcInfo (фрагмент)

В мировои практике трехмерные цифровые модели всё активнее используются во многих сферах деятельности: на транспорте (наземном, морском, воздушном); для решения навигационных и экологических задач, задач природопользования, геологии и геофизики; в системах МВД и МЧС; при проектировании и прокладке подземных коммуникации, трубопроводов различного назначения; в проектно-изыскательских и архитектурно-планировочных работах и т. д. Перечень трёх-

225


мерных геопространственных продуктов постоянно расширяется. В настоящее время наиболее востребованы цифровые модели поселении [3, 10, 13–20].

Во многих крупных городах мира трехмерная пространственная информация используется при решении таких задач, как городское планирование, управление транспортом, защита от шума, оптимизация выполнения строительных работ и др. Трехмерные модели наглядно представляют территорию и позволяют учи-тывать особенности и детали конкретного ее участка (рис. 3).

Рис. 3. 3D-модель одного из районов Москвы

Трёхмерное отображение территории имеет ряд преимуществ, например:• третье измерение улучшает реализм визуализации;• анимация и инструменты моделирования создают знакомыи динамичныи мир;• ГИС-данные, представленные в трехмерном виде, легче воспринимаются;• совместное представление непространственнои и пространственнои инфор-

мации об объектах и местности повышает возможности применения данных;• аналитические инструменты ГИС позволяют максимально адекватно оцени-

вать информацию о территории и принимать более взвешенные решения и т. д.Наиболее вероятными целями создания трёхмерных сцен являются [12]:

• Улучшение восприятия пространственнои и связаннои с нею информации и ускоренное ознакомление с территориеи, представленнои в трехмерном виде.

• Повышение удобства анализа, особенно с использованием средств поддержки принятия решении, наглядное донесение пространственнои информации до неспециалистов.

• Моделирование несуществующих объектов и интеграция их в модели ланд-шафтов для оценки возможных последствии.


226

• Создание симуляторов и тренажеров (авиа, командных, дорожных и пр.)• Создание систем трехмерного картографирования, аналогичных системам

архитектурного проектирования, с возможностью использования как дву-мерных инструментов, так и трехмерных.Это далеко не полныи перечень возможных целеи и задач трёхмерного моде-

лирования.В современных проектах, использующих геопространственную основу, тре-

буется цифровая информация о территории, обладающая следующими свои-ствами [3]:• реалистичность отображения местности, включая, например, учет освещен-

ности солнцем в заданное время;• возможность визуализации объектов местности в трехмерном представлении;• обеспечение эффекта присутствия наблюдателя на местности и возможность

рассмотреть объекты с произвольного направления;• отображение реального внешнего вида объектов;• возможность навигации по рассматриваемои территории, которая сопро-

вождается синхронным отображением вида объектов по произвольным направлениям от точки стояния;

• повышенная точность абсолютногоположения отдельных объектов и взаим-ного их положения.Для максимально эффективного использования трехмерная пространствен-

ная информация должна [12]:• быть представлена в интуитивнопонимаемом виде;• просто и доступно распространяться;• допускать интерактивныи анализ с использованиемширокого набора инстру-

ментов;• регулярно обновляться.

Для любого логистического приложения критичным является понимание трехмерных пространственных взаимосвязеи. С ростом такого понимания сто-имость проекта или процесса снижается, а эффективность возрастает. Динамич-ная трехмерная визуализация в режиме реального времени позволяет повысить значимость принимаемых решении.

Несмотря на наличие соответствующих стандартов, терминология, опреде-ляющая трёхмерное моделирование, различна. К тому же это направление про-должает интенсивно развиваться.

Исходными данными для трёхмерного моделирования объектов и территории могут служить [12]:• цифровые модели рельефа (ЦМР), например, получаемые по существующим

картографическим материалам и уточняемые наземными или фотограмме-трическими методами по данным аэрокосмических съемок;

• данные дистанционного зондирования (материалы лазернои локации, радио-локационнои интерферометрии, аэрокосмических съемок, получаемых в оптическом диапазоне, т. е. снимки с космических аппаратов среднего,

227


высокого и сверхвысокого пространственного разрешения, а также снимки с различных воздушных летательных аппаратов: самолётов, вертолетов, дири-жаблеи, беспилотных летательных аппаратов различного типа);

• цифровые векторные данные, созданные, например, на основе существующих цифровых карт местности или в результате дешифрирования аэро- и косми-ческих снимков;

• данные инженернои геологии, наземные геодезические измерения, материалы фото- и видеосъемки объектов с земнои поверхности и высоких точек мест-ности (крыш, башен и т. д.);

• рабочие чертежи здании и сооружении;• библиотеки трехмерных моделеи различных типовых объектов;• дополнительная описательная и атрибутивная информацияи т. д.

Таким образом, современное трёхмерное моделирование (как и современные ГИС) основывается на интегрированных решениях и технологиях, использующих пространственные данные и методы работы с ними, пришедшие из:• дистанционного зондирования и фотограмметрии;• картографии и геодезии;• САПР и компьютернои графики;• СУБД и математического моделирования;• программирования и статистики …

На создание трехмерных моделеи влияют [12]:• четкое понимание возможностеи и ограничении существующих технологии,

как программных, так и аппаратных;• достижение компромисса между желаемои реалистичностью и трудоемкостью

создания сцены, необходимыми ресурсами (человеческими, финансовыми и пр.), текущими аппаратными возможностями;

• продуманность взаимодеиствия выбранных для реализации проекта про-граммных средств на уровне форматов, описания систем координат и пр.;

• оптимальная интеграция программ друг с другом (не существует программ, одинаково хорошо выполняющих все возможные функции) для решения различных задач (отображение-анализ и т. п.) и с «железом» (отображение в стереорежиме и т. д.).Трехмерное моделирование – не просто имитация реальности, а инструмент

представления, анализа и публикации геопространственных данных. Чтобы полу-чить качественную трехмерную модель, необходимо использовать комплекс данных (рельеф, снимки местности, результаты измерении, модели здании и сооружении, схемы раионирования и зонирования, дополнительная и справочная информация).

Не так давно в ГИС применялись двумерные пространственные данные. Затем распространение получили модели в так называемом 2,5-мерном пространстве, когда величина Z атрибутивно привязывалась к точке (X, Y), часто через цифро-вые модели рельефа. В интегрированнои фотореалистичнои информационнои средеосуществляется переход к полноценным трехмерным данным, а с учетом, например, временного параметра – к многомерным.


228

Рост потребности в реалистичном отображении окружающего мира обуслав-ливает значимость трехмерного моделирования. Современные графические стан-ции в состоянии обрабатывать и визуализировать объемы данных, необходимые для создания фотореалистичных трехмерных моделеи городских ландшафтов. Так, ещё в 2003 году подобная модель была подготовлена специалистами компа-нии DATA+ (Москва) для Сибирского научно-аналитического центра (Тюмень) на центральныи раион Салехарда. Модель позволяла [10]:• выполнить фотореалистичное отображение территории и виртуальное пере-

движение по неи;• оценить возможности моделирования и анализа данных городского ланд-

шафта, изменения моделеи здании и иных объектов;• комбинировать тематические слои с внедренными 3D-объектами;• исследовать методы подготовки перспективных трехмерных топологических

ГИС-данных и моделеи,а также совмещения их с данными САПР.При этом применялась стратегия моделирования [10], обобщенная схема

которои показана на рис. 4.Указанная стратегия часто задеиствуется в 3D-ГИС для отображения раз-

личных участков местности. Она основана на раздельном формировании моде-леи объектов и моделеи земнои поверхности. Но при этом фотореалистичная визуализация городскои территории требует больших усилии по сбору исходнои информации, геометрическому и текстурному моделированию отдельных объ-ектов и итоговои модели (сцены), сильно зависит от полноты и точности данных, представляющих ландшафт, от практических навыков исполнителеи, поскольку процесс предполагает много ручнои работы.

Рис. 4. Стратегия и компоненты 3D-моделирования городской территории

Модель земнои поверхности, на которои (а для сложнои муниципальнои 3D-ГИС – и под которои) размещаются модели городских объектов, получают на основе подготовленного по космическим или аэроснимкам ортофотоизобра-

229


жения, «натянутого» на поверхность, созданную по цифровои модели рельефа. Другими словами, цифровая модель рельефа текстурируется ортофотоизображе-ниемместности. Преобразование аэро- или космических снимков к применяемои системе координат осуществляется путем ортотрансформирования с исполь-зованием ЦМР и электронных карт ГИС, GPS-данных или отсканированных (растровых) топокарт и планов, представленных в заданнои системе координат.

В общем случае для показа здании используются поверхности, которые необ-ходимы для рендеринга, текстурирования моделеи. Информация о геометриче-ских объектах может быть получена с 2D цифровых карт (контуры основании здании), аэрофотоснимков (контуры крыш, дымоходов, пристроек), снимков с земнои поверхности и с высоких наземных объектов (детали фасадов), путем прямых измерении на местности и т. д. Использование фотореалистичных тек-стур является важным моментом при создании городских 3D-моделеи и дает наиболее близкое к деиствительности отображение окружающего мира. Кроме того, полученная таким образом текстура содержит информацию, отсутствую-щую в геометрическои модели, например, о деталях и материалах, из которых сделана отображаемая поверхность. Но если в результате текстурирования здании на них появляются детали, к ним не относящиеся, требуются дополни-тельная фильтрация и очистка (рис. 5).

После создания текстурированных поверхности и здании необходимо их совместить. Совмещение проводится на уровне минимальнои высоты здания. Может также потребоваться дополнительная обработка цифровои модели релье-фа, например, чтобы удалить его «лишние» неровности.

Рис. 5. Текстурирование модели здания и совмещение с текстурированной моделью рельефа

Описанныи метод позволяет раздельно манипулировать как поверхностью, так и каждым поверхностным объектом. Можно удалять и видоизменять (рекон-струировать и редактировать) как геометрические объекты, так и их текстуры. Для обеспечения работы с запросами каждому объекту может быть сопоставлена детальная атрибутивная информация (рис. 6).


230

Такое «полуручное» трёхмерное моделирование является весьма трудоёмким, затратным, малопроизводительным, часто довольно неточным. А востребован-ность фотореалистичного представления территории неуклонно растет.

Рис. 6. Трехмерная модель Москвы, созданная в компании «РЕКОД» [21]

В настоящее время широкое распространение получили геоинформационные системы, системы навигации и виртуальные тренажеры, работающие с трехмер-ными цифровыми моделями реально существующих объектов или местности.Кроме того, системы стереозрения, деиствующие в режиме реального времени, могут быть установлены на наземные платформы, самолёты, беспилотные летательные и космические аппараты; для предоставления пространственнои информации в какои-либо системе управления. Для создания трехмерных и многомерных моделеи объектов могут применяться радары, лазерные скане-ры, системы стереореконструкции. При этом последние гораздо более дешевы, компактны, имеют достаточно большую разрешающую способность и являются пассивными устроиствами, так как получают информацию от цифровых снимков сцены, что важно в ряде приложении. Подобные системы, используемые для получения текущеи пространственнои информации о дорожнои обстановке на основе обработки данных видеокамер, уже устанавливаются на некоторые сериино выпускаемые автомобили [22].

Наиболее активно в последние годы разрабатываются методы и подходы для автоматизированного и автоматического создания трёхмерных моделеи объ-ектов и местности на основе данных дистанционного зондирования и съёмки в оптическом диапазоне спектра. На территорию интереса строитсяцифровая

231


модель поверхности (ЦМП) на основе стереоизображении (или множества пере-крывающихся снимков), т. е. такая, которая представляет возвышение первои поверхности, с которои взаимодеиствует система дистанционного зондирования, получающаяся в результате фотограмметрическои обработки аэрокосмических снимков и включающая возвышения искусственных (например, здания) и при-родных поверхностных особенностеи (например, деревья, кустарники, поднятые выше обнаженнои поверхности земли). Хотя это направление бурно развивает-ся и уже созданы различные алгоритмы построения ЦМП, задача построения трёхмерных моделеи по цифровым фотоснимкам еще далека от окончательного решения [22].

Во второи части обзора [23] мы рассмотрим некоторые вопросы автомати-ческого и автоматизированного создания трехмерных моделеи поверхности, местности, объектов по материалам съёмки цифровыми камерами оптического диапазона спектра.


1. Андреев М.В., Берёзина К.В., Быстров А.Ю, Гречищев А.В., Лубнин Д.С., Стоволосов Е.В. О способах представления многомернои информации (в этом же сборнике).

2. Лубнин Д.С., Быстров А.Ю., Назаров А.А., Берёзина К.В., Андреев М.В., Гвоздев О.Г., Сто-волосов Е.В., Гречищев А.В. О методе интеграции данных дистанционного зондирования с целью извлечения комплекснои геопространственнои информации // Известия выс-ших учебных заведении. Сер. Геодезия и аэрофотосъемка. – 2014. – № 6. – С. 110–117.

3. Журкин И.Г., Хлебникова Т.А. Цифровое моделирование измерительных трехмерных видеосцен. – Новосибирск: СГГА, 2012. – 246 с.

4. Берлянт А.М. Картография и геоинформатика в системе наук и учебных дисциплин // Геодезия и картография. – 2007. – № 1. – С. 38–45.

5. Берлянт А.М., Ушакова Л.А. Картографические анимации. – М.: Научныи мир, 2000. – 108 с.6. Берлянт А.М. Виртуальные геоизображения. – М.: Научныи мир, 2001. – 56 с.7. Капралов Е.Г., Кошкарев А.В., Тикунов В.С. и др. Геоинформатика: в 2 кн. Кн. 1: Учеб.

для студентов вузов / Под ред. В.С. Тикунова. – М.: Академия, 2008. – 384 с.8. ГОСТ Р 52055–2003. Геоинформационное картографирование. Пространственные

модели местности. Общие требования. – М.: Госстандарт России, 2003. – 4 с.9. Медведев Е.М. Методы лазернои локации и цифровои аэрофотосъемки в современнои

топографии // Геодезия и картография. − 2006. − № 6. − С. 40–44; № 8. − С. 30–35; № 9. − С. 40–47; № 10. − С. 46–53.

10. Гречищев А., Бараниченко В., Монастырев С., Шпильман А.Трехмерное моделирование и фотореалистическая визуализация городских территории // ArcReview. – 2003. − № 2 (25). – С. 12–13.

11. Марьина Н.И., Разумовский А.И. Трехмерная модель нефте промысла // Информ. бюл-летень ГИС-Ассоциации. – 2000. – № 2. – С. 30–31.

12. Гречищев А.В. Трёхмерное моделирование в ГИС // Курс лекции. – М.: МИИГАиК.13. Макаров А.А. Построение трехмерных моделеи здании и сооружении для целеи паспор-

тизации объектов недвижимости // Геодезия и картография. – 2007. – № 11. – С. 40–42.


232

14. Гречищев А.В. Трёхмерное ГИС-моделирование и техническая инвентаризация // ArcReview. – 2006. − № 3 (38). – С. 19–20.

15. Наумов С.В., Савидова С.В. 3D в ГИС // ArcReview. – 2006. − № 4 (39): http://www.esri-cis.ru/news/arcreview/detail.php?ID=1536&SECTION_ID=42[электрон. ресурс].

16. Ерёмченко Е.В., Гречищев А.В. Новыи подход к созданию ГИС для небольших муници-пальных образовании // ArcReview.– 2005.− № 2 (33).–C.15–17.

17. Наумов С.В., Савицкий Д.В. Московскии университет: моделирование на фоне начи-нающеися осени // ArcReview. – 2005. − № 2 (33). – С. 20–21.

18. Аврутин В.Д., Руденко В.Ю., Ломтев А.Ю. О трехмернои модели городского простран-ства Санкт-Петербурга // ArcReview. – 2009. – № 4 (51). – С. 4–7.

19. Алябьев А.А., Сосновский А.В. Цифровое трехмерное моделирование местности на основании результатов спутниковои стереоскопическои съемки // Геодезия и карто-графия. – 2008. – № 8. – С. 23–27.

20. Городскому управлению Вены дано еще одно измерение // ArcREView. – 2008. − № 4 (47). – С. 22–23.

21. Программное обеспечение «РЕКОД-Модель»: www.rekod.ru/products/software/construction_of_3d_models/ [электрон. ресурс].

22. Горбачев В.А. Разработка алгоритмов высокодетального моделирования объектов на основе анализа цифровых изображении: дисс. на соискание ученои степени канд. физ.-мат. наук по спец. 05.13.18. «Математическое моделирование, численные методы и комплексы программ». – Москва: МФТИ, 2014. –135 с.

23. Гречищев А.В., Савинский В.Ю., Стоволосов Е.В. О современных технологиях многомер-ного моделирования объектов и местности по данным дистанционного зондирования: аэро- и космическим. Ч. 2 (в этом же сборнике).

233

ABOUT MODERN APPROACHES FOR MULTIDIMENSIONAL OBJECT AND TERRAIN MODELING BASED ON REMOTE SENSING DATA:

AERO- AND SPACE

Part 1

Grechishchev A.V., SavinskiV.Yu, Stovolosov E.V.AO «NIITP», Moscow, Russia, e-mail: [email protected]

Abstract. For a better representation of changing world required basic multidimensional models, adequately reflect the situation, depending on the task. Spatial model of terrain can be displayed as a comprehensive polyhypercube, comprising separate sets of 3D models (hypercubes), layers and elements, which contain various data. Are changing the ways and methods of data collection; of creating spatial base (DTM); of creating 3D models. Existing software for 3D modeling and Rendering are improved and upgraded. Current (first) part of science work is about more traditional methods of multidimensional modeling, which is based on separate formation models of object and earth surface for photo-realistic representation of the terrain. Also, it lists the possible goals and objectives of 3D modeling, benefits of 3D representation of terrain, initial data for modeling of objects and terrain and what affects on it.

Keywords: GIS, spatial data, multi-dimensional modeling, 3D models, DTM, DSM, photo realistic rendering.

References

1. Andreev M.V., Berezina K.V., Bystrov A.Yu., Grechishev A.V., Lubnin D.S., Stovolosov E.V. About methods for multidimensional information representation // Current book (In Russian).

2. Lubnin D.S., Bystrov A.Yu., Nazarov A.A., Berezina K.V., Andreev M.V., Gvozdev O.G., Stovo-losov E.V., Grechishev A.V. O metode integracii dannyh distancionnogo zondirovani’a s cel’u izvlecheni’a kompleksnoi geoprostranstvennoi informacii [On the method of integrating remote sensing data in order to extract the complex geospatial information] // Izvesti’a vysshih uchebnyh zavedenij. Ser. Geodezi’aiaerofotos’emka. – 2014. – No. 6. – Р. 110–117 (In Russian).

3. Zhurkin I. G., Hlebnikova T. A, Tsifrovoe modelirovanie izmeritel’nyh trekhmernyh videoscen [Numerical simulation of measuring the three-dimensional video scenes]. – Novosibirsk: SGGA, 2012. – 246 p. (In Russian).

4. Berl’ant A.M. Kartografi’a i geoinformatika v sisteme nauk i uchebnyh disciplin [Cartography and Geoinformatics in the sciences and disciplines] // Geodezi’aikartographi’a. – 2007. – No. 1. – Р. 38–45 (In Russian).

5. Berl’ant A.M., Ushakova L.A. Kartographicheskie animacii [Cartographic animations]. – M.: Nauchnijmir, 2000. – 108 р. (In Russian).

6. Berl’ant A.M. Virtual’nye geoizobrazenia [Virtual Geoimages]. – M.: Nauchnijmir, 2001. – 56 p. (In Russian).

7. Kapralov E.G., Koshkarev A.V., Tikunov V.S. i dr. Geoinformatika [Geoinformatik in 2 books]: v 2 kn. Kn. 1: Ucheb. dl’a studentov vuzov / Pod red. V. S. Tikunova. – M.: Akademi’a, 2008. – 384 p. (In Russian).


234

8. GOST R 52055–2003. Geoinformacionnoe kartographirovanie. Prostranstvennye modeli mestnosti. Obschie trebovani’a [GIS mapping. Three-dimensional terrain models. General requirements]. – M.: Gosstandart Rossii, 2003. – 4 p. (In Russian).

9. Medvedev E.M. Metody lazernojlokaci i icifrovoj aerofotos’emki v sovremennoj topographii [Methods of laser ranging and digital aerial photography in modern topography] // Geodeziaikar-tographi’a. – 2006. – № 6. – P. 40–44; № 8. – P. 30–35; № 9. – P. 40–47; № 10. – P. 46–53. (In Russian).

10. Grechishev A., Baranichenko V., Monastyrev. S., Shpil’man A. Trekhmernoe modelirovanie i photorealisticheska’a vizualizaci’a gorodskih territorij [Three-dimensional modeling and photo-realistic visualization of urban areas] // ArcReview. – 2003. – No. 2 (25). – Р. 12–13 (In Russian).

11. Mar’ina N.I., Razumovskij A.I. Trekhmerna’a model’ neftepromysla [The three-dimensional model of oilfield] // Inform. b’ulleten GIS-Associaci. – 2000. – No. 2. – Р. 30–31 (In Russian).

12. Grechishev A.V. Trekhmernoemodelirovanie v GIS [Three-dimensional modeling in GIS] // Kurs lekcij. – Moskva: MIIGAiK (In Russian).

13. Makarov A.A. Postroenie trekhmernyh modelej zdanij i sooruzhenij dl’a tselej pasportizacii objektov nedvizhimosti [Construction of three-dimensional models of buildings and struc-tures for the purposes of sertification of real estate] // Geodezi’a i kartographi’a. – 2007. – No. 11. – Р. 40–42 (In Russian).

14. Grechishev A.V. Trekhmernoe GIS-modelirovanie i tekhnicheska’a inventarizaci’a // ArcRe-view. – 2006. – No. 3 (38). – Р. 19–20 (In Russian).

15. Naumov S.V., Savidova S.V. 3D v GIS [3D in GIS] // ArcReview. – 2006. – No. 4 (39): Available at: http://www.esri-cis.ru/news/arcreview/detail.php?ID=1536&SECTION_ID=42 (In Russian).

16. Eremchenko E.V., Grechishev A.V. Novyj podhod k sozdani’u GIS dl’a nebol’shih municipal’nyh obrazovanij [A new approach to the creation of a GIS for small municipalities] // ArcReview. – 2005. – No. 2 (33). – Р. 15–17 (In Russian).

17. Naumov S.V., Savitskij D.V. Moskovskij universitet: modelirovanie na fone nachina’uschejs’a oseni [Moscow University: modeling on a background of autumn begining] // ArcReview. – 2005. – No. 2 (33). – Р. 20–21 (In Russian).

18. Avrutin V.D., Rudenko V.Yu., Lomtev A.Yu. O trekhmernoj modeli gorodskogo prostranstva Sankt-Peterburga [About three-dimensional model of the St. Petersburg City area] // ArcRe-view. – 2009. – No. 4 (51). – Р. 4–7 (In Russian).

19. Al’ab’ev A.A., Sosnovskij A.V. Tsifrovoe trekhmernoe modelirovanie mestnosti na osnovanii rezultatovs putnikovoj stereoskopicheskoj s’emki [Digital three-dimensional terrain modeling based on the results of satelite stereoscopic shooting] // Geodezi’aikartographi’a. – 2008. – No. 8. – Р. 23–27 (In Russian).

20. Gorodskomu upravleni’u Veny dano esche odno izmerenie [Viennese City managment is given another dimension] // ArcReview. – 2008. – No. 4 (47). – Р. 22–23. (In Russian).

21. Programmnoe obespechenie «Rekord-Model» [«Rekord-Model» programmaplication]: Available at: www.rekod.ru/products/software/construction_of_3d_models/ (In Russian).

22. Gorbachev V.A. Razrabotka algoritmov vysokodetal’nogo modelirovani’a ob’ektov na osnove analiza tsifrovyh izobrazhenij [Development of algorithms for highly detailed modeling of objects based on the analysis of digital images]: diss. na soiskanie uchenoj stepeni kand. phiz.-mat. nauk po spetsial’nosti 05.13.18. «Matematicheskoe modelirovanie, chislennye metodyi , kompleksy programm». – Moskva: MFTI, 2014. –135 p. (In Russian).

23. Grechishev A.V., Savinski V.Yu, Stovolosov E.V. About modern approaches for multidimensional object and terrain modeling based on remote sensing data: aero- and space. Part 2 // Сurrent book (In Russian).

235

О СОВРЕМЕННЫХ ТЕХНОЛОГИЯХ МНОГОМЕРНОГО МОДЕЛИРОВАНИЯ ОБЪЕКТОВ И МЕСТНОСТИ

ПО ДАННЫМ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ: АЭРО- И КОСМИЧЕСКИМ

Часть 2

Гречищев А.В., Савинский В.Ю., Стоволосов Е.В.АО «НИИ ТП», Москва,


Аннотация. Данная (вторая) часть обзора посвящена рассмотрению методов многомер-ного моделирования на основе выполнения стереосъёмки и автоматизированных методов стереоотождествления. Рассмотрены основные шаги при создании цифровых трёхмерных моделей по стереоснимкам и способы получения цифровых моделей поверхности, цифровых моделей рельефа и объектов.

Ключевые слова: ГИС, пространственные данные, стереосъёмка, методы стерео-отождествления, многомерное моделирование, 3D модели, цифровые модели рельефа и мест-ности, фотореалистичная визуализация

Подход, рассмотренныи в первои части нашего обзора технологии модели-рования объектов и местности на основе применения данных дистанционного зондирования (ДЗ) [1], по-прежнему часто используется и даже совершенствуется, но, как отмечено там же, является весьма трудоёмким, затратным, малопроизво-дительным, часто неточным. В настоящее время фотореалистичное представление территории более востребовано и получает всё более широкое распространение.Трехмерные и многомерные цифровые модели реально существующих объектов или местности становятся неотъемлемои частью многих современных систем, работающих с геопространственнои информациеи. Для создания трехмерных моделеи объектов и местности применяются различные источники данных, осно-ванные на различных принципах формирования изображении:лидары, радары, цифровые системы съёмки в оптическом и ИК диапазонах спектра и др. Также активно развиваются методы и подходы для автоматизированного и автоматиче-ского создания трёхмерных моделеи объектов и местности на основе таких съёмок. Наиболее бурно развиваются технологии моделирования, основанные на стерео-снимках видимого диапазона, и уже разработаны различные алгоритмы постро-ения цифровых моделеи поверхности (ЦМП), но задача построения трёхмерных моделеи по цифровым фотоснимкам еще далека от окончательного решения [2].

После предварительнои обработки снимков, обусловленнои качеством изо-бражении и стоящеи задачеи, проводится геопозицио нирование (в данном случае – восстановление геометрии съёмки при полу чении стереоизображении) с использованием различных математических моделеи. Сложная геометрия кос-


236

мических изображении, получаемых сканирующими системами, с множествен-ными центрами перспективы, режим линеиного сканирования,наличие данных о высоте спутника обуславливают необходимость подбора, пересоздания и/или улучшения общепринятых фотограмметрических моделеи. В целом фотограм-метрические модели могут быть разделены на строгие [3] и общие [4]. В таблице представлены математические модели, широко используемые при геопозицио-нировании аэро- и космических изображении.

Таблица 1Математические модели для геопозиционировании снимков

Вычисление (уравнения) моделей Описание1 Параметри-

ческая модель сенсора

Основана на соотношении между точками на изображении (сним-ке) и соответствующими точками на местности

2 Модель рацио-нальнои функции

Координаты точек объекта соот-несены с координатами пикселеи изображения (снимка)

3 Прямое линеи-ное трансфор-

мирование

Одиннадцать параметров линеи-ного ориентирования определяют соотношение между двумерным пространством снимка и трех-мерным пространством объекта

4 Самокалибров-ка прямым

линеиным трас-формированием

Двенадцать параметров линеи-нои ориентации определяют соотношение между вумерным и трехмерным пространством объекта

5 3D-афинное трасформиро-

вание

Трансформирование из 3D объ-ектового пространства (X, Y, Z) к 2D пространству снимка для заданнои точки i с 8 параметрами на снимок

6 2D-проективное трасформиро-

вание

Восемь параметров определяют соотношение между объектом и снимком

7 2D полиномы Модель описывает соотношение между пространством снимка и объенкта независимо от геоме-трии сенсора, где x, y – координа-ты на снимке и X, Y – координаты на земнои поверхности а aij, bij – параметры трансформирования

237


Следующии шаг – создание эпиполярных изображении, облегчающих поиск соответствующих точек при отождествлении изображении [5]; общие точки в областях перекрытия стереоизображении идентифицируются и измеряются.

Существующие методы стереоотождествления изображении могут быть категорированы, во-первых, на отождествление на основеуровня сигнала или на основе областеи исследования [6], во-вторых, на отождествление на основе признаков [7–9] и, в-третьих, на структурное отождествление [10].

В результате создаётся цифровая высотная модель, точность которои оцени-вается, например, сравнением с известными пространственными координатами контрольных точек или с некоторыми референсными (опорными) данными или поверхностями.

В последнее время при создании трехмерных моделеи по стереоснимкам оптического диапазона применяются алгоритмы так называемого плотного сте-реоотождествления, цель которого – установить расстояния (или глубины) до объекта в каждом пикселе обрабатываемого изображения [11], что достигается путем нахождения аналогичных пикселеи на исходном изображении и одном (или более)отождествляемом. Смещение между аналогичными пикселями в последующем используется для вычисления глубины в соответствии с отно-сительным расположением камер в моменты съёмки. При фотограмметрическои обработке снимков стереоалгоритмы используются для извлечения различных характеристик (например, границы или углы) и определения деталеи и харак-теристик исходного изображения. Современные плотные стереоалгоритмы реконструируют сцену даже на основе небольших текстур, откуда не может быть извлечено никаких характеристик.

Несмотря на легкость определения глубины визуально, человеческое перспек-тивное восприятие не может установить глубину метрически. Вычислительные плотные стереометоды решают эту задачу путем задания конкретнои глубины каждому пикселю при наличии достаточного параллакса. Сведения о глубине полезны для восприятия сцены, позволяют проводить высококачественную обработку изображении и извлекать дополнительную информацию. Однако есть и трудностииспользования вычислительных стереометодов на практике. Сосед-ние пиксели могут обладать одинаковои интенсивнои / цветовои / локальнои структурои, что обусловит затруднения при отождествлении. Изменение угла обзора может привести к наличию так называемои мертвои (закрытои) зоны, из-за чего часть одного из изображении не будет видна, в итоге установление глубины будет невозможным.

В целом плотные стереоалгоритмы в соответствии с решаемыми задачами могут быть подразделены на локальные и глобальные алгоритмы [12]. Фундамен-тальнои составляющеи тех и других является величина отождествления (параметр тождественности), которая служит для определения возможности установления соответствия в стереопаре. Значение отождествления определяется напрямую из исходных изображении. Локальные алгоритмы самостоятельно определяют соответствия для каждого конкретного пикселя, не принимая во внимание соот-


238

ветствия соседних пикселеи. Глобальные алгоритмы учитывают всех «соседеи» каждого пикселя, используя регуляризационныи элемент (например, предполага-емое сглаживание или принадлежность сегменту). Этот дополнительныи элемент несет априорную информацию и позволяет делать предположения в поле глубины (например, сглаженность поверхности, острые углы, видимость сцены).

Большинство методов стереоотождествления разработаны с использованием комплектов данных с относительно качественными радиометрическими харак-теристиками и малыми базисными линиями (при получении снимков), а также искусственными и объемными источниками освещения, формируемые сцены в основном содержат простые геометрические объекты. Реальные ситуации куда более сложные, в том числе в плане точки наблюдения и характеристик объектов изображения. Так, в городских раионах имеются высокие здания, наклонные крыши и однородные плохо текстурированные области. Источники освещения могут быть динамичными и статичными (например,Солнце и фонари). Мно-гие из поверхностеи не дают ламбертового отражения, что приводит к разнои интенсивности изображении одного и того же объекта при разных углах обзора камеры. Движущиеся автомобили, тени здании, погодные явления влияют на стабильность данных, даже если они получены в короткии промежуток времени. За прошедшее десятилетие исследовательское сообщество разрешить эти труд-ности не смогло, проблема остается открытои.

Неламбертовы альбедо, сложные сцены, фотометрические изменения и иные отягощающие факторы являются неизменными спутниками информации о реальном мире, что не лучшим образом сказывается на производительности стереоалгоритмов. Так, можно выделить несколько факторов, затрудняющих использование методов стереоотождествления [11].

Сложные радиометрические (фотометрические) условия. Источники освеще-ния в реальном мире (Солнце и рукотворные источники) комплексны и дина-мичны по своеи структуре. Даже на крупноплановых снимках возможно наличие фотометрических изменении, например, в какои-то момент облака закрыли Солнце или были включены фары автомобиля.

Эффекты, зависящие от угла обзора. Большои угол обзора и длинныи базис фотографирования приводят к появлению затенении (мертвые зоны), скрыва-ющих объекты. Для данных дистанционного зондирования зоны под тенями от здании всегда «недодержаны» (имеют низкую плотность изображения или небольшое радиометрическое разрешение). Попиксельное отождествление в однородных и затененных областях носит случаиныи характер. При исполь-зовании глобальных алгоритмов на подобных участках форма объектов может быть искажена из-за чрезмерного сглаживания («оплывание» фасадов). Кроме того, в зависимости от угла обзора могут меняться локальные структуры границ объектов, так как распознавание таких структур ограничено механизмом фрон-тально-параллельнои выборки, своиственнои «оконному» методу.

Чувствительность к настройке параметров. Эффективность отождествления стереометодом напрямую зависит от используемых параметров. Для большинства

239


глобальных методов изменение уровня сглаживания – значимое деиствие. При небольших ограничениях сглаживания появляются грубыеуглы, на поверхностях могут возникнуть лишние линии. Большие ограничения сглаживания могут сни-зить расхождения в непрерывных областях, но за счет сглаживания границ объек-та. Зачастую большая сглаженность малых разрывов приводит к тому, что мелкие детали объектов удаляются во время реконструкции сцены. Чувствительность к настроике параметров индивидуальна для каждого метода стереообработки.

Отсутствие семантической информации. В слабо структурированных обла-стях параметрическое значение отождествления неопределимо. Непараметриче-ские (в основном основанные на «оконном» методе) значения отождествления, такие как ценз-трансформация, могут лишь частично решить проблему, приводя к уточнению углов границ объектов. Глобальные методы, использующие пока-затели сглаживания, не способы обработать большие однородные области из-за отсутствия семантическои информации на уровне объекта.

Применение методов плотного отождествления позволяет восстанавливать модели здании с резкими краями, что невозможно при использовании тради-ционных методов обработки снимков. Программные продукты на базе методов плотного отождествления обеспечивают автоматическое построение высокоде-тальных цифровых моделеи поверхности (ЦМП) по наборам аэро- и космических фотоснимков высокого и сверхвысокого пространственного разрешения. Такие модели могут быть использованы для наполнения географических информаци-онных систем (ГИС), при подготовке полётных задании, а в перспективе – для навигации мобильных автономных объектов [2].

Запоследнее десятилетие в результате развития электронных ГИС, систем виртуальнои и расширеннои реальности, синтезированного зрения и других технических приложении, использующих трехмерные ЦМП, существенно изме-нились требования к качеству моделеи, а также к производительности и степени автоматизации,применяемых для их производства технологии. С точки зрения объектного состава востребованных в настоящее время ЦМП можно отметить их высокую насыщенность искусственными сооружениями разнообразнои архитектуры. Наряду с различными типами серииных домов городскои застрои-ки могут присутствовать уникальные исторические здания или специальные технические сооружения.

Некоторые методы автоматического построения трёхмерных моделеи соору-жении требуют создания высокодетальнои сетки ЦМП. Для её построения используются локальные методы отождествления точечных особенностеи, корреляционные или основанные на дескрипторах точек. Очевидныи интерес представляет увеличение точности построения ЦМП за счёт использования при отождествлении ряда высокоинформативных особенностеи изображения, например,контуров.

Алгоритм полуглобального стереоотождествления (Semi-Global Matching, SGM и его модификации) служит для решения описанных выше задач и пока является одним из наиболее передовых методов стереореконструкции. Он


240

сочетает высокое качество получаемои поверхности, своиственное глобальным методам, и высокую скорость обработки, сопоставимую с локальными методами. При этом метод подходит для автоматическои реконструкции как рельефа, так и сложных городских сцен, так как способен воссоздавать резкие края и тон-кие детали объектов. Возможна эффективная реализации алгоритма SGM на графическом процессоре (Graphics processing unit, GPU) для обработки данных в режиме реального времени [13].

Обычно при создании цифровых трёхмерных моделеи по стереоснимкам деиствия выполняются в несколько этапов (шагов). В техническом отчете [14] рассмотрены такие шаги при создании цифровых моделеи высот (ЦМВ, DEM) на примере стереоизображении IKONOS: сбор (получение) исходных данных и их предварительная обработка, подготовка коллекции наземных опорных точек (GCPs), выбор математическои модели, восстановление (приведение в соответ-ствие) стереосвязки с GCPs, измерение параллакса для определения превышении, генерация DEM с её редактированием и оценкои точности. Ниже более подробно.Шаг 1. Приобретение и предварительная обработка стереоданных высокого

пространственного разрешения, включая изображения и метаданные, которые содержат фаилы RPC (коэффициенты рациональных полино-мов, поставляемые в комплекте со снимками), чтобы определить при-близительные значения для каждого параметра 3D-стереомодели для изображении стереопары.

Шаг 2. Сбор GCPs (наземных опорных точек) и ICPs (фотограмметрических контрольных точек с референсного изображения) с их 3D наземными координатами и 2D-координатами изображении на стереоснимках. GCPs должны быть распределены по всему региону интереса, в том числе обязательно в самых низких и самых высоких местах, чтобы избежать экстраполяции как для плановых,так и для высотных значении. Точки выбираются на четких и приметных ориентирах местности, например, на пересечениях тротуаров и дорог. Все GCPs, как правило, располагаются в пределах поверхности рельефа.

Шаг 3. Выбор 3D математическои стереомодели, которая представляет отноше-ния (взаимосвязь) между 3D наземными координатами и 2D координа-тами снимков для точек изображения. Перед дальнеишими вычислени-ями потребуется линеаризация некоторых нелинеиных математических моделеи.

Шаг 4. Вычисление 3D-стереомодели, инициализированнои с приблизительными параметрами значении и уточнённои итерационным методом наимень-ших квадратов, для согласования связки с GCPs. Невязки GCPs и ошиб-ки ICPs указывают на различия между «истинными» и вычисленными координатами рельефа местности.

Шаг 5. Установление соответствия (отождествление) между двумя изображе-ниями для поиска сопряженных точек стереопары путём вычисления максимума коэффициента корреляции. Затем обычно следует редакти-

241


рование результатов отождествления (досоздания DEM).Шаг 6. Вычисление 3D наземных координат по подобранным согласующимся

точкам, генерация регулярного интервала сетки DEM с использованием ранее вычисленнои стереомодели с 3D-стереозасечкои, например, мето-дом наименьших квадратов.

Шаг 7. Оценка итоговых DEMs,подготовленных на основе спутниковых данных, посредством сравнения с DEM, сформированнои с применением выбран-нои математическои модели, с «истинным» рельефом; контроль ошибок заключительных DEMs по ICPs.

Приведенныи алгоритм стандартен практически для всех 3D-стереомоделеи. Единственное – некоторые модели, возможно, не нуждаются в GCPs, например, при задеиствовании математических моделеи с RPCs, поставляемыми в ком-плекте со стереоизображениями. При использовании спутниковых изображении с очень высокои разрешающеи способностью предъявляются более жесткие требования к точности данных моделирования.

Цифровая модель рельефа (ЦМР) – важныи результат постобработки ЦМП, формируется после удаления из ЦМП участков, не являющихся поверхностью (здания, деревья). Появление представленного ниже алгоритма [15] было моти-вировано алгоритмом быстрои гибриднои реконструкции в оттенках серого, описанного в [16]. Но при этом был разработан новыи иерархическии подход к созданию ЦМР на основе данных ЦМП. Реконструкция изображении с исполь-зованием геодезического растяжения – ядро алгоритма. Морфологическая реконструкция с помощью геодезических операции предполагает два входных изображения: маркирующее и маскирующее. При геодезическом растяжении маркирующее изображение трансформируется и принуждается оставаться ниже маскирующего изображения.

Реконструкция достигается путём многократного применения геодезического растяжения до тех пор, пока не будет достигнута стабильность.

Наиболее часто маркирующее изображение создаётся вычитанием постоянно-го значения из маскирующего изображения, являющегося оригинальнои ЦМП. Во избежание проблем с неправильно выбранным смещением используется последовательность постоянных его значении, создающая ряд маркирующих изображении. Вычитание реконструированного изображения из маскирующего дает нормализованную цифровую модель поверхности (нЦМП). Первоначальная оценка точек на принадлежность рельефу проводится бинаризациеи нЦМП. Каждая точка (на нЦМП) выше нулевого уровня классифицируется как не находящаяся на рельефе. Для последующего анализа каждои внерельефнои зоны элементы определяются отдельно. В этом случае размер участка и локальные высотные различия вдоль границ выступают в качестве параметров, описыва-ющих поверхностные детали. Путём вычитания максимальных и минимальных значении в сканирующем локальном окне (3×3), движущемся внутри границ региона, вычисляются локальные значения разницы высот. Среднее локальное изменение высоты принимается как второи оценочныи признак принадлежности


242

точки рельефу. Новая интерполяция рассчитывается с использованием точек рельефа в качестве входных данных, что и создаёт ЦМР [17]. Рис. 1демонстрирует различие сгенерированнои ЦМР и ЦМП.

Извлечение здании из ЦМП, созданнои на основе космических стереодан-ных, – нововведение в фотограмметрии. Существуют методы обработки спут-никовых данных, ориентированные на получение высококачественного пред-ставления отдельно стоящих здании на основе ЦМП, ЦМР и панхроматических данных [18, 19]. Метод, представленныи в обзоре, нацелен на упрощение трех-мерного восстановления блоков здании из стереоизображении путём декомпо-зиции цельнои модели в составляющие, соответствующие частям здания. Модель допускает представление параметрических форм крыши аналогично моделям рёбер и коньков крыши.

Автоматическии алгоритм трехмернои «реконструкции» здании включает следующие основные этапы:• декомпозиция здании на части на основе кромок (выделение краёв и пере-

падов);• реконструкция параметрическои крыши на основе проекции;• создание призматическои модели, связаннои с плоскими сегментами крыши;• слияние параметрическои и призматическои моделеи и восстановление угло-

вых узлов (пересечении).

Риc. 1. Создание ЦМР геодезическим расширением (слева ЦМП, справа ЦМР)

Процесс начинается с извлечения особенностеи, затем следует реконструкция линии кромок с использованием ортоизображении и высотных данных. Для каждои линии кромки трехмерные точки переводятся в двумерное пространство путём ортогонального проецирования соответствующих пикселеи каждои части здания на двумерную плоскость, определённую на основе ориентации линии кромки. Предварительно определённая двумерная модель, основанная на све-

243


дениях о типе крыш, добавляется к данным и на следующем этапе расширяется до трехмернои путём анализа третьего измерения точек.

Окончательная модель определяется соответственно параметрическим структурам крыш и блоков построек путем слияния всех индивидуальных моделеи и некоторых уточнении в рамках постобработки относительно совпа-дающих углов и перегибов, чтобы сформировать аппроксимированное здание. В дополнение создаются призматические модели с плоскими крышами для оставшихся объектов, которые не снабжены линиями кромок. Наконец, все призматические и параметрические модели сливаются воедино, чтобы сфор-мировать окончательную трехмерную модель здания. На рис. 2 показан при-мер реконструкции здания в центре Мюнхена (Германия). Более подробно об алгоритме рассказано в [20].

Рис. 2. Панхроматическое изображение WorldView-2 (слева) и сгенерированная ЦМП (справа) с наложенной моделью

Хотя контуры здании с помощью ЦМП представляются не совсем корректно, модель может создаваться с достаточно высоким качеством благодаря исполь-зованию панхроматических изображении.

Другои подход к извлечению здании основан на стратегии управляе-мои модели [21]. Для достижения надёжных результатов уточнённые орто-трансформированные панхроматические изображения вводятся в процесс в качестве дополнительных данных. Метод базируется на извлечении линии кромки и анализе значении высоты в двух направлениях: соответствующем направлению линии кромки и перпендикулярном к нему.


244

После предварительнои обработки к ортотрансформированным данным из ЦМП добавляются некоторые дескрипторы особенностеи, чтобы улучшить автоматическое обнаружение линии кромок. С помощью ПО RANSAC линия вставляется в каждую группу точек линии кромок. Наконец, линии кромок уточняются совмещением с ними или заполнением пустот. Чтобы выбрать тип модели крыши, анализируются высоты точек в направлении линии кромки и высотные различия в направлении, перпендикулярном линии кромки. После выбора модели крыши извлекается информация о рёбрах здания с помощью обнаружения краёв и параметров, полученных из частеи крыши. Лучшая модель присоединяется к извлечённым фасадам крыш, основанным на обнаруженных типах моделеи. Каждая крыша моделируется независимо от остальных, а окон-чательные трехмерные модели здании восстанавливаются слиянием моделеи крыш с соответствующими стенами.

Трёхмерные модели, получаемые на основе данных стереосъёмки с авиаци-онных носителеи, в том числе БпЛА, в силу более высокого пространственного разрешения снимков выглядят в большинстве случаев более реалистично, чем сформированные по космическим снимкам. Кроме того, при аэросъемке имеется возможность получения множественных стереопар для снимаемои территории, поэтому в результате обработки, как правило, отсутствуют закрытые (мертвые) зоны. Достигается это в том числе одновременнои съём-кои камерами, отклоненными под разными углами: в надир, вперёд, назад, влево, вправо.

Основным методом стереоотождествления, применяемым при обработке авиационных оптических стереоснимков, является упоминавшиися выше метод полуглобального отождествления, предложенныи Хиршмюллером [13, 22]. Метод Semi-Global Matching (SGM) был апробирован и признан многими исследователя-ми и компаниями, а также доработан ими. Он предлагает хорошии компромисс между временем выполнения и достижимои точностью, особенно на границах объектов и микроструктурах. Метод не чувствителен крадиометрическим разли-чиям и выбору параметров, что делает его привлекательным для использования в реальных условиях. Область применения метода простирается от дистанци-онного зондирования (например, получение цифровои модели поверхности из данных воздушнои и спутниковои съемки) до робототехники и систем помощи водителю.

Преимущества SGM особо наглядно проявляютсяв случае обработки дан-ных аэрофотосъемки городских территории. В исследовании [23] проведено сравнение цифровых моделеи поверхности, созданных с использованием SGM по снимкам различных коммерческих аэрофотокамер,с созданными на основе данных лазерного сканирования и наземных контрольных точек. Отмечено, что построены очень точные ЦМП, соответствующие размерам пикселя исходных данных, особенно при множественном и существенном перекрытии изображе-нии (рис. 3). Конкурентоспособность методики SGM в сравнении с данными лазерного сканирования была подтверждена и другими авторами [24].

245


Рис. 3. Нетекстурированная и текстурированная цифровая модель поверхности, автоматически созданная по стереоснимкам аэрокамеры

UltraCam-X с разрешением 8 см

Как отмечалось ранее, применение SGM весьма обширно. Что примечательно, алгоритмические параметры не требуют изменения в зависимости от конкретнои области применения. Это показывает зрелость выбранного подхода. Кластерная реализация SGM может быть использована в различных проектах по построению ЦМП и ортоизображении, получаемых на основе как кадровои с центральнои проекциеи или сканирующеи аэросъёмки, так и сканерных космических систем.

ЦМП создается с разрешением исходных изображении, четкими граница-ми объектов и хорошеи детальностью. Боковые текстуры для вертикальных структур, таких как стены здании, по аэроснимкам формируются хорошо, что обуславливает подготовку реалистичных, высокодетальных моделеи городов практически без дополнительнои фильтрации.

На рис. 4 показана цифровая модель Берлина, созданная по спутниковым данным. Несмотря на более низкое по сравнению с аэроизображениями про-странственное и радиометрическое разрешение, здания и основные структуры достаточно точно представлены на ЦМП. Для текстурирования модели было подготовлено только ортоизображение по данным панхроматического канала.

Рис. 4. Реконструкция Берлина по снимкам WorldView-1 (DigitalGlobe) с разрешением 50 см [23]


246

Уникальность, гибкость и большие возможности метода убедили многих реализовать SGM или его модификации для обработки данных дистанционно-го зондирования. Трехмерное моделирование местности с применением этого метода возможно и при обработке данных, полученных с использованием легких БпЛА самолётного и вертолётного типов и мультикоптеров. Создание ЦМП и полностью текстурированных моделеи по снимкам камер потребительского класса, применяемых в беспилотных системах, – ещё одна область применения алгоритма SGM [25].

Все сказанное не отменяет необходимости дальнеишего совершенствования методов стереоотождествления и создания плотных текстурированных моделеи. В частности, нужны исследования по применению современных аппаратных графических процессоров, чтобы избавится от некоторых ограничении по типам и размеру данных, по оптимизации скорости обработки и для реализации на мобильных системах. Также требуется совершенствование методов и алгоритмов фильтрации моделеи, особенно для получаемых по стереоснимкам с космических аппаратов, с целью разделения цифровых моделеи поверхности, рельефа, объ-ектов и их более корректного отображения.

Дополнительные примеры автоматизированного трехмерного моделирования объектов и местности на основе материалов аэрокосмическои стереосъёмки в оптическом диапазоне можно легко наити в сети Интернет, например, на саите россиискои компании AgiSoft [26].


1. Гречищев А.В., Савинский В.Ю., Стоволосов Е.В. О современных технологиях многомер-ного моделирования объектов и местности по данным дистанционного зондирования: аэро- и космическим. Ч. 1 // В этом же сборнике.

2. Горбачев В.А. Разработка алгоритмов высокодетального моделиро вания объектов на основе анализа цифровых изображении: дисс. ... канд. физ.-мат. наук. – М.: МФТИ, 2014. – 135 с.

3. Kornus W., Alamús R., Ruiz A., Talaya J. DEM generation from SPOT-5 3-fold along track stereoscopic imagery using autocalibration // ISPRS Journal of Photogrammetry & Remote Sensing. – 2006. – Vol. 60. – P. 147–159.

4. Sadeghian Saeid, Zoej Mohammad Javad Valadan, Delavarl Mahmoud Reza, Abootalebiz Ahmad. Precision rectification of high resolution satellite imagery without ephemeris data // International Journal of Applied Earth Observation and Geoinformation. – 2001. – Vol. 3, Issue 4. – P. 366–371.

5. Zhang L., Gruen A. Automatic DSM generation from lineararray imagery data // International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. – 2004. – Vol. 35 (Part B3). – P. 128–133.

6. Lemmens M. A survey on stereo matching techniques // International Archives of the Pho-togrammetry, Remote Sensing and Spatial Information Sciences. – 1988. – Vol. 27 (B3). – P. 11–23.

247


7. Li M. High precision relative orientation using feature based techniques // International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. – 1988. – Vol. 27 (B3). – P. 456–465.

8. Tang L., Heipke C. An approach for automatic relative orientation // Optical 3D Measure-ment Techniques II / A. Gruen, H. Kahmen (Eds.). – Karlsruhe: Wichmann-Verlag, 1993. – P. 347–354.

9. Hu Y., Tao C.V. 3-D reconstruction algorithms with the rational function model and their applica-tions for Ikonos stereo imagery // Proceedings of the Joint ISPRS Workshop on High Resolution Mapping from Space. – Hannover, Germany. – 2001, 19–21 September. – 12 p. [CD ROM].

10. Younian Wang. Principles and applications of structural image matching // ISPRS Journal of Photogrammetry & Remote Sensing. – 1998. – Vol. 53. – P. 154–165.

11. Zhu K. Dense Stereo Matching with Robust Cost Functions and Confidence-based Surface Prior. – Technische Universität München, 2014.

12. Scharstein D., Szelinski R. A taxonomy and evaluation of dense two-frame stereo correspond-ence algorithms // IJCV.– 2002. – Vol. 47. – Is. 1. – P. 7–42.

13. Ernst I., Hirschmüller H. Mutual Information Based Semi-Global Stereo Matching on the GPU // Int. Symp. on Visual Computing. – Las Vegas, Nevada, USA. – 2008. – Vol. 1. – P. 228–239.

14. Li J., Chapman M.A., Xu Sun. Validation of Satellite-Derived Digital Elevation Models from In-track IKONOS Stereo Imagery. – Ontario Ministry of Transport, Toronto, 2006.

15. Reinartz P., Tian J., Arefi H., Krauss T., Kuschk G., Partovi T., d’Angelo P. Advances in DSM Generation and Higher Level Information Extraction from High Resolution Optical Stereo Satellite Data: https://www.researchgate.net/publication/264122839_Advances_in_DSM_Gen-eration_and_Higher_Level_Information_Extraction_from_High_Resolution_Optical_Ste-reo_Satellite_Data [электрон. ресурс].

16. Vincent L. Morphological grayscale reconstruction in image analysis: Applications and efficient algorithms // IEEE Transactions on Image Processing. – 1993. – Vol. 2. – P. 176–201.

17. Arefi H., d’Angelo P., Mayer H., Reinartz P. Iterative approach for efficient digital terrain model production from CARTOSAT-1 stereo images // Journal of Applied Remote Sensing. – 2011. –Vol. 5. – P. 1–19.

18. Arefi H., Reinartz P. Multi-Level Building Reconstruction for Automatic Enhancement of High Resolution DSMS // In Proc. XXII ISPRS Congress // International Archives of the Photo-grammetry, Remote Sensing and Spatial Information Sciences. – 2012. – Vol. XXXIX-B2. – P. 11–16.

19. Sirmacek B., Taubenböck H., Reinartz P., Ehlers M. Evaluation of automatically generated 3-D city models based on six different DSMs from airborne and space-borne sensors // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. –2012. – Vol. 5. – No. 1. – P. 59–70.

20. Arefi H., Reinartz P. Building Reconstruction using DSM and Orthorectified Images // Remote Sensing. – 2013. – Vol. 5. – P. 1681–1703.

21. Partovi T., Arefi H., Krauß T., Reinartz P. Automatic Model Selection for 3D Reconstruction of Buildings from Satellite Imagary // International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. – 2013. – Vol. XL-1 / W3. – P. 315–320.

22. Hirschmueller H., 2012. Semi-Global Matching – Motivation Developments and Applica-tions:http://www.ifp.uni-stuttgart.de/publications/phowo11/180Hirschmueller.pdf [электрон. ресурс].


248

23. Hirschmuller H., Bucher T. Evaluation of Digital Surface Models by Semi – Global Matching // DGPF. – July 2010, Vienna, Austria.

24. Gehrke S., Morin K., Downey M., Boehrer N., Fuchs T. Semi-Global Matching: An Alternative to LIDAR for DSM Generation // Canadian Geomatics Conference and Symposium of Com-mission I, ISPRS. – Calgary, Canada. – June 2010.

25. Schmid K., Hirschmuller H., Domel A., Grixa I., Suppa M., Hirzinger G. View planning for multu-view stereo 3D reconstruction using an autonomous multicopter // ICUAS. –Denver, CO, USA. – May 2011.

26. AgiSoft [Электрон. ресурс]. – Режим доступа: http://agisoft.com.html.

249

ABOUT MODERN APPROACHES FOR MULTIDIMENSIONAL OBJECT AND TERRAIN MODELING BASED ON REMOTE SENSING DATA:

AERO- AND SPACE

Part 2

Grechishchev A.V., Savinski V.Yu, Stovolosov E.V.,AO «NIITP», Moscow, Russia, e-mail: [email protected]

Abstract. For a better representation of changing world required basic multidimensional models, adequately reflect the situation, depending on the task. Spatial model of terrain can be displayed as a comprehensive polyhypercube, comprising separate sets of 3D models (hypercubes), layers and elements, which contain various data. Are changing the ways and methods of data collection; of creating spatial base (DTM); of creating 3D models. Existing software for 3D modeling and Rendering are improved and upgraded. Current (second) part of science work is about methods of multidimensional modeling based on stereo survey and automatic stereo matching. It lists main steps while creating digital 3D models by stereo images and methods for obtaining DSM, DTM and digital models of objects.

Keywords: GIS, spatial data, stereo survey, stereo matching methods, multi dimensional mdeling, 3D models, DTM, DSM, photo realistic rendering.

References

1. Grechishev A.V., Savinski V.Yu, Stovolosov E.V. About modern approaches for multidimen-sional object and terrain modeling based on remote sensing data: aero- and space. Part 1. // In current book (In Russian).

2. Gorbachev V.A. Razrabotka algoritmov vysokodetal’nogo modelirovani’a ob’ektov na osnove analiza tsifrovyh izobrazhenij [Development of algorithms for highly detailed modeling of objects based on the analysis of digital images]: diss. na soiskanie uchenoj stepeni kand. phiz.-mat. nauk po spetsial’nosti 05.13.18. «Matematicheskoe modelirovanie, chislennye metody i kompleksy programm». – Moskva: MFTI, 2014. – 135 p. (In Russian).

3. Kornus W., Alamús R., Ruiz A., Talaya J. DEM generation from SPOT-5 3-fold along track stereoscopic imagery using autocalibration // ISPRS Journal of Photogrammetry & Remote Sensing. – 2006. – Vol. 60. – P. 147–159 (In English).

4. Sadeghian Saeid, Zoej Mohammad Javad Valadan, Delavarl Mahmoud Reza, Abootalebiz Ahmad. Precision rectification of high resolution satellite imagery without ephemeris data // International Journal of Applied Earth Observation and Geoinformation. – 2001. – Vol. 3. – Is. 4. –P. 366–371 (In English).

5. Zhang L., Gruen A. Automatic DSM generation from lineararray imagery data // International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. – 2004. – Vol. 35 (Part B3). – P. 128–133 (In English).

6. Lemmens M. A survey on stereo matching techniques // International Archives of the Pho-togrammetry, Remote Sensing and Spatial Information Sciences. – 1988. – Vol. 27 (B3). – P. 11–23 (In English).


250

7. Li M. High precision relative orientation using feature based techniques // International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. – 1988. – Vol. 27 (B3). – P. 456–465 (In English).

8. Tang L., Heipke C. An approach for automatic relative orientation // Optical 3D Measure-ment Techniques II / A. Gruen, H. Kahmen (Eds.). – Karlsruhe: Wichmann-Verlag, 1993. – P. 347–354 (In English).

9. Hu Y., Tao C.V. 3-D reconstruction algorithms with the rational function model and their applications for Ikonos stereo imagery // Proceedings of the Joint ISPRS Workshop on High Resolution Mapping from Space. – Hannover, Germany. – 2001, 19–21 September. – 12 p. [CD ROM].(In English).

10. Younian Wang. Principles and applications of structural image matching // ISPRS Journal of Photogrammetry & Remote Sensing. –1998. – Vol. 53. – P. 154–165 (In English).

11. Zhu K. Dense Stereo Matching with Robust Cost Functions and Confidence-based Surface Prior. – Technische Universität München, 2014 (In English).

12. Scharstein D., Szelinski R. A taxonomy and evaluation of dense two-frame stereo correspond-ence algorithms // IJCV. – 2002. – Vol. 47. – Is. 1. – P. 7–42 (In English).

13. Ernst I., Hirschmüller H. Mutual Information Based Semi-Global Stereo Matching on the GPU // Int. Symp. on Visual Computing. – Las Vegas, Nevada, USA. – 2008. – Vol. 1. – P. 228–239 (In English).

14. Jonathan Li, Michael A. Chapman, Xu Sun. Validation of Satellite-Derived Digital Elevation Models from In-track IKONOS Stereo Imagery. – Ontario Ministry of Transport, Toronto, 2006 (In English).

15. Reinartz P., Tian J., Arefi H., Krauss T., Kuschk G., Partovi T., d’Angelo P. Advances in DSM Generation and Higher Level Information Extraction from High Resolution Optical Stereo Satellite Data. Available at: https://www.researchgate.net/publication/264122839_Advanc-es_in_DSM_Generation_and_Higher_Level_Information_Extraction_from_High_Resolu-tion_Optical_Stereo_Satellite_Data (In English).

16. Vincent L. Morphological grayscale reconstruction in image analysis: Applications and efficient algorithms // IEEE Transactions on Image Processing. – 1993. – Vol. 2. – P. 176–201 (In English).

17. Arefi H., d’Angelo P., Mayer H., Reinartz P. Iterative approach for efficient digital terrain model production from CARTOSAT-1 stereo images // Journal of Applied Remote Sensing. – 2011. – Vol. 5. – P. 1–19 (In English).

18. Arefi H., Reinartz P. Multi-Level Building Reconstruction for Automatic Enhancement of High Resolution DSMS // In Proc. XXII ISPRS Congress // International Archives of the Photo-grammetry, Remote Sensing and Spatial Information Sciences. – 2012. – Vol. XXXIX-B2. – P. 11–16 (In English).

19. Sirmacek B., Taubenböck H., Reinartz P., Ehlers M. Evaluation of automatically generated 3-D city models based on six different DSMs from airborne and space-borne sensors // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. – 2012. – Vol. 5. – No. 1. – P. 59–70 (In English).

20. Arefi H., Reinartz P. Building Reconstruction using DSM and Orthorectified Images // Remote Sensing. – 2013. – Vol. 5. – P. 1681–1703 (In English).

21. Partovi T., Arefi H., Krauß T., Reinartz P. Automatic Model Selection for 3D Reconstruction of Buildings from Satellite Imagary // International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. – 2013. – Vol. XL-1 / W3. – P. 315–320 (In English).

251


22. Hirschmueller H., 2012. Semi-Global Matching – Motivation Developments and Applications. Available at: http://www.ifp.uni-stuttgart.de/publications/phowo11/180Hirschmueller.pdf (In English).

23. Hirschmuller H., Bucher T. Evaluation of Digital Surface Models by Semi – Global Matching // DGPF. – July 2010, Vienna, Austria (In English).

24. Gehrke S., Morin K., Downey M., Boehrer N., Fuchs T. Semi-Global Matching: An Alternative to LIDAR for DSM Generation // Canadian Geomatics Conference and Symposium of Com-mission I, ISPRS. – Calgary, Canada. – June 2010 (In English).

25. Schmid K., Hirschmuller H., Domel A., Grixa I., Suppa M., Hirzinger G. View planning for multu-view stereo 3D reconstruction using an autonomous multicopter // ICUAS. – Denver, CO, USA. – May 2011 (In English).

26. AgiSoft: Available at: http://agisoft.com.html (In Russian, or/and In English).

252

ПРИМЕНЕНИЕ ИЕРАРХИЧЕСКОЙ ДИФФЕРЕНЦИАЦИИ ТУНДРОВЫХ ЛАНДШАФТОВ ЗАПАДНОЙ СИБИРИ

ПО СПУТНИКОВЫМ СНИМКАМ1

Заров Е.А.1, Голубятников Л.Л.2

1Югорский государственный университет, г. Ханты-Мансийск 2Институт физики атмосферы им. А.М. Обухова РАН, г. Москва


Прогнозируемые климатические изменения могут привести к деградации многолетнемерзлых грунтов и усилению эмиссии парниковых газов за счет вовле-чения в биогеохимические процессы оттаявшего органического вещества почв в субполярных регионах суши. Данные о запасах углерода и азота в деятельном слое почвенного покрова экосистем севера Западнои Сибири немногочисленны. Практически отсутствуют данные о том, сколько углерода и азота содержится в верхних слоях мерзлых пород, которые в данныи период инертны, но могут начать оттаивать при дальнеишем потеплении. Деградация многолетнемерзлых пород приведет к включению в активныи биохимическии круговорот законсер-вированных в них углерода и азота.

Сложность оценки запасов углерода и азота связана с неоднородностью рельефа и слабои изученности структуры ландшафтов дальнего севера ввиду их труднодоступности. Современные технологии дистанционного зондирования Земли позволяют провести полноценныи анализ практически любои террито-рии, а геоинформационные методы дают возможность применения методики апскеилинга для перевода расчетных характеристик (в том числе и элементного запасов в почвах) на большие пространства.

Целью даннои работы является исследование космических снимков сверхвы-сокого и среднего пространственного разрешения для сопоставления структуры и микроструктуры тундровых ландшафтов.

Исследуемыи ключевои участок находится в южно-тундровои зоне Запад-нои Сибири на водоразделе рек Пур и Таз в 15 км на юго-запад от п. Тазовскии. Территория расположена в зоне непрерывного распространения вечнои мерз-лоты [1], поэтому в формировании рельефа основополагающую роль играют термокарстовые процессы. Общая структура ландшафтов участка представляет собои чередование минеральных суходольных возвышении и переувлажненных понижении, обычно заболоченных [2; 3].

1 Работа выполнена при поддержке Россииского фонда фундаментальных исследова-нии (проекты 16–35-50108-мол-нр, 14–05-00193-а,, 16–54-16005-НЦНИЛ-а) и Про-граммы фундаментальных исследовании Отделения наук о Земле РАН «Комплекс-ные исследования по актуальным проблемам наук о Земле».

253


Для исследования нами были подобраны снимки сверхвысокого (WorldView-2) и среднего (LandSat-8) пространственного разрешения. Для обработки изобра-жении было выбрано свободное программное обеспечение QGIS 2.14 с интегри-рованным модулем GRASS 6.4.4. Снимок LandSat был классифицирован методом полуавтоматическои классификации i.smap [4; 5]. Для снимка сверхвысокого разрешения по причине неоднородности территории изначально была применена методика избавления от шумов методом главных компонент (i.pca) [6]. После устранения шумов была применена аналогичная процедура полуавтоматическои классификации. Точность классификации снимков оценена методом каппа-ста-тистики и составила 82 %.

Основываясь на результатах полевых исследовании и визуальных различиях в комбинации каналов 5–6-4 для LandSat-8 территория была подразделена на 9 основных классов [7]. Распространение классов в пределах ключевого участка показано в таблице 1.

Таблица 1Классы ключевого участка и занимаемые ими площади

на основе космического снимка LandSat-8

№ Класс Площадь класса, %

1 Водные объекты 5.34

2 Заболоченные олиготрофные сфагновые участки 1.30

3 Участки с активнымипроцессами мерзлотного пучения 4.14

4 Ерник 15.34

5 Лишаиниково-кустарничковые суходолы 34.16

6 Полигональные болота 13.85

7 Обводненные сфагново-осоковые участки 5.03

8 Заболоченные сфагново-кустарниковые участки 10.28

9 Заболоченные олиготрофно-мезотрофныесфагновые участки 10.56

Таким образом, основнои вклад в структуру ландшафтов ключевого участка вносят лишаиниково-кустарничковые суходолы (класс 5), переходные зоны меж-ду минеральными и органогенными территориями (класс 4), занятые ерником по склонам, и полигональные болота (класс 6) с обязательно сопутствующими пограничными (классы 8–9).

Аналогичным образом классы были подразделены на подклассы на основе комбинации каналов 5–3-2 для WorldView-2. Всего было выделено 19 подклас-сов [8]. Результаты представлены в таблице 2.


254

Таблица 2Подклассы ключевого участка и занимаемые ими площади

на основе космического снимка WorldView-2

№ Подкласс Площадь подкласса, %1 Вода 2.662 Мелководье 1.013 Бугры пучения 1.954 Ерник мелкорослыи 13.295 Ерник высокорослыи 7.876 Суходол лишаиниковыи 1.677 Суходол лишаиниково-кустарничковыи 14.97

8 Суходол лишаиниково-кустарничковыизаболоченныи 11.10

9 Полигон лишаиниковыи 7.2710 Полигон мохово-кустарничковыи 1.64

11 Мохово-кустарничковыеучастки полигональных болот 6.33

12 Обводненные участкизаболоченных территории 8.62

13 Осоково-моховые участки 0.2114 Осоково-кустарничковые участки 0.4315 Осоковые обводненные участки 0.34

16 Олиготрофно-мезотрофныепроточные сфагновые мочажины 12.67

17 Олиготрофные сфагново-кустарничковыемочажины 3.84

18 Олиготрофные сфагново-кустарниковыемочажины 0.92

19 Олиготрофные сфагновые мочажины 3.17

Структуру микроландшафта в основном составляют суходолы лишаиниково-кустарничковыи и лишаиниково-кустарничковыи заболоченныи (классы 7–8), ерники мелкорослые и высокорослые (классы 4–5) и олиготрофно-мезотрофные проточные сфагновые мочажины (класс 16).

При помощи модуля r.stats был посчитан вклад каждого подкласса в класс. Это позволило полноценно понять структуру основных классов, а также провести апскеилинг, т.е. переити от снимков высокого разрешения к снимкам средне-го разрешения без потери точности. Таблица иерархического сопоставления снимков не представлена по причине массивности. Результаты классификации показаны на рисунке (рис. 1).

255


Рис. 1. Сопоставление результата классификации снимков LandSat-8 и WorldView-21


1. Tarnocai C., Canadell J. G., Schuur E.A.G., Kuhry P., Mazhitova G., Zimov S. Soil organic car-bon pools in the northern circumpolar permafrost region // Global biogeochemical cycles, – 2009. – No. 23, GB2023 (in English).

2. Valeeva E.I., Moskovchenko D.V. Zonal’nye osobennosti rastitel’nogo pokrova Tazovskogo polu-ostrova i ego tehnogennaja transformacija [Zonal vegetation cover features for Taz peninsula

1 Легенды для изображении представлены в таблицах 1 и 2 соответственно.


256

and its techgnogenic transformation] // Vestnik jekologii, lesovedenija i landshaftovedenija. – 2009. – P. 174–190 (in Russian).

3. Golubyatnikov L.L., Zarov E.A., Kazantsev V.S., Filippov I.V., Gavrilov G.O. Analysis of Landscape Structure in the Tundra Zone for Western Siberia Based on Satellite Data // Izves-tiya, Atmospheric and Oceanic Physics. – 2015. – No. 51 (9). – P. 969–978. doi: 10.1134/ S0001433815090091 (In English).

4. Bouman C., Shapiro M.A. Multiscale Random Field Model for Bayesian Image Segmentation // IEEE Trans. on Image Processing. – 1994. – No. 3 (2). – P. 162–177 (in English).

5. McCauley J.D., Engel B.A. 1995. Comparison of Scene Segmentations: SMAP, ECHO and Max-imum Likelyhood // IEEE Trans. on Geoscience and Remote Sensing. – 1995. – No. 33 (6). – P. 1313–1316 (in English).

6. Richards, J.A. Remote Sensing Digital Image Analysis. – Springer-Verlag, 1986. – P. 363 (in English).

7. Zarov E.A. The south tundra landscape structure map based on remote sensing data and field survey // Proceedings of the 1st Pan-Eurasian Experiment (PEEX) Conference and the 5th PEEX Meeting. – Helsinki: Finnish Association for Aerosol Research FAAR, 2015. – P. 488–492 (in English).

8. Zarov E.A., Golubyatnikov L.L., Lapshina E.D. Microlandscape structure of south tundra landscapes based on a field survey. Proceedings of the 2nd Pan-Eurasian Experiment (PEEX) Conference and the 6th PEEX Meeting. – Helsinki: Finnish Association for Aerosol Research FAAR, 2016. – P. 590–593 (in English).

257

APPLICATION OF HIERARCHICAL DIFFERENTIATION OF WEST SIBERIAN TUNDRA LANDSCAPES ON A BASE OF SATELLITE IMAGERY

Zarov E.A.1, Golubyatnikov L.L.2

1Yugra State University, Khanty-Mansiysk, Russia e-mail [email protected] 2Institute of Atmospheric Physics, Russian Academy of Sciences, Moscow, Russia e-mail

[email protected]

Abstract: Different resolution satellite imageries for tundra area have been classified to define the hierarchical landscape structure. It was distinguished 9 class and 19 subclasses based on the field review and spectral features. It was found the dry-lichen area, shrubby slope and patterned wetland classes occupy 83.9 % of key area. The similar distribution is character for subclasses.

Keywords: Landscapes structure, satellite imagery, southern tundra, Western Siberia

References

1. Tarnocai C., Canadell J. G., Schuur E.A.G., Kuhry P., Mazhitova G., Zimov S. Soil organic car-bon pools in the northern circumpolar permafrost region // Global biogeochemical cycles, – 2009. – No. 23, GB2023 (in English).

2. Valeeva E.I., Moskovchenko D.V. Zonal’nye osobennosti rastitel’nogo pokrova Tazovskogo polu-ostrova i ego tehnogennaja transformacija [Zonal vegetation cover features for Taz peninsula and its techgnogenic transformation] // Vestnik jekologii, lesovedenija i landshaftovedenija. – 2009. – P. 174–190 (in Russian).

3. Golubyatnikov L.L., Zarov E.A., Kazantsev V.S., Filippov I.V., Gavrilov G.O. Analysis of Landscape Structure in the Tundra Zone for Western Siberia Based on Satellite Data // Izves-tiya, Atmospheric and Oceanic Physics. – 2015. – No. 51 (9). – P. 969–978. doi: 10.1134/ S0001433815090091 (In English).

4. Bouman C., Shapiro M.A. Multiscale Random Field Model for Bayesian Image Segmentation // IEEE Trans. on Image Processing. – 1994. – No. 3 (2). – P. 162–177 (in English).

5. McCauley J.D., Engel B.A. 1995. Comparison of Scene Segmentations: SMAP, ECHO and Max-imum Likelyhood // IEEE Trans. on Geoscience and Remote Sensing. – 1995. – No. 33 (6). – P. 1313–1316 (in English).

6. Richards, J.A. Remote Sensing Digital Image Analysis. – Springer-Verlag, 1986. – P. 363 (in English).

7. Zarov E.A. The south tundra landscape structure map based on remote sensing data and field survey // Proceedings of the 1st Pan-Eurasian Experiment (PEEX) Conference and the 5th PEEX Meeting. – Helsinki: Finnish Association for Aerosol Research FAAR, 2015. – P. 488–492 (in English).

8. Zarov E.A., Golubyatnikov L.L., Lapshina E.D. Microlandscape structure of south tundra landscapes based on a field survey. Proceedings of the 2nd Pan-Eurasian Experiment (PEEX) Conference and the 6th PEEX Meeting. – Helsinki: Finnish Association for Aerosol Research FAAR, 2016. – P. 590–593 (in English).

258

РЕЗУЛЬТАТЫ КОМПЬЮТЕРНОГО МОДЕЛИРОВАНИЯ ВОДНОГО СТРЕССА ПОСЕВОВ ОРОШАЕМОЙ ЛЮЦЕРНЫ

ПО ДАННЫМ НАЗЕМНОГО МЕТЕОРОЛОГИЧЕСКОГО И КОСМИЧЕСКОГО МОНИТОРИНГОВ

ТЕМПЕРАТУРЫ ПОДСТИЛАЮЩЕГО СЛОЯ С ИСПОЛЬЗОВАНИЕМ МЕТОДИКИ ФАО-56 И МОДЕЛИ SEBS

Зейлигер А.М., Ермолаева О.С.Федеральное государственное бюджетное образовательное учреждение высшего образования «Российский государственный аграрный университет – Московская

сельскохозяйственная академия имени К.А. Тимирязева» e-mail: [email protected], [email protected]

Аннотация. Для оценки состояния водного стресса посевов орошаемой люцерны раз-работана методика расчетов, основанная на отношении актуальной эвапотранспирации к оптимальной. Расчет актуальной эвапотранспирации основан на модели SEBS, а также данных космического зондирования температуры подстилающего слоя спектрорадиометром MODIS и мониторинга погодных условий. Расчет оптимальной эвапотранспирации основан на методике ФАО 56, использующей данные мониторинга погодных условий и коэффициенты водопотре-бления сельскохозяйственных культур.

Результаты оценки режима водного стресса, полученные для посевов орошаемой люцерны свидетельствуют о чувствительности коэффициента водного стресса к водному режиму кор-необитаемого слоя почвы. В результате сопоставления средних за поливной сезон значений коэффициента водного стресса посевов орошаемой люцерны с полученной на них урожайно-стью установлена эмпирическая связь, показывающая влияние эффективного орошения на урожайность.

Ключевые слова: посевы люцерны, орошение, эвапотранспирация, температура подсти-лающего слоя, коэффициент водного стресса, дистанционное зондирование, ГИС, SEBS, MODIS.

ВВЕДЕНИЕ

Юго-восточные раионы европеискои части России в последние годы регу-лярно испытывают воздеиствие продолжительных засух. Такого рода события затрагивают значительные по площади сельскохозяиственные регионы в раз-личных странах, вызывая серьезные проблемы получения стабильных урожаев, в частности, на орошаемых землях. Во многих случаях это связано с применением устаревших технологии ведения орошаемого земледелия, не позволяющих гибко настраивать режим работы дождевальнои техники на формирование влагоза-пасов в корнеобитаемом слое почвы на всем пространстве орошаемого поля в соответствии с соответствующими потребностями выращиваемых посевов. Это вызывает необходимость пересмотра существующих и разработки новых технологии ведения орошения, позволяющих управлять эффективностью

259


использования водных и земельных ресурсов в орошаемом земледелии.В настоящее время в ряде стран для развития эффективного орошения

сельскохозяиственных посевов ведутся исследования по созданию и развитию новых технологии ведения орошения, основанные на сочетании технологии гео-информационных систем (ГИС) и дистанционного зондирования Земли (ДЗЗ) и глобальных навигационных спутниковых систем (ГНСС) [1–10]. Такое соче-тание технологии позволяет разрабатывать и применять на практике методы: а) объективного мониторинга водопотребления и состояния орошаемых посе-вов; б) управления орошением на уровне каждого отдельного посева; в) анализа эффективности принимаемых решении; г) реализации поливов с учетом про-странственнои неоднородности потребностеи в воде; д) контроля реализации поливов и их корректирование.

РАЙОН ПРОВЕДЕНИЯ ИССЛЕДОВАНИЙ

Саратовское Поволжье исторически относится к зоне рискованного земле-делия. Для преодоления вызванных этим ограничении по стабильному про-изводству кормов для мясомолочнои продукции в последних три десятилетия предыдущего столетия в Саратовском Заволжье стали развивать орошаемое земледелие. Для этого были построены и сданы в эксплуатацию оросительные системы (ОС), подававшие воду на 500 тыс. га. Одним из регионов, где ведется эксплуатация построенных ранее оросительных систем, является Марксовскии раион Саратовскои, которыи расположен в левобережнои зоне Среднего Повол-жья области (рис. 1).

Рис. 1. Территория Марксовского района Саратовской области

Климат на территории раиона континентально-засушливыи с холоднои зимои и жарким летом. Средняя температура самого жаркого месяца – июля 22.6–22.7°С, самого холодного – января -11.3–12.6 °С. Зимои температура может опускаться


260

до -40–45°С, а летом достигать +38–42°С. Среднегодовое количество осадков на территории раиона выпадает в зависимости от удаленности от р. Волга в раз-мере 400–500 мм. Большая их часть выпадает в тёплое время года, часто в виде ливнеи. Продолжительность безморозного периода 150–160 календарных днеи. Сумма активных температур составляет 2600–2800°С, что позволяет возделывать большои набор сельскохозяиственных культур. Снеговои покров отмечается с ноября по конец марта – начало апреля. Преобладающими направлениями ветра являются северо-восточныи и западныи.

Почвенныи покров Марксовского раиона довольно однообразен. Наиболее представленными являются тёмно-каштановые почвы различного механиче-ского состава, формирующими общии фон почвенного покрова. Среди тёмно-каштановых почв пятнами встречаются лугово-каштановые почвы, а также солонцы каштановые в комплексе с тёмно-каштановыми почвами. По долинам р. Волга и р. Б. Караман развиты поименные луговые дерновые и иловато-болотные почвы. Среди эрозионных процессов почвенного покрова, которые в целом развиты незначительно, преобладают плоскостная и линеиная формы воднои эрозии.

Грунтовые воды на территории Марксовского раиона залегают в основном ниже 10 м, на отдельных участках интенсивного орошения уровень грунтовых вод находится в поливнои период на глубине 2–3 м.

Однои из деиствующих ОС Марксовского раиона является Приволжская, названная в честь Героя Социалистического Труда Ивана Кузнецова. Эта ОС признавалась неоднократно однои из наиболее эффективных в Саратовском Заволжье. Ее первая очередь была введена в эксплуатацию в 1976 году. Головная насосная станция этои ОС забирает воду из Волгоградского водохранилища и подает ее в магистральныи канал, откуда она затем подается другими насо-сными станциями на следующие ступени магистрального канала, а также в рас-пределительную сеть для дождевания посевов сельскохозяиственных культур на площади порядка 25 тыс. га. Средняя урожаиность сельскохозяиственных культур на этих землях составляет 45–55 центнеров кормовых единиц с гектара.

В настоящее время на Приволжскои ОС ведутся работы по ее реконструкции и модернизации, что должно позволить увеличить площадь орошаемых земель, повысить урожаиность, а также снизить эксплуатационные затраты.

ЭВАПОТРАНСПИРАЦИЯ

В длинном ряду характеристик, необходимых для разработки методов управ-ления сельскохозяиственными посевами на орошаемых землях особое место занимает эвапотранспирация. Эта характеристика тесно связана с процессами роста и развития посевов сельскохозяиственных культур, зависящими от погод-ных условии, влагозапасов корнеобитаемого слоя, а также его физико-химиче-ских и гидрофизических характеристик [12–13].

Существует ряд основных процессов, влияющих на интенсивность эвапо-

261


транспирации. Основными среди них являются: а) приходящая на поверхность подстилающего слоя солнечная энергия; б) градиент влажности в приземном слое атмосферы; в) скорость ветра над поверхностью растительного / почвенно-го покрова; г) доступная почвенная влага в корнеобитаемом слое почвы; д) био-физические параметры растительности; е) отражательные и теплофизические характеристики растительного / почвенного покрова. Изменение и флуктуация этих характеристик в течении вегетационного периода связана с их сезонным ходом, изменением погодных условии, а также суточным циклом изменения этих характеристик. В целом это находит свое отражение в относительно небольших интенсивностях испарения во время прохладных периодов и в формировании максимальных интенсивностеи в жаркие периоды, обычно совпадающие с лет-ним сезоном [14–15].

КОЭФФИЦИЕНТ ВОДНОГО СТРЕССА

В период недостатка почвеннои влаги для восполнения потребностеи сель-скохозяиственных культур в воде для поддержания роста и развития они испытывают т.н. водныи стресс. Такие периоды небольшои продолжительности приводят к замедлению их роста и развития, а в случае большои продолжитель-ности приводят к их угнетению и гибели. Для оценки состояния водного стресса сельскохозяиственных культур и его влияния на их рост и развитие используется т.н. коэффициент водного стресса [16–17]. Этот коэффициент лежит в основе методики оценки эталоннои эвапотранспирации, разработаннои всемирнои продовольственнои организациеи ФАО-56 [18], широко используемои в практике орошения [19–23].

В методиках ФАО по оценке эвапотранспирации используются четыре харак-теристики объема суточного испарения, соответствующие четырем уровням. На первом из этих уровнеи, соответствующему испарению с воднои поверхности, используется характеристика объема потенциального суточного испарения ET. Эта характеристика непосредственно связана с состоянием приземного слоя атмосферы и зависит всецело от метеорологических параметров приземного слоя атмосферы.

Второи уровень методик ФАО соответствует эвапотранспирации с поверх-ности эталонного травяного покрова, в корнеобитаемом слое которого имеется объем почвеннои влаги, необходимыи для оптимального водопотребления. Для оценки объема суточнои эвапотранспирации с поверхности такого травяного покрова используется характеристика, называемая эталоннои эвапотранспи-рациеи ET0. Эта характеристика, также как и первая, непосредственно связана с метеорологическими параметрами приземного слоя атмосферы.

Третии уровень методик ФАО соответствует уровню посева конкретнои сельскохозяиственнои культуры, произрастающеи, также как эталонного травяного покрова в условиях отсутствия дефицита почвеннои влаги в соот-ветствующем корнеобитаемом слое. Для этого случая используется характе-


262

ристика суточнои эвапотранспирации посева сельскохозяиственнои культуры в условиях оптимального водопотребления ETc, т.е. при отсутствии дефицита влагозапасов, наличие которого приводит сельскохозяиственные культуры с состояние водного стресса. По определению, эта характеристика зависит от метеорологических параметров, а также фаз развития соответствующеи сельскохозяиственнои культуры. Для оценки их влияния на суточные объемы эвапотранспирации используются эмпирические коэффициенты водопотребле-ния Kc, позволяющие учесть вид особенности и фазы развития выращиваемых сельскохозяиственных культур

ETc = Kc ET0 , (1)

Четвертыи и последнии уровень методик ФАО соответствует уровню посева конкретнои сельскохозяиственнои культуры в реальных условиях формирования водного и солевого режимов корнеобитаемого слоя. Для оценки в этих условиях актуальнои эвапотранспирации ETа используются два понижающих эмпири-ческих коэффициента Kw – коэффициент водного стресса и Ke – коэффициент экологического стресса, входящих в следующее выражение

ETа = Kw Ke ETc , (2)

В описываемых ниже исследованиях в соответствии с данными прове-денных обследовании территории проведения эксперимента было показано, что исследуемые объекты находились на территории с удовлетворительными своиствами, не влиявшими на процесс водопотребления. На основании этих данных был сделано предположение об отсутствии экологического стресса посевов сельскохозяиственных культур, что выразилось в принятии значения коэффициента экологического стресса равным единице Ke = 1. В результате это привело к упрощению выражения (3) и получению следующего выражения для оценки коэффициента водного стресса отдельного посева в проведенных исследованиях

Kw = ETа /ETc , (3)

Методы измерений эвапотранспирацииПрименение традиционных методов измерении интенсивности эвапотран-

спирации на основе метеорологических данных и данных полевых наблюдении [28–29] ограничено отсутствием достоверности получаемых результатов для конкретного орошаемого поля и / или его отдельных контуров, что не позволяет вести на их основе оперативное управление орошением. Указанные ограниче-ния связаны с несоответствием точечных данных, получаемых с помощью этих методов и пространственным варьированием эвапотранспирации на уровне территории, где ведется орошение.

263


В последние десятилетия в противовес традиционным методам точечного измерения эвапотранспирации развиваются методы, основанные на данных дистанционного зондировании Земли (ДЗЗ), позволяющие оценить интенсив-ность эвапотранспирации для представительных участков земнои поверхности [28, 30–33]. Такого рода методы, основанные на обработке данных космическои съемки с сенсоров, устанавливаемых на аэрокосмических платформах, прошли многократное тестирование и в настоящее время широко используются, в част-ности, в решении разнообразных задач, в частности в области орошаемого земледелия [22–33].

МЕТОД ОЦЕНКИ КОЭФФИЦИЕНТА ВОДНОГО СТРЕССА ПОСЕВОВ ЛЮЦЕРНЫ

Представляемая методика оценки коэффициента водного стресса сельско-хозяиственного посева, основанная на выражении (3), состоит из 2-х частеи. Первая включает оценку эталоннои эвапотранспирации посева по метеоро-логическим данным, а вторая – оценку актуальнои эвапотранспирации по данным ДЗЗ.

Для расчета величины эталонного эвапотранспирации ET0 используется метод Пенмана-Монтеита [34–35]. Этот метод выбран среди ряда других по дан-ным многочисленных исследовании, показавших достоверность его использова-ния для оценки эвапотранспирации травяного покрова в результате сравнения с точечными методами измерения с использованием физически обоснованных моделеи [36].

Для расчетов актуальнои эвапотранспирации была выбрана модель SEBS [37–38], позволяющая использовать данные тех же метеорологических наблю-дении, которые используются в методе Пенмана- Монтеита.

Для проведения расчетов по оценке коэффициента водного стресса посевов люцерны был составлен алгоритм и разработан компьютерныи код, реализован-ныи в среде программного обеспечения ILWIS на языке макропрограммирования Python. Укрупненная блок-схема алгоритма представлена на рис. 2 и включает нижеследующие блоки:1) Блок расчета суточнои эталоннои эвапотранспирации по методу Пенмана-

Монтеина;2) Блок расчета объема суточнои эвапотранспирации посева люцерны в отсут-

ствии водного стресса ETc по выражению (3);3) Блок расчета картограммы актуальнои суточнои эвапотранспирации терри-

тории проведения исследовании по методу SEBS;4) Блок расчета суточнои актуальнои эвапотранспирации посева люцерны;5) Блок расчета суточного коэффициента водного стресса посева люцерны.

Для реализации расчетов по территории проведения экспериментов были использованы опубликованные открытые данные за период 15.04.2012 по 25.08.2012: а) метеостанции г. Маркс] за период; б) спектрорадиометра MODIS.


264

Рис. 2. Блок-схема алгоритма расчета коэффициента водного стресса посевов люцерны

РЕЗУЛЬТАТЫ ОЦЕНКИ КОЭФФИЦИЕНТА ВОДНОГО СТРЕССА ОРОШАМЕЫХ ПОСЕВОВ ЛЮЦЕРНЫ

Оценка динамики коэффициента водного стресса орошаемых посевов люцер-ны в вегетационныи период 2012 года проводилась на полях 3-х хозяиств ЗАО «Волга», ЗАО «Мелиоратор» и ЗАО «Трудовои» (рис. 3а), расположенных на территории Приволжскои оросительнои системы, а также на полях ЗАО «Бере-зовскии» и ОПХ ВолжНИИГиМ, расположенных также на левобережье р. Волга на 30–40 км южнее (рисунок 3б и 3в).

В результате проведенных исследовании были собраны данные, необходимые для расчета коэффициента водного стресса посевов орошаемои люцерны по разработаннои компьютернои программе (рис. 2). Так для расчета эталоннои и актуальнои эвапотранспирации по методу Пенмана-Монтеина были исполь-зованы метеорологические данные мониторинга погодных условии на метеоро-логическои станции г. Маркс.

Ряды данныхназемных

метеорологическихнаблюдений

Массив длин фаз и коэффициентовэвапотранспирации

сельскохозяйственной культуры по методу Ф АО-56

1. Расчет эталоннойэвапотранспирации по методу

Пенмана-Монтейнас использованием метеоданных

Растровые данныекосмическогозондирования

земной поверхности

1. Расчет актуальнойэвапотранспирации

сельскохозяйственнойкультуры по методу Ф АО-56

1. Расчет эвапотранспирациии коэффициента водного стресса

в границах посевасельскохозяйственной культуры

1. Попиксельный расчетэвапотранспирации в границах

территории орошаемойсистемы по модели SEBS

265


Для расчета актуальнои эвапотранспирации для посевов орошаемои люцерны (рас. 3) были использованы данные мониторинга земнои поверхности спектро-радиометром MODIS.

Временные ряды ряда суточных значении метеорологических характеристик, сроков и норм поливов, а также коэффициента водного стресса, рассчитанные для 7-ми дневных интервалов времени, представлены на рис. 4 и 5. Представ-ленные на рис. 4 и 5 данные свидетельствуют, во-первых, об отличиях режимов водного стресса исследованных посевов люцерны, а во-вторых, об их связи с режимом выпадения осадков и проведения поливов. а) б)

в)

Рис. 3. Посевы орошаемой люцерны, на которых в вегетационный период 2012., были проведены

эксперименты: а) на территории Приволжской ОС; б) на территории

ЗАО «Березовский»; в) ОПХ ВолжНИИГиМ

Первое из отмеченных обстоятельств тесно связано с разными почвенными и гидрологическими условиями мест расположения полеи, где выращивались посевы люцерны, а также соответствия потребностям этих посевов в воде соз-данного реализованными поливами водного режима корнеобитаемого слоя.

Второе обстоятельство демонстрирует отзывчивость посевов люцерны на увеличение доступных для растении влагозапасов почвеннои влаги, выражаемую в увеличении ее потребления для своего роста и развития.

Для оценки влияния созданных режимов водного стресса посевов орошае-мои люцерны на их урожаиность были использованы данные по урожаиности зеленнои массы, а также рассчитаны средние за сезон значения коэффициентов водного стресса. На рис. 6 представлены парные данные средних значении коэффициента водного стресса и урожаиности зеленои масс всех включенных в исследования посевов орошаемои люцерны.


266

Рис. 4. Агрогидрологические характеристики посевов орошаемой люцерны ЗАО «Трудовой» и ОПХ ВолжНИИГиМ в вегетационный период 2012 г.:

а) температура воздуха, б) скорость ветра; в) влажность воздуха; г) эвапотранспирация; д) осадки и орошение; е) коэффициента водного стресса

267


Рис. 5. Агрогидрологические характеристики посевов орошаемой люцерны ЗАО «Волга», ЗАО «Мелиоратор», ЗАО «Березовский: и ОПХ ВолжНИИГиМ

в вегетационный период 2012 г.: а) температура воздуха, б) скорость ветра; в) влажность воздуха; г) эвапотранспирация; д) осадки и орошение;

е) коэффициента водного стресса


268

Рис. 6. Урожайность орошаемых посевов сельскохозяйственных культур, как функция средних за поливной период коэффициентов водного стресса

Представленные на рис. 6 экспериментальныи пары данных урожаиности орга-нического углерода орошаемои люцерны и среднего за поливнои период коэффи-циента водного стресса по каждому из исследованных посевов и их эмпирическое обобщение в виде уравнения линеинои регрессии свидетельствует о наличие связи между обоими этими параметрами. Это позволяет придти к выводу о возмож-ности использования разработаннои методики оценки коэффициента водного стресса посевов орошаемои люцерны для мониторинга их потребностеи в воде для своего роста и развития, а также и для управления процессом орошения.


1. Tasumi M., Allen R.G., Trezza R., Wright J.L. Satellite-based energy balance to assess with-in-population variance of crop coefficient curves // Irrig. and Drain. Engrg. – 2005. – No. 131 (1). – P. 94–109.

2. Tasumi M., Trezza R., Allen R.G., Wright, J.L. Operational aspects of satellite- based energy balance models for irrigated crops in the semi-arid U.S. // Irrig. and Drain. Syst. – 2005. – No. 19. – P. 355–376.

3. Senay G.B., Budde M., Verdin J.P., Melesse A.M. A coupled remote sensing and simplified surface energy balance approach to estimate actual evapotranspiration from irrigated fields. // Sensors. – 2007. – No. 7. – P. 979–1000.

4. Tasumi M., Allen R.G. Satellite-based ET mapping to assess variation in ET with timing of crop development // Agricultural Water Management. – 2007. – No. 88 (1–3). – P. 54–62.

269


5. Gonzalez-Dugo M.P., Neale C.M.U., Mateos L., Kustas W.P., Prueger J.H., Anderson M.C., Li F. A comparison of operational remote sensing-based models for estimating crop evapotranspi-ration // Agric. For. Meteorol. – 2009. – No. 149. – P. 1843–1853.

6. Zhao W., Liu B., Zhang Z. Water requirements of maize in the middle Heihe River basin, China // Agric. Water Manag. – 2010. – No. 97. – P. 215–223.

7. Liu B., Zhao W., Chang X., Li S., Zhang Z., Du M. Water requirements and stability of oasis ecosystem in arid region, China // Environ. Earth Sci. – 2010. – No. 59. – P. 1235–1244.

8. Allen R.G., Irmak A., Trezza R., Hendrickx J.M.H., Bastiaanssen W., Kjaersgaard J. Satel-lite-based ET estimation in agriculture using SEBAL and METRIC // Hydrol. Process. – 2011. – No. 25. – P. 4011–4027.

9. Senay G.B., Budde M.E., Verdin J.P. Enhancing the Simplified Surface Energy Balance (SSEB) approach for estimating landscape ET: validation with the METRIC model // Agric. Water Manag. – 2011. – No. 98. – P. 606–618.

10. Chirouze J., Boulet G., Jarlan L., Fieuzal R., Rodriguez J.C., Ezzahar J., Er-Raki S., Bigeard G., Merlin O., Garatuza-Payan J., Watts C., Chehbouni G. Intercomparison of four remote-sens-ing-based energy balance methods to retrieve surface evapotranspiration and water stress of irrigated fields in semi-arid climate // Hydrol. Earth Syst. Sci. – 2014. – No. 18. – P. 1165–1188.

11. Glenn E.P., Huete A., Nagler P., Hirschoock K., Brown P. Integrating remote sensing and ground methods to estimate evapotranspiration // Critical Reviews in Plant Sciences. – 2007. – No. 26. – P. 139–168.

12. Courault D., Seguin B., Olioso A. Review on estimation of evapotranspiration from remote sensing data: from empirical to numerical modelling approaches // Irrig Drain Syst. – 2005. – No. 19. – P. 223–249. Doi: 10.1007 / s10795–005-5186–0.

13. Константинов А.Р., Астахова Н.И., Левченко А.А. Методы расчета испарения с сельскохозяиственных полеи. – Л.: Гидрометеоиздат, 1971. – 126 с.

14. Burba G., Hubart J.A., Pidwirny M. Evapotranspiration, Encyclopedia of Earth / Eds. Cutler J. Cleveland. – Washington, D.C.: Environmental Information Coalition, National Council for Science and the Environment, 2010.

15. Huntington T. Evidence for intensification of the global water cycle: review and synthesis // J. Hydr. – 2006. – No. 319. – P. 83–95.

16. Wright J.L. Crop coefficients for estimates of daily crop evapotranspiration // Irrig. Sched. for Water and Engergy Conserv. in the 80’s, ASAE. – 1981. – P. 18–26.

17. Allen R.G., Smith M., Pruitt W.O., Pereira L.S. Modification of the FAO crop coefficient approach / Camp C.R., Sadler E.J., Yoder R.E. (Eds.), Evapotranspiration and Irrigation Scheduling. Pro-ceedings of the International Conference, November 3–6, San Antonio, TX. – 1996. – P. 124–132.

18. Allen R.G., Pereira L.S., Raes, D. Smith M. Crop evapotranspiration. Guidelines for computing crop water requirements // Irrigation and Drainage Paper 56, Food and Agric. Organization of the United Nations. – Rome, Italy, 1998. – 300 p.

19. Hanson B.R., May D.M. Crop coefficients for drip-irrigated processing tomato // Agricultural Water Management. – 2005. – No. 81. – P. 381–399.

20. DeTar W.R. Crop coefficients and water use for cowpea in the San Joaquin Valley of Califor-nia // Agricultural Water Management. – 2009. – No. 96. – P. 53–66.

21. Benli B., Kodal S., Ilbeyi A., Ustun H. Determination of evapotranspiration and basal crop coeffi-cient of alfalfa with a weighing lysimeter // Agricultural Water Management. – 2006. – No. 81. – P. 358–370.


270

22. Er-Raki S., Chehbouni A., Hoedjes J., Ezzahar J., Duchemin B., Jacob F. Improvement of FAO-56 method for olive orchards through sequential assimilation of thermal infrared-based estimates of ET // Agricoltural Water Manegement. – 2008. – No. 95. – P. 309–321.

23. Beyazgul M., Kayam Y., Engelsman F. Estimation methods for crop water requirements in the Gediz Basin of western Turkey // Journal of Hydrology. – 2000. – No. 229. – P. 19–26.

24. Shin U., Kuslu Y., Tunc T., Kiziloglu F.M. Determining Crop and Pan Coefficients for Cauliflow-er and Red Cabbage Crops Under Cool Season Semiarid Climatic Conditions // Agricultural Science in China. – 2009. – Vol. 8 (2). – P. 167–171.

25. Martinez-Cob A. Use of thermal units to estimate corn crop coefficients under semiarid cli-matic conditions // Irrigation Science. – 2007. – No. 26 (4). – P. 335–345.

26. Piccinni G., Ko J., Marek T., Howell T. Determination of growth-stage-specific crop coefficients (Kc) of maize and sorghum // Agricultural Water Management. – 2009. – No. 96. – P. 1698–1704.

27. Rana G., Katerji N., De Lorenzi F. Measurement and modelling of evapotranspiration of irrigated citrus orchard under Mediterranean conditions // Agricultural and Forest Meteor-ology. – 2005. – No. 128. – P. 199–209.

28. Bastiaanssen W.G.M., Noordman E.J.M., Pelgrum H., Davids G, Thoreson B.P., Allen R.G. SEBAL model with remotely sensed data to improve water resources management under actual field conditions // J. Irrig. and Drain. Eng. – 2005. – No. 131 (1). – P. 85–93.

29. Зейлигер А.М., Ермолаева О.С., Кричевцова А.Н. Результаты пространственно-вре-менного анализа наборов данных ДЗЗ по испарению с поверхности суши MOD16 ET за 2000–2009 годы для территории Палласовского раиона Волгоградскои области РФ: Сб. статеи / Экология, Экономика и Информатика, Геоинформационные технологии и космическии мониторинг. – Т. 1–3. – Ростов н/Д: Изд-во ЮФУ, 2015. – Т. 3. – С. 35–47.

30. Bastiaanssen W.G.M., Menenti M., Feddes R.A., Holtslag A.A.M. The Surface Energy Balance Algorithm for Land (SEBAL): Part 1 formulation // J. Hydrol. 1998. – No. 212–213. – P. 198–212.

31. Bastiaanssen W.G.M., Pelgrum H., Wang J., Ma Y., Moreno J., Roerink G.J., Van der Wal T. The Surface Energy Balance Algorithm for Land (SeBAL): Part 2 validation // J. Hydrol., No.212–213, 213–229 (1998).

32. Kustas W.P., Norman J.M. Evaluation of soil and vegetation heat flux predictions using a simple two-source model with radiometric temperatures for partial canopy cover // Agric.and For. Meteorol. – 1999. – No. 94. – P. 13–29.

33. Kustas W.P., Norman J.M., Anderson M.C., French A.N. Estimating subpixel surface temper-atures and energy fluxes from the vegetation index-radiometric temperature relationship // Remote Sensing Environ. – 2003. – No. 85. – P. 429–440.

34. Penman H.L. Natural evaporation from open water, bare soil and grass // Proc. Roy. Soc. A. – 1948. – No. 193. – P. 120–146.

35. Penman H.L. Estimating evaporation // Trans. Amer. Geoph. Uninon. – 1956. – No. 37. – P. 43–50.36. Gowda P.H., Senay G.B., Howell T.A., Marek T.H. Lysimetric evaluation of simplified energy

balance approach in the Texas High Plains // Appl. Eng. Agric. – 2009. – No. 25–5. – P. 665–669.37. Su Z. A Surface Energy Balance System (SEBS) for estimation of turbulent heat fluxes from

point to continental scale / Su, Z. & C.E. Jacobs (Eds.) Advanced earth observation – land surface climate, final report. Publications of the National Remote Sensing Board (BCRS). USP, 2001. – P. 184.

38. Su Z. The Surface Energy Balance System (SEBS) for estimation of turbulent heat fluxes //Hydrology & Earth System Sciences. – 2002. – No. 6. – P. 85–99.

271

RESULTS OF A WATER STRESS COMPUTER MODELING OF IRRIGATED ALFALFA CROPS BY THE USE OF METEOROLOGICAL

MONITORING AND REMOTE SENSING OF LAND SURFACE TEMPERATURE IN THE BASE OF FAO-56 METHOD AND SEBS MODEL

Zeiliguer A.M., Ermolaeva O.S.

Russian State Agrarian University – Moscow Timiryazev Agricultural Academy, Moscow, Russia,

e-mail: [email protected]; [email protected]

Abstract. Calculation procedure based on the ratio between an actual evapotranspiration to the optimal is developed with aim to assess a water stress of the irrigated alfalfa crops. Calculation of an actual evapotranspiration is based on the SEBS model, and data of remote sensing of land surface temperature by spectroradiometer MODIS and weather conditions. Calculation of an optimal evapotranspiration is based on the method FAO 56 by the use of meteorological data and crops coefficients. The results of an assessment of water stress of irrigated alfalfa crops show a sensitivity of calculated water stress coefficient to the water content in a soil root zone. As a result of comparison of averaged for an irrigation season values of water stress coefficient of all irrigated alfalfa crops and yield an empirical correlation was established. Thus shows influence of irrigation effectiveness on the yield.

Keywords: Alfalfa crops, irrigation, evapotranspiration, land surface temperature, water stress coefficient, Remote sensing, SEBS, MODIS.

References

1. Tasumi M., Allen R.G., Trezza R., Wright J.L. Satellite-based energy balance to assess with-in-population variance of crop coefficient curves // Irrig. and Drain. Engrg. – 2005. – No. 131 (1). – P. 94–109.

2. Tasumi M., Trezza R., Allen R.G., Wright, J.L. Operational aspects of satellite- based energy balance models for irrigated crops in the semi-arid U.S. // Irrig. and Drain. Syst. – 2005. – No. 19. – P. 355–376.

3. Senay G.B., Budde M., Verdin J.P., Melesse A.M. A coupled remote sensing and simplified surface energy balance approach to estimate actual evapotranspiration from irrigated fields. // Sensors. – 2007. – No. 7. – P. 979–1000.

4. Tasumi M., Allen R.G. Satellite-based ET mapping to assess variation in ET with timing of crop development // Agricultural Water Management. – 2007. – No. 88 (1–3). – P. 54–62.

5. Gonzalez-Dugo M.P., Neale C.M.U., Mateos L., Kustas W.P., Prueger J.H., Anderson M.C., Li F. A comparison of operational remote sensing-based models for estimating crop evapotranspi-ration // Agric. For. Meteorol. – 2009. – No. 149. – P. 1843–1853.

6. Zhao W., Liu B., Zhang Z. Water requirements of maize in the middle Heihe River basin, China // Agric. Water Manag. – 2010. – No. 97. – P. 215–223.

7. Liu B., Zhao W., Chang X., Li S., Zhang Z., Du M. Water requirements and stability of oasis ecosystem in arid region, China // Environ. Earth Sci. – 2010. – No. 59. – P. 1235–1244.


272

8. Allen R.G., Irmak A., Trezza R., Hendrickx J.M.H., Bastiaanssen W., Kjaersgaard J. Satel-lite-based ET estimation in agriculture using SEBAL and METRIC // Hydrol. Process. – 2011. – No. 25. – P. 4011–4027.

9. Senay G.B., Budde M.E., Verdin J.P. Enhancing the Simplified Surface Energy Balance (SSEB) approach for estimating landscape ET: validation with the METRIC model // Agric. Water Manag. – 2011. – No. 98. – P. 606–618.

10. Chirouze J., Boulet G., Jarlan L., Fieuzal R., Rodriguez J.C., Ezzahar J., Er-Raki S., Bigeard G., Merlin O., Garatuza-Payan J., Watts C., Chehbouni G. Intercomparison of four remote-sens-ing-based energy balance methods to retrieve surface evapotranspiration and water stress of irrigated fields in semi-arid climate // Hydrol. Earth Syst. Sci. – 2014. – No. 18. – P. 1165–1188.

11. Glenn E.P., Huete A., Nagler P., Hirschoock K., Brown P. Integrating remote sensing and ground methods to estimate evapotranspiration // Critical Reviews in Plant Sciences. – 2007. – No. 26. – P. 139–168.

12. Courault D., Seguin B., Olioso A. Review on estimation of evapotranspiration from remote sensing data: from empirical to numerical modelling approaches // Irrig Drain Syst. – 2005. – No. 19. – P. 223–249. Doi: 10.1007 / s10795–005-5186–0.

13. Konstantinov A.R., Astachova N.I., Levchenko A.A Metodi rascheta ispareniya s selsko-chozyaistvennich pollei [Methods of estimation of transpiration from agricultural fields]. – 1971. – 126 p. (In Rusiian).

14. Burba G., Hubart J.A., Pidwirny M. Evapotranspiration, Encyclopedia of Earth / Eds. Cutler J. Cleveland. – Washington, D.C.: Environmental Information Coalition, National Council for Science and the Environment, 2010.

15. Huntington T. Evidence for intensification of the global water cycle: review and synthesis // J. Hydr. – 2006. – No. 319. – P. 83–95.

16. Wright J.L. Crop coefficients for estimates of daily crop evapotranspiration // Irrig. Sched. for Water and Engergy Conserv. in the 80’s, ASAE. – 1981. – P. 18–26.

17. Allen R.G., Smith M., Pruitt W.O., Pereira L.S. Modification of the FAO crop coefficient approach / Camp C.R., Sadler E.J., Yoder R.E. (Eds.), Evapotranspiration and Irrigation Scheduling. Proceedings of the International Conference, November 3–6, San Antonio, TX. – 1996. – P. 124–132.

18. Allen R.G., Pereira L.S., Raes, D. Smith M. Crop evapotranspiration. Guidelines for computing crop water requirements // Irrigation and Drainage Paper 56, Food and Agric. Organization of the United Nations. – Rome, Italy, 1998. – 300 p.

19. Hanson B.R., May D.M. Crop coefficients for drip-irrigated processing tomato // Agricultural Water Management. – 2005. – No. 81. – P. 381–399.

20. DeTar W.R. Crop coefficients and water use for cowpea in the San Joaquin Valley of Califor-nia // Agricultural Water Management. – 2009. – No. 96. – P. 53–66.

21. Benli B., Kodal S., Ilbeyi A., Ustun H. Determination of evapotranspiration and basal crop coeffi-cient of alfalfa with a weighing lysimeter // Agricultural Water Management. – 2006. – No. 81. – P. 358–370.

22. Er-Raki S., Chehbouni A., Hoedjes J., Ezzahar J., Duchemin B., Jacob F. Improvement of FAO-56 method for olive orchards through sequential assimilation of thermal infrared-based estimates of ET // Agricoltural Water Manegement. – 2008. – No. 95. – P. 309–321.

23. Beyazgul M., Kayam Y., Engelsman F. Estimation methods for crop water requirements in the Gediz Basin of western Turkey // Journal of Hydrology. – 2000. – No. 229. – P. 19–26.

273


24. Shin U., Kuslu Y., Tunc T., Kiziloglu F.M. Determining Crop and Pan Coefficients for Cauliflow-er and Red Cabbage Crops Under Cool Season Semiarid Climatic Conditions // Agricultural Science in China. – 2009. – Vol. 8 (2). – P. 167–171.

25. Martinez-Cob A. Use of thermal units to estimate corn crop coefficients under semiarid cli-matic conditions // Irrigation Science. – 2007. – No. 26 (4). – P. 335–345.

26. Piccinni G., Ko J., Marek T., Howell T. Determination of growth-stage-specific crop coefficients (Kc) of maize and sorghum // Agricultural Water Management. – 2009. – No. 96. – P. 1698–1704.

27. Rana G., Katerji N., De Lorenzi F. Measurement and modelling of evapotranspiration of irrigated citrus orchard under Mediterranean conditions // Agricultural and Forest Meteor-ology. – 2005. – No. 128. – P. 199–209.

28. Bastiaanssen W.G.M., Noordman E.J.M., Pelgrum H., Davids G, Thoreson B.P., Allen R.G. SEBAL model with remotely sensed data to improve water resources management under actual field conditions // J. Irrig. and Drain. Eng. – 2005. – No. 131 (1). – P. 85–93.

29. Zeiliguer A.M., Ermolaeva O.S., Krichevtsova A.N. The results of the spatial-temporal analy-sis of remote sensing data sets by evaporation from the earth’s land surface MOD16 ET for 2000–2009 for the territory Pallasovsky district of the Volgograd region of the Russian Feder-ation // ECOLOGY ECONOMY INFORMATICS GEOINFORMATION TECHNOLOGIES AND SPACE MONITORING. – Vol. 1–3. – Rostov on Don: Southern federal university Publishers, 2015. – Vol. 3. – P. 35–47 (In Rusiian).

30. Bastiaanssen W.G.M., Menenti M., Feddes R.A., Holtslag A.A.M. The Surface Energy Balance Algorithm for Land (SEBAL): Part 1 formulation // J. Hydrol. 1998. – No. 212–213. – P. 198–212.

31. Bastiaanssen W.G.M., Pelgrum H., Wang J., Ma Y., Moreno J., Roerink G.J., Van der Wal T. The Surface Energy Balance Algorithm for Land (SeBAL): Part 2 validation // J. Hydrol., No.212–213, 213–229 (1998).

32. Kustas W.P., Norman J.M. Evaluation of soil and vegetation heat flux predictions using a simple two-source model with radiometric temperatures for partial canopy cover // Agric.and For. Meteorol. – 1999. – No. 94. – P. 13–29.

33. Kustas W.P., Norman J.M., Anderson M.C., French A.N. Estimating subpixel surface temper-atures and energy fluxes from the vegetation index-radiometric temperature relationship // Remote Sensing Environ. – 2003. – No. 85. – P. 429–440.

34. Penman H.L. Natural evaporation from open water, bare soil and grass // Proc. Roy. Soc. A. – 1948. – No. 193. – P. 120–146.

35. Penman H.L. Estimating evaporation // Trans. Amer. Geoph. Uninon. – 1956. – No. 37. – P. 43–50.36. Gowda P.H., Senay G.B., Howell T.A., Marek T.H. Lysimetric evaluation of simplified energy

balance approach in the Texas High Plains // Appl. Eng. Agric. – 2009. – No. 25–5. – P. 665–669.37. Su Z. A Surface Energy Balance System (SEBS) for estimation of turbulent heat fluxes from

point to continental scale / Su, Z. & C.E. Jacobs (Eds.) Advanced earth observation – land surface climate, final report. Publications of the National Remote Sensing Board (BCRS). USP, 2001. – P. 184.

38. Su Z. The Surface Energy Balance System (SEBS) for estimation of turbulent heat fluxes //Hydrology & Earth System Sciences. – 2002. – No. 6. – P. 85–99.

274

СПУТНИКОВЫЕ БАЗЫ ДАННЫХ И ГИС-ПРОЕКТЫ ДЛЯ ОЦЕНКИ ПОТЕНЦИАЛА

ВОЗОБНОВЛЯЕМОЙ ЭНЕРГЕТИКИ1

Киселева С.В.1, Рафикова Ю.Ю.2, Голубева Е.И.3, Тульская Н.И.4

Московскии государственныи университет имени М.В. Ломоносова,г. Москва


ВВЕДЕНИЕ

Глобальные экологические проблемы, связанные с потреблением в раз-личных сферах промышленности и энергетики ископаемого топлива – угля, нефти и газа –привели к пониманию необходимости перехода к ресурсос-берегающим технологиям, представляющим основу «зеленои» экономики. Важными чертами «зеленои» экономики являются эффективное использо-вание природных ресурсов, сохранение и увеличение природного капитала, уменьшение загрязнения окружающеи среды, низкие углеродные выбросы, предотвращение утраты экосистемных услуг и биоразнообразия, рост дохо-дов и занятости населения. Переход от традиционнои модели экономическо-го роста к «зеленои» экономике можно рассматривать как мировои тренд, определяющии устоичивость развития не только отдельных национальных экономик, но и всеи планеты в целом.

В России особую роль в реализации концепции перехода к «зеленои» эко-номике играет энергетическии сектор, которыи является крупнеишим загряз-нителем окружающеи среды, дающим более 50 % всех выбросов в атмосферу и около 20 % загрязненных сточных вод. Эти проблемы во многом могут быть решены при более широком использовании возобновляемых источников энергии (ВИЭ), которые в связи с природными и социально-экономическими особенностями, наиболее востребованными могут стать в зонах децентрали-зованного энергоснабжения, в первую очередь, в Сибири и на Дальнем Вос-токе. Для оценки потенциала использования ВИЭ и развития возобновляемои энергетики на конкретнои территории необходимо оценить ресурсы различных видов ВИЭ: солнечнои, ветровои, гидроэнергии (малых водных потоков), био-энергии, геотермальнои энергии, а также энергии приливов и волн, величина которых определяется физико-географическими условиями. Для этои цели все шире используются спутниковые измерения, базы данных на их основе и ГИС-технологии.

Для регионов нашеи страны наиболее перспективными направлениями возобновляемои энергетики являются солнечная и ветровая. Именно эти два

1 Работа выполнена при частичнои поддержке проекта РФФИ 15–05-01788 А.

275


источника энергии характеризуются высоким потенциалом и уже используют-ся в деиствующих объектах энергообеспечения как в крупных городах, так и в отдаленных от централизованнои сети сельских поселениях[1]. В настоящеи статье рассматриваются подходы к оценке ресурсного потенциала ветровои и солнечнои энергии на основе современных открытых спутниковых баз данных и ГИС-технологии.

ОЦЕНКИ ПОТЕНЦИАЛА СОЛНЕЧНОЙ ЭНЕРГИИ

Для проектирования солнечных фотоэлектрических и водонагревательных станции и установок необходимы исходные данные о приходящеи солнечнои радиации, причем точность моделирования (проектирования) определяется точ-ностью, а также «скважностью» данных (территориальнои и временнои частотои или сеткои данных). Как показывает анализ результатов моделирования солнеч-ных установок, необходимыми являются почасовые значения падающеи солнеч-нои радиации, учитывающие угол наклона приемнои поверхности. В отсутствие таких данных используются среднесуточные (среднедневные), среднемесячные, и – в краинем случае – среднегодовые значения падающеи солнечнои радиации. Помимо временного распределения важно рассмотреть проблему пространствен-ного обеспечения данными оценку ресурсов солнечнои энергии.

В настоящее время для оценки ресурсов и проектирования работы установок определение падающеи солнечнои радиацию в заданнои точке используют раз-личные методы, в том числе:• аналитическии, когда необходимые параметры для конкретнои географиче-

скои точки определяются расчетным путем;• многолетними наземными измерениями в заданнои точке;• математическим моделированием распространением солнечнои энергии и в

атмосфере на основе спутникового мониторинга и наземных данных.Многолетние актинометрические наблюдения являются преимущественными

(с точки зрения точности, номенклатуры и длительности рядов) источниками данных о падающеи солнечнои радиации. Результаты обработки измерении приводятся в печатных изданиях (бюллетени, справочники) и в виде электрон-ных баз данных (БД) с различнои степенью доступа (открытые, коммерческие). В настоящее время доступны осредненные данные актинометрических станции СССР за периоды 1930–1980 гг, опубликованные в Справочнике по климату СССР, Научно-прикладном справочнике по климату СССР [2, 3] и ряде подоб-ных издании, в том числе региональных [4]. Кроме того, результаты наблюдении актинометрических станции РФ (и мира) аккумулированы в архивах Мирового центра радиационных данных ГГО им. А.И. Воеикова [5]. Ряд электронных баз данных, имеющих выход в Интернет (в том числе зарубежных), также предостав-ляет данные актинометрических станции, находящихся на территории бывшего СССР: в открытом (RETScreen [6], NASASSE [7]) или в коммерческом доступе (Meteonorm[8], 3TIER [9]). Однако, количество актинометрических станции на


276

территории России невелико. В связи с этим помимо использования радиацион-ных данных и аналитических методов, можно прибегнуть к методам экстраполя-ции и интерполяции данных актинометрических станции. Однако, территория нашеи страны характеризуется значительнои климатическои и ландшафтнои неоднородностью, что влияет на общии широтныи характер изменения прихода солнечнои радиации, на которые накладываются региональные особенности погоды, состояния атмосферы, альбедо поверхности и др. В связи с этим рас-пространение результатов актинометрических наблюдении на значительную территорию сопровождается ошибками.

Для решения проблемы недостаточности наземных данных о ресурсах сол-нечнои энергии в последние десятилетия все шире стали использоваться мате-матическое моделирование и восстановление данных. В качестве таковых можно рассматривать, во-первых, реанализы, которые широко применяется в метео-рологии, климатологии, океанологии и других областях. В настоящее время как в данных NCEP-реанализа [10], так и в ERA-реанализе [11] представлены дан-ные опадающеи солнечнои радиации на сетке с высоким разрешением. Так ERA предоставляет за каждыи месяц года в интервале (1979 г. – настоящее время) на сетке с шагом 0,25º (последние 20 лет – сшагом 0,125º) среднемесячные значения продолжительности солнечного сияния, приходящеи (нетто) и нисходящеи сол-нечнои радиации на уровне поверхности Земли, приходящеи (нетто) радиации на верхнеи границе атмосферы) и др. Открытые архивы NCEP-реанализа содержат аналогичные данные.

Широкое использование при прогнозировании и проектировании в солнеч-нои энергетике получила глобальная по охвату специализированная база данных NASASSE (NASASurfacemeteorologyandSolarEnergy) [7], краткая характеристика которои, в том числе верификация для территории России, проводилась нами ранее в работах [12, 13, 14]. Результаты получены на основе аналитических под-ходов, изложенных в [15], а также многолетних спутниковых наблюдении за состоянием атмосферы (оптически активные составляющие атмосферы – озон, аэрозоли, СО2 и др.), облачного покрова, ландшафтов (альбедо) и др. При рас-четах были использованы результаты следующих исследовательских программ, проектов и моделеи:– источники данных о солнечной радиации – проекты NASA/GEWEX Surface

Radiation Budget (SRB) Project, CERES Fast Longwave And SHortwave Radiative Fluxes (FLASHFlux);

– источники метеорологических данных – Global Modeling and Assimilation Office (GMAO);

– источникиданныхобосадках – Global Precipitation Climatology Project (GPCP).Удобство использования БД NASASSE определяется ее выраженнои специ-

ализациеи: номенклатура характеристик солнечнои радиации соответствует потребностям современнои солнечнои энергетики.

В рамках одновременно развиваемого проекта NASAPredictionofWorldwideEnergyResource (POWER) в открытом доступе предоставляется среднесуточ-

277


ные значения (включая суммарную солнечную радиацию на верхнеи границе атмосферы и на уровне Земли, нисходящии поток длинноволновои солнечнои радиации, скорость ветра на высоте 10 м) с разрешением (1×1)º для каждого дня (суток) в период с 1983 г. по настоящее время. Таким образом, возникает возможность – помимо среднемесячных многолетних данных – использовать при проектировании средние суточные величины. Значение такого источника данных определяется тем, что при детальном математическом моделировании солнечных и гибридных энергоустановок необходимо использовать часовые значения падающеи солнечнои радиации, которые генерируются на основе суточных данных с меньшими затратами машинных ресурсов и времени, чем на основе среднегодовых данных.

Генерация типичного метеогода в формате месячных, суточных или часо-вых данных для поверхностеи любои ориентации осуществляется, в част-ности, коммерческим ПО Meteonorm [8] на основе базы данных более чем 7000 метеостанции мира. Программное средство TRNSYS также позволяет генерировать часовые последовательности метеоданных на основе среднеме-сячных и среднесуточных значении полученных как из многолетних наземных наблюдении, так и из результатов моделирования (например, материалов БД NASASSE). В итоге можно получать исходныи набор метеорологическои информации на регулярнои, достаточно частои сетке, охватывающеи задан-ныи регион исследования.

Возвращаясь к специализированным базам данных, которые могут рассма-триваться как источники требуемои исходнои актинометрическои и метеороло-гическои информации для оценки ресурсов и проектирования энергетических установок и станции, мы можем предложить следующии, далеко не исчерпы-вающии перечень (табл. 1). В таблицу помимо баз данных включены также ГИС-проекты и интерактивные атласы, которые снабжены описанием методики получения исходных данных и ссылками на информационные ресурсы. Рас-смотрены преимущественно те источники, которые в тои или инои степени охватывают территории России. Широкии перечень источников данных пред-ставлен также на порталах SolarEnergyServicesforProfessionals (SoDa) [16], Solar andWindEnergyResourceAssessment (SWERA) [17] и других. Следует отметить в качестве концентрированного информационного источника атлас IRENA[18], где представлена широкая номенклатура интерактивных карт, ссылки на источники фактических данных о ресурсах различных видов ВИЭ, а также в некоторых случаях – данные для выделенных точек о падающеи солнечнои радиации, скорости ветра и иных составляющих ресурсов ВИЭ. Обращает на себя внимание наличие карт с очень высоким разрешением (http://irena.masdar.ac.ae/#), например, 3 км для падающеи солнечнои радиации (Мали (Африка), источник данных – MasdarInstituteofScienceandTechnology), 5 км для скорости ветра на высоте 80 м (весь мир, источник данных – 3TIER) (адрес страницы: http://irena.masdar.ac.ae/#). Приводятся ссылки на проведенную верификацию по наземным данным.


278

Таблица 1Источники актинометрических и метеорологических данных,

а также готовых оценок ресурсов солнечной, ветровой и других видов ВИЭ

База данных / ГИС-проект /

электронный атлас

Web – адрес, условиядоступа

Охват территории,специализация

Мировои центр радиационных данных

(МЦРД)

wrdc.mgo.rssi.ru Открытыи доступ

Специализация – актиноме-трические данные. Всемирная база данных. Представлены данные наземных актиноме-трических станции

Meteonorm meteonorm.com/ Коммерческии продукт

Специализация – солнечная и ветровая энергия. Охват тер-ритории – глобальныи.

Climate 1 (The Global Climate Data Atlas)

www.climate-one.de Коммерческии продукт

Специализация – солнечная энергия. Охват территории – глобальныи. Представлены наземные данные более чем 1200 станции.

3TIER www.3tier.com/en/ Коммерческии продукт

Специализация – солнечная, ветровая, гидроэнергетика. Оценка проектов ВИЭ, в том числе экономическая. Охват территории – глобальныи.

S@tel – Light (European database of daylight and

solar radiation)

www.satel-light.com/indexgS.htm

Открытыи доступ

Специализация – актиноме-трические данные. Западная, Центральная Европа, Северная Африка. Представлены данные наземных актинометрических станции и спутниковых сним-ков.

HelioClim-1(Databases Solar Radiation Values Derived from Meteosat

Satellites)

Доступно через портал SoDa

Часть данных – в открытом доступе

Специализация – актино-метрические данные. Евро-па и Африка. Представлены результаты обработки спутни-ковых снимков Meteosat.

NASA POWER / SSE (Prediction Of Worldwide Energy Resource / Surface

meteorology and Solar Energy)

eosweb.larc.nasa.gov/sseОткрытыи доступ

Специализация – солнечная и ветровая энергетика. Охват территории – глобальныи. Основа – результаты модели-рования.

The NCEP / NCAR Reanalysis Project

of National Oceanic & Atmospheric

Administration (NOAA)

www.cdc.noaa.gov / cdc / reanalysis /

Открытый доступ

Специализация – данные реа-нализа; широкии спектр мете-орологических величин. Охват территории – глобальныи.

279


GIS NREL USA www.nrel.gov/analysis/ data_resources.html Открытыи доступ

ГИС-проект Национальнои лаборатории возобновляемои энергетики США. Специали-зация – данные, карты, ГИС по всем видам ВИЭ. Представле-ны методы получения данных и проведения расчетов.

RetScreen www.retscreen.net/ Открытыи доступ

Программныи продукт (Кана-да) для оценки эффективности проектов ВИЭ и когенерации. В качестве базы актинометри-ческих и метеорологических данныхиспользуется NASA SSE и данные МЦРД.

SWERA (Solar and Wind Energy

Resource Assessment)

Доступно через портал SoDa

Открытыи доступ

Специализация – солнечная и ветровая энергия. Данные и инструменты для развития энергетического рынка в раз-вивающихся странах.

Global Atlas for Renewable energy (IRENA –

International Renewable Energy Agency)

irena.masdar.ac.ae/#Открытыи доступ

Представлен широкии спектр интерактивных карт с различ-ным охватом земнои поверх-ности. Представлен перечень и краткое описание источни-ков данных, методик расчета метеорологических и актино-метрических величин.

ИСТОЧНИКИ ДАННЫХ И ПРОБЛЕМЫ ОЦЕНКИ ВЕТРОВОЙ ЭНЕРГИИ

Наличие достоверных исходных данных одинаково значимо и для солнечнои, и для ветровои энергетики ввиду вероятностного характера энергетических потоков от соответствующих источников. Однако, проблема качества данных для адекватнои оценки энергетических характеристик ветрового потока представля-ется еще более сложнои, чем в случае солнечнои энергии. В качестве источников данных для оценок ветропотенциала можно рассматривать:• результаты многолетних измерении на метеорологических и аэрологических

станциях;• результаты математического моделирования (восстановления) поля ветра,

проводимого с использованием наземных данных (реанализ);• результаты спутниковых наблюдении;• данные краткосрочного ветромониторинга непосредственно на площадке

предполагаемого размещения ветроэнергетических установок (ВЭУ).


280

Метеорологические данные, с точки зрения ветроэнергетики, обладают рядом несомненных достоинств. Это, во-первых, длительность рядов наблю-дении, во-вторых, частота сети метеорологических станции, которые в тои или инои степени покрывает всю территорию Земли. В России имеется разветвлен-ная система метеорологических наблюдении. Регулярная сеть метеостанции сформировалась уже к началу ХХ века. Однако когда специалисты в области ветроэнергетики обратились к анализу результатов измерении скорости ветра на метеостанциях, выяснилось, что оценивать энергетические характеристики ветра по этим данным с необходимои достоверностью в большинстве случаев невозможно. Выделяются следующие неблагоприятные факторы:• непостоянство высоты флюгера (для различных метеостанции она изменялась

от 5 до 40 метров);• затенённость флюгера деревьями, домами, возвышенностями и т.п.;• срочность наблюдении;• несоответствие высоты метеорологических наблюдении потребностям совре-

меннои ветроэнергетики, когда высота оголовка турбины ветроэнергоуста-новки (ВЭУ) находится на высоте от 30 до 100–150 м.В течение ХХ века предпринимались меры по усовершенствованию измери-

тельного оборудования и процедуры измерении скорости ветра на метеостан-циях. До 1936 года измерения скорости ветра осуществлялись три раза в сутки, а с 1936 по 1966 г – 4 раза в сутки. В настоящее время наблюдения над характе-ристиками климата производятся в единые синхронные сроки 8 раз в сутки в 0, 3, 6, 9, 12, 15, 18, 21 час московского зимнего времени.

Идеальными для исследователя являются временные ряды сырых данных, то есть ряды первичных измерении, имеющие вид «время измерения – резуль-тат измерения». Тогда архивные данные позволяют построить диаграммы распределения скорости ветра по градациям, которые необходимы для расчета энергии воздушнои струи. С другои стороны, для проведения корреляционного анализа результатов локального ветромониторинга и данных ближаишеи мете-останции зачастую достаточно уже осредненных значении. Поэтому помимо архивов источником данных для оценок ветроэнергетических характеристик могут быть и результаты многолетних рядов наблюдении, представленные в климатических справочниках [2, 3], а также в справочниках, содержащих данные за отдельные годы [19].

Длительность наблюдении, отраженных в справочных изданиях [2, 3, 19] позволяет рассматривать метеорологические ряды данных как генеральную сово-купность, на которои выполняется своиство стабилизации частоты. Следователь-но, методы математическои статистики позволяют давать на основе этих данных достоверные оценки. Однако большое количество метеостанции и данных не дает достаточнои основы для ветроэнергетических расчетов и проектирования. Проблемои для ветроэнергетических оценок остается недостаточность высоты проведения измерении ветровых характеристик.

281


Есть ли возможность использовать данные наземных представительных метеонаблюдении для адекватнои аппроксимации характеристик на высоты, востребованные в современнои ветроэнергетике? Изменение скорости ветра с высотои является закономерным, однако весьма «прихотливым». Это приводит к значительнои неопределенности результата при попытках наити параметри-ческие или аналитические зависимости вида V(z). В настоящее время приняты два представления об изменении скорости ветра с высотои: степеннои или логарифмическии закон. Большои объем исследовании этои проблемы был про-веден в ГГО им. А.И. Воеикова с позиции метеорологии [20], а в [21] – с позиции ветроэнергетики.

Следует отметить, что существует ряд неопределенностеи в методиках оценки профилеи ветра по предложенным методикам:• нет обоснования предельнои высоты применимости степенного или логариф-

мического закона в приземном слое; согласно различным представлениям, эта высота составляет 25–75 м;

• и степенная, и логарифмическая модель (и, следовательно, точность опре-деления скоростеи ветра на высотах 100 м и более) весьма чувствительны к значениям метеоданных на нижнем уровне;

• если измерения проводятся на одном уровне, то возникает вопрос о досто-вернои оценке параметра шероховатости z0. Подобные оценки проводились в многочисленных исследованиях и характеризуются значительными вари-ациями. Например, z0 для спокоинои воднои поверхности или гладкого льда по разным оценкам изменяется от 10–6 до 10–4; для равнины, луга с травяным покровом до 0.2 м вариации z0 составляют от 0.01–0.03 до 0.008. Поэтому наиболее оптимальным при проведении ветромониторинга являются изме-рения скорости ветра на разных высотах, позволяющие определять значения параметров высотного профиля.Авторы [21] в качестве возможного решения указанныи проблем предлагают

использование собственнои модели «Сэндвич», которая является двухслоинои (или трехслоинои) и определяет в этих слоях характеристики профили ветра. Базои для определения этих характеристик являются данные наземных гидро-метеостанции и сети аэрологических станции, которые в течение длительного времени вели на территории СССР высотные измерении различных метеороло-гических параметров, в том числе, скорости ветра.

Еще одним важным для оценки ресурсов и проектирования вопросом явля-ется суточная и годовая изменчивость профиля ветра. Существенным фактором формирования профилеи ветра и его изменчивости является температурная стратификация в нижнем слое атмосферы, а через нее – турбулизация воздуха.

Подробныи анализ двух исторически сложившихся направлении исследова-нии в области оценки ветроэнергетического потенциала: подход метеорологов и ветроэнергетиков, проведенныи в [22]показал несоответствие методов полу-чения и обработки данных, принятых в метеорологии, потребностям ветроэ-нергетики.


282

В частности, для ветроэнергетических оценок и проектирования ветроуста-новок остается существенная проблема отсутствия данных по повторяемости скорости ветра на значимых для ветроэнергетики высотах. В связи с этим важно рассмотреть в качестве источника данных результаты математического моделирования метеорологических величин. Моделирование прошло огромныи путь развития в связи с усовершенствованием методов предсказания погоды, решения задач океанологии и т.д. В настоящее время, как уже указывалось выше, достаточно большое количество данных моделирования и реанализа доступны на саитах специализированных научно-исследовательских организа-ции [10, 11]. В базе данных NASASSE с учетом потребностеи ветровои энерге-тики представлены массивы данных для скорости ветра на высотах 10, 50, 100, 150 и 300 м., для высоты 50 м – также значения повторяемости. Эти величины для каждои точки земнои поверхности на 1-градуснои сетке были получены в рамках проекта GoddardEarthObservingSystemModel, Version 4 (GEOS-4), которыи в качестве массива метеорологических данных включал в себя данные реанализа NOAA/NCEP/EMC. Поскольку реанализ дает компоненты скорости ветра на стандартнои высоте 10 м (срочные данные с интервалом 3 часа), в рам-ках проекта GEOS-4 с использованием карт растительности (проектGeosphereandBiosphereProject (IGBP)) были определены отношения скоростеи ветра на высотах 10 и 50 м (V10/V50) для 17 типов растительности. Полученные отноше-ния были в дальнеишем использованы для определения показателя степеннои зависимости V=V0*(H/H0)

α для каждого типа растительности и, соответственно, каждои точки земнои поверхности. В методике определения величин, входящих в массивы данных NASASSE [23], указывается, что полученные в результате верификации с наземными метеоизмерениями (по всеи территории земного шара) средние отклонения абсолютных значении среднемесячных скоростеи ветра составляют ±0,2 м/с, а среднеквадратичное отклонение – 1.3 м/с. Однако опыт проведеннои нами верификации заставляет очень осторожно подходить к этим результатам: верификация скоростеи ветра при оценках в конкретном регионе обязательна, но процедура верификации является достаточно серьез-нои проблемои. Верификация возможна по данным наземных наблюдении для высот 10 м., а для высот 50 м и более требуются данные ветромониторинга, которыи проводится в России в штучных, приемущественно в коммерческих проектах. Поэтому доступ к таким данным затруднен. Имеются, однако, откры-тые данные для проектов в некоторых, граничащих с РФ странах, выполнен-ных на средства международных организации (пример – программа создания ветрового атласа Казахстана на средства ПРООН).

ВЫВОДЫ

Проведенныи анализ показал, что оценки потенциалов солнечнои и ветро-вои энергии, а также проектирование установок сталкиваются с проблемои недостаточного количества наземных метеорологических наблюдении на нере-

283


гулярнои сетке. Проблема недостаточности данных для оценок ресурсов сол-нечнои энергии, проектирования и прогноза производительности солнечных энергоустановок в настоящее время решается путем активного развития методов математического (в том числе стохастического) моделирования и использования спутникового мониторинга состояния атмосферы. Полученные актинометри-ческие и метеорологические данные предлагаются в открытом доступе, или на условиях коммерческого договора через сеть Интернет. Форма предоставле-ния информации – исходные актинометрических данные различнои степени осреднения (многолетние средние за сутки, месяц, год; среднесуточные данные за отдельные годы), карты, результаты расчетов, в том числе энергетическои и экономическои эффективности установок и систем солнечнои энергетики с учетом специфики конкретного места (как физико-географическои, так и эко-номическои). Исходные актинометрические данные позволяют осуществлять процедуры генерации суточных и часовых последовательностеи, востребован-ных при проектировании энергоустановок. Представляется, что для территории России вполне возможным является использование в оценках и расчетах тако-го рода источников информации с проведением тщательнои и всестороннеи верификациеи данных о падающеи солнечнои радиации на основе наземных актинометрических наблюдении. Значение точных входных метеорологических и актинометрических данных возрастает при увеличении доли покрытия нагруз-ки потребителя за счет использования солнечнои фотоэлектрическои станции или коллекторов.

Недостаточность данных также привела в широкому использованию результатов восстановления данных (реанализа), спутниковых измерении, моделирования характеристик ветра на больших высотах. Несмотря на очевидные плюсы данных моделирования и – особенно – специализирован-ных баз данных, таких как NASASSE (пространственное разрешение: (1×1)º широты и долготы, обширная номенклатура данных), для обоснованного применения необходимо сравнение массивов скоростеи ветра с результатами наземных измерении на метеостанциях России. Нами проводились сравне-ния среднемесячных скоростеи ветра на высотах флюгерных измерении по данным наземных метеостанции и NASA для различных регионов страны. В ряде случаев наземные данные и результаты математического моделирования совпадают удовлетворительно (например, метеостанции Южного федераль-ного округа – Таганрог, Астрахань, Волгоград, Сочи, Маикоп). Для других метеостанции (Ставрополь, Ростов-на-Дону, Черкесск) имеет место значи-тельные расхождения, причем не только в абсолютных значениях скоростеи ветра, но и в сезонном ходе. В связи с этим для получения некоторои общеи (интегральнои) оценки ветровых характеристик территории использование базы данных NASA, по-видимому, является оправданным. Однако, применение их при «точечных» расчетах, т.е. оценки ветропотенциала и обосновании мест локального ветромониторинга требует определеннои осторожности и про-должения более углубленнои верификации.


284


1. Соловьев А.А., Варфоломеев С.Д., Безруких П.П. и др. Возобновляемые источники энергии: Курс лекции. Вып. 8 / Под редакциеи Соловьева А.А. и Киселевои С.В. – М.: Университетская книга, 2015.

2. Справочник по климату СССР. Солнечная радиация, радиационныи баланс и солнечное сияние. – Л.: Гидрометеоиздат, 1967.

3. Научно-прикладнои справочник по климату СССР. – Л.: Гидрометеоиздат,1990.4. Справочник эколого-климатологических характеристик г. Москвы (по данным Мете-

орологическои обсерватории МГУ). – Т. 1. Солнечная радиация, солнечное сияние. Метеорологические элементы и явления. Характеристики пограничного слоя атмос-феры. – М.: Изд-во Моск. Ун-та, 2003.

5. Мировои центр радиационных данных [Электронныи ресурс]. http://wrdc.mgo.rssi.ru/ wwwrootnew/wrdc_ru_new.htm (дата обращения 21.07.2016).

6. RETS creen International //Renewable energy decision support center [Электронныиресурс] – http://www.retscreen.net/ang/databases.php (дата обращения: 20.07.2016).

7. NASA Surface meteorology and Solar Energy//Atmospheric science data center. [Электронныиресурс]. https://eosweb.larc.nasa.gov/(датаобращения: 15.07.2016).

8. Meteonorm [Электронныи ресурс]. http://meteonorm.com/ (дата обращения: 18.07.2016).9. 3TIER // Renewable Energy Assessmentand Forecasting [Электронныиресурс]. http://

www.3tier.com/en/ (дата обращения: 18.07.2016).10. The NCEP/NCAR Reanalysis Project [Электронныиресурс]. http://www.cdc.noaa.gov/cdc/

reanalysis/ (датаобращения: 14.07.2016).11. ERA Interimreanaly sissystem [Электронныи ресурс]. http://apps.ecmwf.int/datasets/data/

interim_full_daily/ (дата обращения: 14.07.2016).12. Попель О.С., Фрид С.Е., Коломиец Ю.Г., Киселева С.В., Терехова Е.Н. Атлас ресурсов

солнечнои энергии на территории России. – М.: Изд-во МФТИ, 2010.13. Попель О.С., Фрид С.Е., Коломиец Ю.Г., Киселева С.В., Лисицкая Н.В. Климатические

данные для возобновляемои энергетики России (База климатических данных): Учебное пособие. – М.: Изд-во МФТИ, 2010.

14. Гридасов М.В., Нефедова Л.В., Попель О.С., Фрид С.Е. Разработка геоинформационнои системы «Возобновляемые источники энергии России»: постановка задачи и выбор методов // Теплоэнергетика. – 2011. – № 11. – С. 38–45.

15. NASASSE Methodology [Электронныиресурс]. https://eosweb.larc.nasa.gov/sse/documents/ SSE6Methodology.pdf (дата обращения: 18.07.2016).

16. SoDa // Solar Energy Services for Professionals [Электронныиресурс]. http://www.soda-is.com / eng / index.html (дата обращения: 20.07.2016).

17. SWERA // Solar and Wind Energy Resource Assessment (SWERA) [Электронныиресурс]. http://maps.nrel.gov/SWERA (дата обращения: 20.07.2016).

18. Global Atlas for Renewable energy IRENA [Электронныиресурс]. http://irena.masdar.ac.ae/# (дата обращения: 02.07.2016).

19. Климатологическии справочник СССР. Вып. 1–34. Метеорол. данные за отд. годы. – Ч. 4. Ветер. – Л.: Гидрометеоиздат, 1950–1960.

20. Борисенко М.М. Распределение ветра в нижнем 200-метровом слое атмосферы над городом. – Л.: Гидрометеоиздат, 1977.

285


21. Николаев В.Г., Ганага С.В., Кудряшов Ю.И. Национальныи кадастр вероэнергетических ресурсов России и методические основы их определения. – М.: АТМОГРАФ, 2007.

22. Игнатьев С.Г., Киселева С.В. Развитие методов оценки ветроэнергетического потенциа-ла и расчета годовои производительности ветроустановок // Международныи научныи журнал «Альтернативная энергетика и экология». – 2010. – № 10 (90). – С. 10–35.

23. Методика определения величин БД NASASSE [Электронныи ресурс]. https://eosweb.larc.nasa.gov/cgi-bin/sse/[email protected]+s07#s07 (дата обращения: 10.04. 2016).

286

SATELLITE DATABASE AND GIS PROJECTS TO ASSESS THE POTENTIAL OF RENEWABLE ENERGY SOURCES

Kiseleva S.V.1, Rafikova Yu.Yu.2, Golubeva E.I.3, Tulskaya N.I.4

Lomonosov Moscow State University, Moscow, Russia e-mail: [email protected], [email protected], [email protected], [email protected]

Abstract. Resource-saving technologies are the basis of the transition to «green» economy, which is an important element of the energy sector. Environmental problems of the use of fossil fuels can be largely solved by the wider use of renewable energy sources. Due to the natural and socio-economic characteristics, the most popular renewable energy sources can be in areas of Siberia and the Far East for the purpose of independent power energy deficient regions remote from the Unified Energy System. For our country, are very diverse landscapes and climatic conditions, and the most promising emerging areas of renewable energy for many regions appear to solar and wind energy. These energy sources are characterized by a high potential and are already used in many of the existing power supply facilities in major cities and in remote rural areas centralized network. The article discusses the possibility of using satellite databases, GIS projects, interactive atlases and other sources to assess the resource potential of wind and solar energy. Data analysis showed that solar radiation data for solar energy, and wind potential calculations, design work face the problem of insufficient number of ground-based meteorological observations. For wind energy assessments and the design of wind turbines remains a significant problem the lack of data on the repeatability of wind speeds for wind energy at significant heights. Currently, these issues are resolved through active development of mathematical methods (including stochastic) modeling and the use of satellite monitoring of atmospheric conditions.

Keywords: Renewable energy, wind, solar energy, satellite database, GIS projects.

References

1. Solov’ev A.A., Varfolomeev S.D., Bezrukih P.P., etc.Vozobnovljaemyeistochnikijenergii: Kursl-ekcij. [Renewables: Course of lectures]. Release 8. – Moscow: Universitetskajakniga, 2015 (In Russian).

2. Spravochnikpoklimatu SSSR. Solnechnajaradiacija, radiacionnyjbalansisolnechnoesijanie. [Reference book on climate of the USSR. Solar radiation, radiation balance and sunshine]. – Leningrad: Gidrometeoizdat, 1967 (In Russian).

3. Nauchno-prikladnojspravochnikpoklimatu SSSR. [Scientific and applied reference book on climate of the USSR]. – Leningrad: Gidrometeoizdat, 1990 (In Russian).

4. Spravochnik jekologo-klimatologicheskih harakteristik g. Moskvy (po dannym Meteorologich-eskoj observatorii MGU). – T. 1. Solnechnaja radiacija, solnechnoe sijanie. Meteorologicheskie jelementy i javlenija. Harakteristiki pogranichnogo sloja atmosfery. [The reference book of ekologo-climatological characteristics of Moscow (according to Meteorological observatory of MSU). – Vol. 1. Solar radiation, sunshine. Meteorological elements and phenomena. Charac-teristics of an interface of the atmosphere]. – Moscow: Izdatelstvo Moskovskogo Universiteta , 2003(In Russian).

287


5. The World Radiation Data Centre (WRDC). Available at: http: // wrdc.mgo.rssi.ru / wrdc_en_new.htm (In English).

6. RETS creen International // Renewable energy decision support center. Available at: http://www.retscreen.net/ang/databases.php (In English).

7. NASA Surface meteorology and Solar Energy//Atmospheric science data center. Available at: https://eosweb.larc.nasa.gov/ (In English).

8. Meteonorm. Available at: http://meteonorm.com/ (In English).9. 3TIER // Renewable Energy Assessmentand Forecasting. Available at: http://www.3tier.com/

en/ (In English).10. The NCEP/NCAR Reanalysis Project. Available at: http://www.cdc.noaa.gov/cdc/ reanalysis/

(In English).11. ERA Interimreanaly sissystem. Available at: http://apps.ecmwf.int/datasets/data/ interim_

full_daily/ (In English).12. Popel’ O.S., Frid S.E., Kolomiec Ju.G., Kiseleva S.V., Terehova E.N. Atlas resursovsolnechnojj-

energiinaterritoriiRossii. [The atlas of resources of solar energy in the territory of Russia]. – Moscow: Izdatelstvo MFTI, 2010 (In Russian).

13. Popel’ O.S., Frid S.E., Kolomiec Ju.G., Kiseleva S.V., Lisickaja N.V. Klimaticheskiedannyedl-javozobnovljaemojjenergetikiRossii (Bazaklimaticheskihdannyh): Uchebnoeposobie. [Climatic data for renewable power industry of Russia (Base of climatic data): Manual]. – Moscow: Izdatelstvo MFTI, 2010 (In Russian).

14. Gridasov M.V., Nefedova L.V., Popel’ O.S., Frid S.E. [Development of a geographic information system «Renewables of Russia»: problem definition and choice of methods] // Teplojenerge-tika. – 2011. – No. 11. – P. 38–45 (In Russian).

15. NASASSE Methodology. Available at: https://eosweb.larc.nasa.gov/sse/documents/SSE6Meth-odology.pdf (In English).

16. SoDa // Solar Energy Services for Professionals. Available at: http://www.soda-is.com / eng / index.html (In English).

17. SWERA // Solar and Wind Energy Resource Assessment (SWERA). Available at: http://maps.nrel.gov/SWERA (In English).

18. Global Atlas for Renewable energy IRENA. Available at: http://irena.masdar.ac.ae/# (In English).19. Klimatologicheskij spravochnik SSSR. Vypusk 1–34. Meteorologicheskie dannye za otdelnye

gody. Chast 4. Veter. [Climatological reference book USSR. Release 1–34. Meteorological data for separate years. Part 4. Wind.]. – Leningrad: Gidrometeoizdat, 1950–1960 (In Russian).

20. Borisenko M.M. Raspredelenievetra v nizhnem 200–metrovom sloe atmosferynadgorodom. [Distribution of wind in the lower 200-meter layer of the atmosphere over the city]. – Len-ingrad: Gidrometeoizdat, 1977 (In Russian).

21. Nikolaev V.G., Ganaga S.V., Kudrjashov Ju.I. Nacional’nyj kadastr verojenergeticheskih resur-sov Rossii i metodicheskie osnovy ih opredelenija. [National inventory veroenergeticheskikh of resources of Russia and methodical bases of their definition]. – Moscow: ATMOGRAF, 2007 (In Russian).

22. Ignat’ev S.G., Kiseleva S.V. 2010. [Development of methods of an assessment of wind power potential and calculation of annual production rate of wind turbines]. Mezhdunarodnyj nauchnyj zhurnal «Al’ternativnaja jenergetikai jekologija».– 2010. – No. 10 (90). – P. 10–35 (In Russian).

23. Surface meteorology and Solar Energy (SSE) Release 6.0 Methodology. Available at: https:// eosweb.larc.nasa.gov/cgi-bin/sse/[email protected]+s07#s07 (In English).

288

БЕСПИЛОТНАЯ АЭРОФОТОСЪЕМКА ДЛЯ ГЕОМОРФОМЕТРИЧЕСКОГО МОДЕЛИРОВАНИЯ

Курков В.М.1, Бляхарский Д.П.2, 3, Флоринский И.В.4 1Московский государственный университет геодезии и картографии,

г. Москва, e-mail: [email protected] 2Санкт-Петербургский государственный университет,

Институт наук о Земле, г. Санкт-Петербург 3ООО «Геоскан», г. Санкт-Петербург, e-mail: [email protected]

4Институт математических проблем биологии РАН – филиал ФИЦ «Институт прикладной математики им. М.В. Келдыша РАН»,

г. Пущино, e-mail: [email protected]

1. ВВЕДЕНИЕ

Результаты аэрофотосъемки с беспилотных летательных аппаратов (БПЛА) в последние годы все чаще используются для получения цифровых моделеи рельефа (ЦМР) высокого и сверхвысокого разрешения [1]. Для получения адек-ватных ЦМР при съемке и обработке стереопар требуется учитывать специфику технических характеристик БПЛА и используемых оптических и навигационных систем. В противном случае пользователь рискует получить ЦМР низкого каче-ства, содержащие артефакты, в частности, из-за систематических ошибок [2].

К ЦМР могут предъявляться дополнительные требования по качеству и точ-ности, если ЦМР является не конечным продуктом, а используется для даль-неишего геоморфометрического моделирования [3, 4]. Это связано с рядом факторов. Во-первых, в основе расчета локальных, солярных и комбинированных морфометрических величин лежит вычисление первых и вторых производных высоты, которые существенно усиливают случаиные ошибки – высокочастотныи шум в ЦМР, практически незаметныи при картографировании высот. Во-вторых, в процессе расчета нелокальных и комбинированных морфометрических вели-чин, выполняемого методами маршрутизации потоков, в моделях накапливаются ошибки вычислении, зависящие от пространственного распределения случаиных и систематических ошибок в ЦМР. В-третьих, ошибки морфометрических вычис-лении (в том числе – из-за ошибок в ЦМР) приводит к ошибкам в почвенных, гидрологических и др. прогнозных моделях, создаваемых на основе геоморфо-метрического моделирования.

В даннои статье приводятся первые результаты исследования по выработке рекомендации по созданию ЦМР высокого разрешения, предназначенных для геоморфометрического моделирования, на основе аэрофотосъемки с БПЛА. Работа ведется на базе специализированного исследовательского полигона МИИ-ГАиК в Заокском раионе Тульскои области. Для тестирования выбран участок

289


долины реки Скнига, расположенныи между Заокским учебным геополигоном МИИГАиК и деревнеи Костино, с размерами около 1700´ 1870 м, ограниченныи 37,395° в.д. и 37,419° в.д.; 54,826° с.ш. и 54,842° с.ш.; перепад высот около 86 м.

2. ХАРАКТЕРИСТИКА ПОЛИГОНА

Специализированныи исследовательскии полигон МИИГАиК предназначен для разработки и оценки технологии картографирования и мониторинга тер-ритории с использованием аэрофотосъемочных комплексов, установленных на БПЛА [5, 6]. На территории полигона имеются лесные массивы, различные гидро-графические объекты, многообразные формы рельефа, сельскохозяиственные угодья и производственные объекты. В пределах полигона расположены насе-ленные пункты (поселок городского типа, деревни и дачные поселки), железные, шоссеиные, проселочные и полевые дороги, линии электропередачи различного напряжения и трубопроводы.

Общая площадь территории полигона составляет 200 км2. В качестве геоде-зического обоснования в локальнои системе координат определены 23 пункта геодезическои сети и 340 опознаков, из которых 47 высотных, остальные 293 – планово-высотные, из них замаркированы 72 опознака. Точность определения точек геодезического обоснования 2–3 см в плане, 3–4 см по высоте. Все точки геодезического обоснования занесены в базу данных, созданную на платформе MapInfo, и имеют паспорта с указанием координат и места расположения. Раз-личная плотность расположения опознаков на территории полигона позволяет проводить испытательные полеты различных типов аэрофотосъемочных ком-плексов с надежнои оценкои качества полученных документов о местности.

Кроме этого, в качестве контрольных материалов: 1) выполнена наземная тахеометрическая съемка масштаба 1: 1000 с сечением рельефа 1 м на площади 19 га; 2) с помощью кинематическои ГНСС съемки в режиме «стою–иду» на площади 6 га получена ЦМР с разрешением 10 м и точностью определения высот 4 см, что позволяет стоить горизонтали с сечением 0,5 м; 3) выполнено воздушное лазерное сканирование на площади 10 км2 с точностью определения высот 15 см.

3. АЭРОФОТОСЪЕМКА

Аэрофотосъемка выполнена компаниеи «Геоскан» 29 июня 2016 года. Исполь-зовалась беспилотная аэрофотосъемочная система (БАС) «Геоскан 101» [7].

БАС «Геоскан 101» относится к типу «летающее крыло» (рис. 1). Размах крыла 130 см, взлетныи вес 2,5 кг. Старт осуществляется с катапульты, посадка выпол-няется на парашюте. Продолжительность полета до 1 ч с креисерскои скоростью 72 км/ч. Ограничения по скорости ветра при взлете – до 10 м/с, во время полета – до 20 м/с. Модель оснащена электрическим двигателем. На борту имеется модем телеметрическои связи с наземнои станциеи управления (НСУ) на частоте 867,8 МГц; по каналу связи можно управлять полетом.


290

Рис. 1. «Геоскан 101», вид сбоку и снизу

БАС оснащена фотокамерои Sony DSC-RX1 (объектив Carl Zeiss Vario Sonnar T, фокусное расстояние 35 мм, матрица 35,8×23,9 мм, 6000×4000 пикселеи, размер пикселя 6 мкм, центральныи затвор). Камера расположена поперек маршрута. Полет выполняется со следующими настроиками камеры: приоритет выдержки (для солнечнои погоды 1/1000 с, для пасмурнои 1/800 с), размер диафрагмы и ISO подбираются автоматически; снимки записываются в формате JPEG. Перед установкои на БАС в камере меняется схема питания, разбирается объектив и фиксируется положение линз для фокусировки на бесконечность.

Для учета геометрических искажении, вызванных дисторсиеи, выполне-ны: 1) лабораторная фотограмметрическая калибровка камеры, и 2) полевая калибровка камеры на испытательном полигоне. Для лабораторнои фото-грамметрическои калибровки использовался пространственныи тест-объект и специализированное программное обеспечение, разработанные на кафедре фотограмметрии МИИГАиК [8]. Для полевои калибровки использовался участок полигона размером 1×1 км с перепадом высот 80 м, где расположен 51 марки-рованныи опознак. Параметры фотограмметрическои дисторсии определялись в результате выполнения фототриангуляции с самокалибровкои [8].

291


Полет «Геоскан–101» проходит в автоматическом режиме с помощью автопи-лота [7]. В НСУ создается полетное задание путем выбора контура снимаемого участка и заданием параметров полета. Основным параметром съемки является перекрытие между кадрами, выраженное в процентах. При традиционнои аэро-фотосъемке минимальное необходимое продольное и поперечное перекрытие принимается равным 60 % и 30 %, соответственно [9]. При использовании БПЛА возрастает вероятность возникновения участков без перекрытия, поэтому уста-навливается избыточное перекрытие: 70 % продольное и 50 % поперечное. Затем устанавливается один из трех взаимосвязанных параметров: пространственное разрешение, высота полета и расстояние между маршрутами. После задания перекрытия и одного из указанных параметров, программа автоматически рассчитывает маршруты полета и координаты, в которых должна срабатывать камера.

Для определения высокоточных центров проекции на борту установлен приемник Topcon (GPS + ГЛОНАСС, L1 + L2). На базовои станции установлен приемник Javad Prego Lite (GPS + ГЛОНАСС, L1 + L2, антенна MarAnt+).

При проведении исследования полет выполнялся с построением маршрутов «крест на крест» и ориентациеи по сторонам горизонта (север–юг, запад–восток). Характеристика проведеннои аэрофотосъемки: средняя высота съемки – 310 м, площадь – 1,01 км2, разрешение – 5,13 см. Для съемки тестового участка выпол-нено 13 маршрутов, 319 снимков (рис. 2).

Рис. 2. Схема аэрофотосъемки тестового участка.Синие полосы – перекрывающиеся снимки вдоль маршрутов;

вертикальные линии – позиции съемки


292

4. ОБРАБОТКА СНИМКОВ

Процесс обработки снимков состоит из двух этапов: 1) постобработка изме-рении бортового ГНСС, установленного в БАС, относительно базовои станции; и 2) фотограмметрическая обработка материалов съемки.

Для постобработки измерении бортового ГНСС использовалось программное обеспечение Pinnacle. Было проведено совмещение снимков с соответствующими им координатами центров фотографирования. Полученные координаты центров проекции используются в дальнеишеи обработке. Точность определения центров проекции при съемке тестового участка показана на рис. 3 и в табл. 1.

Рис. 3. Ортофотоплан тестового участка: ошибка определения центров проекции. Цвет и размер эллипса соответствуют ошибкам по высоте

и в плане, соответственно. Черные точки – рассчитанные позиции съемки; белые кресты – наземные маркированные опознаки

293


Таблица 1Средняя ошибка определения центров проекции (м)

Ошибка X Ошибка Y Ошибка XY Ошибка Z Общая ошибка0.132 0.040 0.138 0.028 0.140

Таблица 2Точность построения фототриангуляции

Ошибка XY(м)

Ошибка Z(м) Вектор ошибки (м) Ошибка измерения на

снимке (пикс)0.034 0.044 0.056 0.16

Для оценки точности построения фототриангуляции в качестве контроль-ных точек использовались 45 наземных маркированных опознаков (рис. 3), распределенных по всему блоку. Высокая точность построения фототриангу-ляции (табл. 2), соизмеримая с размером пикселя на земле – 5 см, обусловлена использованием калибровки камеры, определением высокоточных центров проекции и строгими оригинальными алгоритмами фотограмметрическои обработки. Это дает основание полагать, что последующая фотограмметриче-ская обработка с целью получения ЦМР по точности должна быть в пределах 1–2 пикселеи исходного снимка.

Для фотограмметрическои обработки материалов съемки использовался программныи комплекс Agisoft PhotoScan Professional 1.2.5 [10], в котором реализована совокупность методов традиционнои фотограмметрии [11, 12] и подхода Structure from Motion (SfM) [13–15]. В основе обработки снимков лежит алгоритм, разработанныи компаниеи Agisoft LLC [16]. Анализируются яркостные характеристики снимков, благодаря чему определяется большое коли-чество соответствующих точек на перекрывающихся снимках. По этим точкам возможно определение элементов ориентирования снимков во время съемки и элементов дисторсии объектива. Задав какую-либо привязку в виде наземных опорных точек и/или координат центров фотографирования, вся система сним-ков становится метрически измеряемои. Сгустив на основании всех полученных элементов облако соответствующих точек до плотного облака точек, получаем нерегулярную модель поверхности в виде точек. По имеющемуся плотному обла-ку с помощью линеинои интерполяции можно построить регулярную цифровую модель поверхности.

Получив плотное облако точек (рис. 4А) цифровои модели поверхности, мож-но построить ЦМР с помощью алгоритма классификации, разработанного ком-паниеи Agisoft LLC [16]. Классификация заключается в анализе плотного облака точек. Область съемки разбивается на квадраты заданного размера (обычно от 50 до 100 м) и делается предположение, что самая низкая точка в квадрате – это точка рельефа. Получив некоторое количество точек рельефа, выполняется интерполирование между ними, в качестве результата служит некая поверх-


294

ность – первое приближение рельефа. Затем выполняется дальнеишии анализ всего массива точек относительно рассчитаннои поверхности. К каждои точке поверхности «строится виртуальныи луч»; задав его длину и угол над поверхно-стью, выполняется анализ точек. Все точки, попавшие под луч, относятся к классу точек «земля», а все точки выше луча – к классу точек «не назначенные». Тем самым возможно удалить группы точек, относящиеся к растительному покро-ву и строениям (рис. 4Б). Так как в основе построения плотного облака лежит вероятностныи подход, существует группа точек, которая относится к классу «нижнего шума» (точки находятся под поверхностью). Поэтому до классифика-ции обычно проводится фильтрация облака точек фильтром медианного типа. Параметры классификации (размер ячеики, угол и длина луча) подбираются индивидуально для каждого типа рельефа.

Рис. 4. Фрагмент тестового участка: плотное облако точек. (А) неклассифицированное облако; (Б) классифицированное облако:

коричневым цветом обозначены точки класса «земля», белым цветом – «не назначенные» и «нижний шум».

Флажки – маркированные опознаки

295


В рамках данного исследования для тестового участка строились ЦМР с раз-личным разрешением: 5 см (максимально возможное), 20 см и 1 м. В частности, применялась «средняя» плотность точек, позволившая определить высоты для каждого 4-го пикселя. В этом случае разрешение полученнои ЦМР (рис. 5) составляет, соответственно, 20 см.

Рис. 5. ЦМР тестового участка. Рамка – границы фрагмента тестового участка,

использованного для геоморфометрического моделирования; пунсоны – наземные маркированные опознаки

5. ГЕОМОРФОМЕТРИЧЕСКОЕ МОДЕЛИРОВАНИЕ

Для геоморфометрического моделирования использовался фрагмент ЦМР тестового участка (рис. 5), включающии в себя правобережныи оползневыи склон долины реки Скнига (54,837° с.ш.; 37,405° в.д.) с размерами около 310×240 м и перепадом высот около 41 м.


296

Фрагмент ЦМР (рис. 6) представляет собои матрицу 1510×1172 с разрешением 20 см и включает в себя 1 201 311 точек с измеренными значениями высоты (для 568 409 точек матрицы высоты не определялись).

Выполнена оценка точности фрагмента ЦМР (табл. 3). Для этих целеи исполь-зовались 7 контрольных точек с известными плановыми координатами и высо-тами; контрольные точки равномерно распределены в пределах фрагмента тестового участка (рис. 5). Средняя ошибка составляет –0,09 м, что составляет 0,24 % диапазона высот данного фрагмента ЦМР. Ошибка носит систематическии характер и, видимо, связана с влиянием травяного покрова: контрольные точки находятся на земле, а достаточно низкая трава при классификации не может быть отсечена и приписывается к точкам класса «земля».

Для аппроксимации высоты (рис. 6) и расчета серии локальных морфо-метрических величин (рис. 7) был применен универсальныи спектрально-аналитическии метод моделирования рельефа [17]. Метод предназначен для обработки регулярных ЦМР в рамках единои схемы, включающеи глобальную аппроксимацию ЦМР, генерализацию, подавление шума, а также расчет частных производных высоты и морфометрических характеристик. Метод основан на ортогональных разложениях высокого порядка с использованием полиномов Чебышева с последующим суммированием Феиера.

Расчеты проведены с использованием 500 коэффициентов разложения (по каждои оси координат). Были рассчитаны следующие локальные морфометриче-ские величины [3, 4]: крутизна склона, горизонтальная, вертикальная, минималь-ная и максимальная кривизны (рис. 7). Так как кривизны поверхности обладают широким динамическим диапазоном, для адекватнои визуализации их модели были логарифмически преобразованы (формулу преобразования см. [3, p. 244]). Обработка и визуализация данных осуществлены в пакете Matlab R2008b.

Таблица 3Контроль точности фрагмента ЦМР

Контрольная точка

Отметка из каталога(м)

Отметка из ЦМР(м) Расхождение (м)

ОР08 161,58 161,66 –0,08

ОР01 159,96 160,00 –0,04

KL05 141,42 141,56 –0,14

KL09 138,07 138,15 –0,08

KL06 153,50 153,63 –0,13

KL10 165,09 165,15 –0,06

OP09 173,32 173,39 –0,07

Средняя ошибка –0,09

297


Рис. 6. Фрагмент тестового участка: высота

6. ОБСУЖДЕНИЕ И ЗАКЛЮЧЕНИЕ

Анализ полученных морфометрических моделеи и карт (рис. 7) показывает, что они адекватно отражают особенности микрорельефа участка. В частности, горизонтальная кривизна выявляет микропотоковые структуры (рис. 7Б), а вертикальная кривизна – микротеррасы (рис. 7В). Полученные модели могут использоваться в детальных почвенных исследованиях и при изучении склоно-вых процессов.

Отметим, что на морфометрических картах отсутствуют артефакты из-за возможнои некорректнои фотограмметрическои обработки и следы высоко-частотного шума. Вместе с тем, заметны краевые эффекты, которые неизбежны при вычислениях такого рода.

Использованные параметры съемки и обработки данных могут быть взяты за основу при разработке рекомендации по созданию ЦМР высокого разрешения для геоморфометрии. На основании выполненных экспериментов можно сфор-мулировать ряд рекомендации по выбору съемочнои камеры, требования к БАС, организации и выполнению аэрофотосъемки, фотограмметрическои постобра-ботке аэрофотоснимков с целью получения адекватнои ЦМР для дальнеишего ее использования в геоморфометрическом моделировании.

Съемочная камера должна иметь центральныи затвор. Использование камер с ламельным затвором, которыи при выполнении аэрофотосъемки приводит к шторно-щелевому эффекту, не рекомендуется [18], поскольку это ведет к гео-


298

метрическим искажениям цен-тральнои проекции кадрового снимка и, как следствие, потере точности при строгои фотограм-метрическои обработке.

Размер пикселя матрицы съе-мочнои камеры должен быть не меньше 4–5 мкм. В противном случае изобразительное каче-ство полученных снимков суще-ственно снижается, что приво-дит к ухудшению распознавания объектов на снимках – как визу-ального, так и машинного.

Рекомендуется использовать калиброванные съемочные каме-ры с известными параметрами фотограмметрическои дистор-сии, полученные в результате лабораторнои и/или полевои калибровки. Использование опции самокалибровки, кото-рая существует практически во всех цифровых фотограм-метрических системах (ЦФС) без достаточного количества опорных данных (точных цен-тров проекции и наземного обоснования) может привести к искажению построеннои фото-грамметрическои модели в силу корреляционных связеи элемен-тов внешнего ориентирования снимков и параметров внутрен-него ориентирования, включая параметры фотограмметриче-скои дисторсии.

Требования к БАС, орга-низации и выполнению аэро-фотосъемки. Рекомендуется использовать БАС, которые в состоянии обеспечить выпол-нение площаднои аэрофото-

Рис. 7. Фрагмент тестового участка: (А) крутизна склона;

(Б) горизонтальная кривизна; (В) вертикальная кривизна

299


съемки с гарантированным продольным и поперечным перекрытием не меньше 60 % и 30 %, соответственно. При этом важен учет погодных условии (в основном, силы и направления ветра).

Для получения хорошего фотометрического качества аэрофотоснимков, кро-ме упомянутого размера пикселя матрицы, следует соотносить время выдержки со скоростью носителя, чтобы избежать эффекта смаза изображения. При этом не следует увлекаться повышением ISO, поскольку это приводит к появлению шума на изображении и ухудшает изобразительные своиства снимков.

Рекомендуется использовать на борту носителя ГНCС приемники геодезиче-ского класса и наземные базовые станции для определения в дифференциальном режиме высокоточных координат центров проекции. Это сокращает объем дорогостоящих полевых работ и обеспечивает опорным обоснованием выпол-нение самокалибровки с устоичивым и надежным определением параметров съемочнои камеры.

Фотограмметрическая обработка снимков с целью получения ЦМР. После появления алгоритмов, позволяющих получать плотное облако точек, практи-чески во всех ЦФС появились различные версии таких алгоритмов. Результатом их использования является набор нерегулярных пикетов, которые покрывают всю поверхность, видимую на аэрофотоснимках (дома, деревья, землю и т.д.), исключая мертвые зоны.

Для решения нашеи задачи – выделения из этои массы точек только тех, которые находятся на поверхности земли – требуется применять алгоритмы фильтрации «ненужных» объектов или классификации точек; кроме этого необ-ходимо исключить «нижнии шум». Эта нетривиальная задача в различных ЦФС решается по-разному и с различнои степенью правдоподобия. Многое зависит от «правильного» выбора параметров фильтрации, отвечающих особенностям конкретного типа местности.

Полностью автоматизировать этот процесс пока не удалось. После авто-матическои фильтрации плотного облака остаются артефакты. В ходе наших экспериментов они проявились на некоторых участках (заросшие русла рек и овраги, обширные лесные массивы). Практически незаметные на картах высот, эти артефакты доминируют на морфометрических картах после расчета част-ных производных высоты. В этои связи, для получения адекватнои ЦМР может потребоваться ручное редактирование в стереорежиме. Поэтому рекомендуется использовать ЦФС с возможностью стереоредактирования полученнои ЦМР.


1. Colomina I., Molina P. Unmanned aerial systems for photogrammetry and remote sensing: A review // ISPRS Journal of Photogrammetry and Remote Sensing. – 2014. – Vol. 92. – P. 79–97.

2. James M.R., Robson S. Mitigating systematic error in topographic models derived from UAV and ground-based image networks // Earth Surface Processes and Landforms. – 2014. – Vol. 39. – No. 10. – P. 1413–1420.


300

3. Florinsky I.V. Digital Terrain Analysis in Soil Science and Geology. – 2nd ed. – Amsterdam: Academic Press, 2016. – 486 p.

4. Флоринский И.В. Иллюстрированное введение в геоморфометрию // Альманах Про-странство и время. – 2016. – Т. 11. – Вып. 1. – 20 с.

5. Курков В.М. Опыт работы по тестированию аэрофотосъемочных комплексов на испы-тательном полигоне МИИГАиК // Геопространственные технологии и сферы их при-менения (10-я Международная научно-практическая конференция, Москва, 14–15 окт. 2014 г.). – М.: Проспект, 2014. – С. 34–48.

6. Курков В.М., Чибуничев А.Г., Гречищев А.В. Тестирование аэрофотосъемочных комплек-сов на испытательном полигоне МИИГАиК при внедрении инновационных технологии в топографо-геодезическое производство // Экология, экономика, информатика. – Т. 3: Геоинформационные технологии и космическии мониторинг. – Ростов н/Д: Изд-во ЮФУ, 2015. – С. 71–81.

7. Иноземцев Д.П. Автоматизированная аэрофотосъёмка с помощью программно-аппа-ратного комплекса «GeoScan–PhotoScan» // САПР и ГИС автомобильных дорог. – 2014. – № 1 (2). – С. 46–51.

8. Чибуничев А.Г., Курков В.М., Говоров А.В., Смирнов А.В., Михалин В.А. Исследование точности фототриангуляции с использованием различных методов лабораторнои и полевои калибровки // Известия вузов. Геодезия и аэрофотосъемка. – 2016. – № 2. – С. 42–47.

9. Лобанов А.Н. Фотограмметрия. – 2-е изд., перераб. доп. – М.: Недра, 1984. – 552 с.10. Руководство пользователя Agisoft PhotoScan: Professional Edition, версия 1.2. – СПб.:

Agisoft LLC, 2016. – 110 с.11. Kraus K. Photogrammetry: Geometry from Images and Laser Scans. – 2nd ed. – Berlin: de

Gruyter, 2007. – 459 p.12. Михайлов А.П., Чибуничев А.Г. Фотограмметрия. – М.: Изд-во МИИГАиК, 2016. – 294 с.13. Hirschmüller H. Stereo processing by semiglobal matching and mutual information // IEEE

Transactions on Pattern Analysis and Machine Intelligence. – 2008. – Vol. 30. – No. 2. – P. 328–341.

14. Fonstad M.A., Dietrich J.T., Courville B.C., Jensen J.L., Carbonneau P.E. Topographic struc-ture from motion: A new development in photogrammetric measurement // Earth Surface Processes and Landforms. – 2013. – Vol. 38. – No. 4. – P. 421–430.

15. Smith M.W., Carrivick J.L., Quincey D.J. Structure from motion photogrammetry in physical geography // Progress in Physical Geography. – 2016. – Vol. 40. – No. 2. – P. 247–275.

16. Семенов А.Е., Крюков Е.В., Рыкованов Д.П., Семенов Д.А. Практическое применение технологии компьютерного зрения в решении задач распознавания, восстановления 3D, сшивки карт, точного целеуказания, счисления пути и навигации // Известия ЮФУ.Технические науки. – 2010. – № 3 (104). – С. 92–102.

17. Florinsky I.V., Pankratov A.N. A universal spectral analytical method for digital terrain modeling // International Journal of Geographical Information Science. – 2016. – Vol. 30. – doi: 10.1080 / 13658816.2016.1188932.

18. Михайлов А.П., Эдгар Рубен М.А., Мануэль де Хесус П.В. О применении цифровых фотокамер со шторно-щелевым затвором для выполнения аэрофотосъемки с легко-моторных и беспилотных летательных аппаратов // Известия вузов. Геодезия и аэро-фотосъемка. – 2013. – № 4. – С. 30–32.

301


UNMANNED AERIAL SURVEYING FOR GEOMORPHOMETRIC MODELLING

Kurkov V.M.1, Bliakharskii D.P.2, 3, Florinsky I.V.4

1Moscow State University of Geodesy and Cartography, Moscow, Russia e-mail: [email protected]

2St. Petersburg State University, Institute of Earth Sciences, St. Petersburg, Russia 3Geoscan Ltd, St. Petersburg, Russia e-mail: [email protected]

4Institute of Mathematical Problems of Biology, the Keldysh Institute of Applied Mathematics, Russian Academy of Sciences, Pushchino, Russia e-mail: [email protected]

Abstract. We study possibilities of aerial surveying using unmanned aerial vehicles (UAV) to produce high-resolution digital elevation models (DEMs) for geomorphometric modelling. The study is conducted at the specialized research testing ground of the Moscow State University of Geodesy and Cartography in the Zaoksky District, Tula Region, Russia. To carry out aerial survey of a test area, we used a UAV ‘Geoscan-101’ equipped with a camera Sony DSC-RX1 and a GNSS receiver Topcon. Aerial photos were processed by softwares Pinnacle and Agisoft PhotoScan Professional. The accuracy of phototriangulation obtained is comparable with the pixel size at the ground (i.e., 5 cm). Applying an algorithm for dense cloud classification, we generated DEMs of the test area with cell sizes of 5 cm, 20 cm, and 1 m. For a portion of the DEM with the cell size of 20 cm, we estimated its elevation accuracy using ground control points. The mean elevation error was –9 cm, that is, 0,24 % of the elevation range within the DEM portion. It is the systematic error connected with the influence of the grass cover. Using a universal spectral analytical method, we derived models of the following morphometric variables from the DEM: slope gradient, horizontal, vertical, minimal, and maximal curvatures. Finally, we discuss technical requirements for UAV, aerial surveying equipment, and software, which can provide accuracy and quality required for DEMs intended for geomorphometric modelling.

Keywords: UAV, Unmanned aerial system, Digital photogrammetry, Structure from motion, Geomorphometry, Digital terrain modelling, Digital elevation model, Universal spectral analytical method.

References

1. Colomina I., Molina P. Unmanned aerial systems for photogrammetry and remote sensing: A review // ISPRS Journal of Photogrammetry and Remote Sensing. – 2014. – Vol. 92. – P. 79–97 (in English).

2. James M.R., Robson S. Mitigating systematic error in topographic models derived from UAV and ground-based image networks // Earth Surface Processes and Landforms. – 2014. – Vol. 39. – No. 10. – P. 1413–1420 (in English).

3. Florinsky I.V. Digital Terrain Analysis in Soil Science and Geology. – 2nd ed. – Amsterdam: Academic Press, 2016. – 486 p. (in English).

4. Florinsky I.V. An illustrated introduction to geomorphometry // Almamac ‘Space and Time’. – 2016. – No. 11 (1). – 20 p. (in Russian).


302

5. Kurkov V.M. Work experience on testing of aerial survey complexes on the testing ground of MIIGAiK / Geospacial Techniques and Spheres of Their Application: 10th International Scientific Practical Conference Moscow, Russia, 14–15 Oct. 2014. – Moscow: Prospect, 2014. – P. 34–48 (in Russian).

6. Kurkov V.M., Chibunicev A.G., Grechishev A.V. Testing aerial survey complexes on the testing ground of the Moscow Institute of Engineers of Geodesy, Aerial Surveying and Cartography with the introduction of innovation technologies into the topographical geodesic produc-tion // Ecology, Economy, Informatics. – Vol. 3. Geoinformation Technologies and Space Monitoring / G.G. Matishov (Ed.). – Rostov on Don: Southern Federal University Publishers, 2015. – P. 71–81 (in Russian).

7. Inozemtsev D.P. Aerial photography by means of hardware–software solution GeoScan–Pho-toScan // CAD & GIS for Roads. – 2014. – No. 1 (2). – P. 46–51 (in Russian).

8. Chibunichev A.G., Kurkov V.M, Govorov A.V., Smirnov A.V, Mikhalin V.A. Study of accuracy in phototriangulation using various laboratory and field calibrating methods // Izvestia Vuzov. Geodesy and Aerophotography. – 2016. – No. 2. – P. 42–47 (in Russian).

9. Lobanov A.N. Photogrammetry, 2nd enl. rev. ed. – Moscow: Nedra. 1984. – 552 p. (in Russian).10. Agisoft PhotoScan User Manual: Professional Edition, Version 1.2. – St. Petersburg: Agisoft

LLC, 2016. – 96 p. (in English).11. Kraus K. Photogrammetry: Geometry from Images and Laser Scans. – 2nd ed. – Berlin: de

Gruyter, 2007. – 459 p. (in English).12. Mikhalov A.P., Chibunichev A.G. Photogrammetry. – Moscow: MIIGAiK, 2016. – 294 p. (in

Russian).13. Hirschmüller H. Stereo processing by semiglobal matching and mutual information // IEEE

Transactions on Pattern Analysis and Machine Intelligence. – 2008. – Vol. 30. – No. 2. – P. 328–341 (in English).

14. Fonstad M.A., Dietrich J.T., Courville B.C., Jensen J.L., Carbonneau P.E. Topographic struc-ture from motion: A new development in photogrammetric measurement // Earth Surface Processes and Landforms. – 2013. – Vol. 38. – No. 4. – P. 421–430 (in English).

15. Smith M.W., Carrivick J.L., Quincey D.J. Structure from motion photogrammetry in physical geography // Progress in Physical Geography. – 2016. – Vol. 40. – No. 2. – P. 247–275 (in English).

16. Semenov A.E., Kryukov E.V., Rykovanov D.P., Semenov D.A. Computer vision techniques for recognition, 3D extraction, map stitching, targeting and navigation // Izvestiya SFedU. Engineering Sciences. – 2010. – No. 3 (104)& – P. 92–102 (in Russian).

17. Florinsky I.V., Pankratov A.N. A universal spectral analytical method for digital terrain modeling // International Journal of Geographical Information Science. – 2016. – Vol. 30. doi:10.1080 / 13658816.2016.1188932 (in English).

18. Mikhalov A.P., Edgar Ruben M.A., Manuel de Jesus P.V. On the use of digital photo cameras with focal-plane shutter for aerial photography with light-motor unmanned aerial vehicles // Izvestia Vuzov. Geodesy and Aerophotography. – 2013. – No. 4. – P. 30–32 (in Russian).

303

ВОЗМОЖНОСТИ ГЕОИНФОРМАЦИОННЫХ СИСТЕМ И ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ В РАСТЕНИЕВОДСТВЕ И ЛЕСОВОДСТВЕ

Лемешко Т.Б.Российский государственный аграрный университет – Московская сельскохозяйственная академия имени К.А. Тимирязева, г. Москва


Аннотация. В статье представлен обзор перспективных информационных технологий, позволяющих выполнять оценку и мониторинг в растениеводстве и лесоводстве, а также исследования ведущих специалистов и молодых ученых по геоинформационным технологиям и космическому мониторингу. В работе описывается актуальность методов ГИС И ДЗЗ в прове-дении оценки состояния сельскохозяйственных посевов и лесных покровов, спутниковая тех-нология мониторинга MODIS, LandSat-8, сервис ВЕГА, онлайн сервис «КосмосАгро», применение беспилотных летательных аппаратов (БПЛА) для съемки земной поверхности, вегетационный индекс NDVI для оценки растительного покрова, программный комплекс ArcGIS, web-ГИС и др. В качестве объекта исследования рассматриваются опытные поля Тимирязевской академии, где сохраняется и продолжается старейший 100-летний стационарный полевой многофак-торный опыт, а также Тимирязевский парк (большой лесной массив), история которого насчи-тывает несколько столетий. Сформулирована цель дальнейшего исследования – проведение комплексной оценки туристско-рекреационного потенциала Тимирязевского парка (леса) с использованием методов ГИС и ДЗЗ для определения перспективных направлений его раз-вития. Поставлена задача – рассмотреть факторы, влияющие на формирование туристического потенциала (гидрометеорологические, геолого-геоморфологические, биологические, культурно-исторические, инфраструктурные, ограничивающие), а также применить современные методы дистанционного зондирования оценки лесного покрова.

Ключевые слова: геоинформационные системы, дистанционное зондирование, монито-ринг, оценка, сельскохозяйственный посев, растительный и почвенный покров.

В настоящее время в растениеводстве актуальнои остается задача развития технологии «точного земледелия», оценки и мониторинга состояния сельскохо-зяиственных посевов и земель.

Решение даннои задачи невозможно представить без современного инфор-мационного обеспечения, информационных технологии и систем, применения технологии ГИС (геоинформационных систем) и дистанционного зондирования Земли (ДЗЗ).

Современные технологии дистанционного зондирования (искусственныи спутник Земли Landsat, MODIS, RapidEye и др., программа дешифрования и ана-лиза спутниковых снимков ERDAS IMAGINE, ENVI) и геоинформационного картографирования (семеиство продуктов ArcGIS компании ESRI; QGIS, gvSIG, MapInfo Professional, Web-ГИС и др.) позволяют проводить анализ современно-


304

го ландшафтно-экологического состояния проектируемои территории, оценку динамики растительного и почвенного покрова. Они являются эффективным инструментом при выполнении работ по ландшафтному планированию и функ-циональному зонированию, позволяют оперативно анализировать большои объем тематических карт, разрабатывать новые картографические модели на заданные сценарии, выполнять пространственную оценку состояния сельско-хозяиственных посевов.

Сегодня предлагают новые высокотехнологичные подходы к организации землепользования. Для сельского хозяиства в 2014 году введен в эксплуатацию онлаин сервис «КосмосАгро» для мониторинга посевов сельскохозяиственных культур с помощью космическои съемки. Мониторинг сельскохозяиственнои деятельности может осуществляться в разрезе хозяиства, раиона, субъекта РФ. Облачныи онлаин-сервис «КосмосАгро» – это инструмент для мониторинга результатов сельскохозяиственнои деятельности.

Сельхозпроизводителям сервис позволяет оценивать состояние посевов, эффективность агротехнических и агромелиоративных мероприятии, повышать урожаиность, снижать затраты на производство продукции.

Сервис «КосмосАгро» в режиме реального времени:– предоставляет доступ к высокодетальным космическим снимкам базового

слоя;– предоставляет доступ к электроннои карте полеи;– предоставляет одно- и двухнедельные результаты мониторинга посевов в виде

космического снимка, и в виде слоя индекса NDVI на каждое поле на любои территории в РФ [1].«Космос-Агро» содержит базовые космические снимки высокого разрешения,

результаты их тематического анализа и оперативно обновляемые данные мони-торинга, которые размещаются в информационнои системе с доступом через интернет. Это позволяет проводить анализ исходных данных дистанционного зондирования Земли и использовать результаты их обработки, представленные в виде значении вегетационных индексов, оценки состояния сельскохозяиствен-ных угодии для любои территории России.

Сервис позволяет осуществлять оперативныи контроль состояния сельско-хозяиственных земель, проведение сезонных полевых работ, таких как посевная, обработка посевов, уборка урожая, выявлять неиспользуемые сельскохозяиствен-ные угодья и многое другое.

Для анализа состояния полеи могут быть использованы актуальные и архив-ные мультиспектральные данные: среднего (20–30 м) пространственного разрешения для определения состояния сельхозугодии: SPOT 4, Formosat-2, LANDSAT-5, DMC-2, IRS-P6(AWiFS); данные более высокого (1–6 м) разре-шения для уточнения границ полеи: мозаики IRS-P6(6 м), SPOT 5 (2,5–5 м), Cartosat-1, EROS-А,B, GeoEye, IKONOS, QuickBird [1].

Использование данных дистанционного зондирования Земли (ДЗЗ) и ГИС в сельскохозяиственном производстве связано с решением таких задач [2; 3], как:

305


– оценка трендов деградации / проградации растительного покрова сельскохо-зяиственных земель;

– оценка почвенно-мелиоративного состояния мелиорированных земель;– эколого-географическая оценка благоприятности земель для аграрного осво-

ения;– оценка урожаиности культур с использованием вегетационного индекса

NDVI;– оценка изменчивости растительного покрова по данным дистанционного

зондирования Земли;– использование данных Landsat для дешифрирования антропогенных структур

почвенного покрова конкретнои области;– идентификация полеи на основе снимков Landsat, находящихся в состоянии

чистого пара, их типизация на основе продуктов MOD13Q1;– инвентаризация сельхозугодии; выделение участков, подверженных эрозии,

заболачиванию, засоленности, опустыниванию;– разноуровневыи контроль всхожести посевов и их текущего состояния;– отслеживание темпов уборки урожая различных культур, прогнозирование

их урожаиности;– идентификация (распознавание) вида сельскохозяиственнои культуры.

В последние годы эти данные все больше используются в исследованиях, позволяющих прогнозировать урожаиность сельскохозяиственных культур.

Спутниковыи мониторинг посевов – технология онлаин наблюдения за изменениями индекса вегетации, полученных с помощью спектрального ана-лиза спутниковых снимков высокого разрешения, на отдельных полях или для отдельных сельскохозяиственных культур, которое позволяет отслеживать пози-тивные и негативные динамики развития растении. Разница в динамике индекса вегетации сообщает о диспропорциях в развитии в пределах однои культуры или поля, что свидетельствует о необходимости проведения дополнительных сельскохозяиственных работ на отдельных участках [4].

Технологию спутникового мониторинга посевов используют агрономы и менеджмент агрокомпании для контроля за развитием посевов, прогнозом урожаиности, оптимизации управленческих решении.

ГИС и ДЗЗ являются инструментами для практическои реализации новых подходов к управлению сельским хозяиством и развитию растениеводства.

В даннои работе рассматриваются исследования ведущих специалистов и молодых ученых по геоинформационным технологиям и космическому мони-торингу Всероссиискои конференции молодых ученых «Геоинформационные технологии и космическии мониторинг» под эгидои объединеннои конференции «Экология. Экономика. Информатика», 2015 г.

В результате анализа некоторых статеи были сделаны выводы, что все более широкое применение в мониторинге состояния растительности, в том числе, посевов сельскохозяиственных культур находят космические снимки высокого и сверхвысокого пространственного разрешения. В этом контексте, особое значе-


306

ние имеют данные о спектральных образах сельскохозяиственных культур, позво-ляющие определять текущее состояние растении, необходимые агротехнические мероприятия (полив, внесение удобрении, гербицидов) и прогнозировать урожаи.

Спектральные образы сельскохозяиственных культур дают возможности оценить актуальное состояние посевов (разных фенологических периодов) на основе обработки ДДЗ и выявить наиболее благоприятные условия для их есте-ственного и искусственного выращивания.

Для решения таких задач как картографирование сельскохозяиственных культур, тонкии мониторинг состояния посевов, оценка засоренности, выяв-ление вредителеи и болезнеи сельскохозяиственных культур, прогнозирование урожаиности и др. необходимы данные дистанционного зондирования Земли (цифровые изображения земнои поверхности космического аппарата ЕО-1, спутника LandSat-8).

Для анализа мультиспектральных и гиперспектральных изображении исполь-зуется программныи комплекс ENVI, которыи включает полныи набор функции для обработки данных ДЗЗ и их интеграции с данными ГИС. ENVI содержит спектральные библиотеки и инструментарии для выполнения спектрального и топографического анализов, анализа растительности и классификации изо-бражении, используя алгоритмы: Kmeans, IsoData и другие [5].

Растительность – один из самых ярких параметров состояния окружающеи среды. Её характер определяется взаимодеиствием природного и антропогенного факторов. В настоящее время массовое распространение получили исследова-ния состояния растительности с использованием космических снимков. К пре-имуществам космического мониторинга по сравнению с полевыми данными можно отнести большои охват территории, регулярность съёмки, возможность проведения съёмки сразу в различных режимах.

Для оценки растительного покрова разработан ряд вегетационных индексов, среди которых наибольшее распространение ввиду простоты расчёта, получил NDVI. NDVI (Normalized Difference Vegetation Index) – нормализованныи отно-сительныи индекс растительности – простои количественныи показатель коли-чества фотосинтетически активнои биомассы. Индекс основан на использовании контраста характеристик двух каналов из набора мультиспектральных растро-вых данных – поглощения пигментом хлорофилла в красном канале и высокои отражательнои способности растительного сырья в инфракрасном канале (NIR).

Вегетационныи индекс NDVI часто используют для мониторинга засухи, мониторинга и прогнозирования сельскохозяиственного производства, оценки последствии природных катастроф, таких как пожары, наводнения и многих других. В исследованиях часто проводится расчёт динамики индекса NDVI для различных годов.

Использование вегетационных индексов как показателеи состояния и рас-пределения по территории растительности позволяет дистанционно оценить последствия, как антропогеннои деятельности, так и катастрофических при-родных явлении [6].

307


Вегетационные параметры применяются для оценки негативнои нагруз-ки организованного туризма на растительныи покров [7].

Современные технологии дистанционного зондирования и ГИС необходимы для проведения полевого обследования в РГАУ-МСХА имени К.А.Тимирязева.

Территория Тимирязевки представляет собои уникальное многообразие картографических объектов. На неи располагается Центр точного земледелия, Полевая опытная станция, где кафедрами земледелия и растениеводства береж-но сохраняется и продолжается стареишии 100-летнии стационарныи полевои многофакторныи опыт, направленныи на разработку и научное обоснование интенсивнои аграрно-промышленнои системы земледелия и контроля за плодо-родием почвы. Он посвящен изучению основных проблем полеводства нечерно-земнои полосы: применению удобрении, севооборота и обработки почвы. Опыт по изучению влияния бессменных посевов, севооборота и различных доз мине-ральных удобрении на агрофитоценоз.

В настоящее время станция ведет работу над такими основными научными проблемами: разработка научных основ, систем приемов выращивания высоких и устоичивых урожаев полевых культур в условиях центральных раионов России; разработка научных основ интенсивнои системы земледелия в НЧЗ России; раз-работка научных приемов и основ интенсификации производства и улучшения качества кормов; разработка новых эффективных методов и способов использо-вания растительных ресурсов в условиях обогащения культурнои флоры России, продвижение растениеводства в новые раионы и создание исходных форм для селекции.

На базе Центра точного земледелия с использованием современнои широко-захватнои техники, оборудованнои системои GPS проводятся исследования по разработке сортовои агротехники высокопродуктивных сортов полевых куль-тур, способов и приемов энергосберегающих и почвозащитных обработок почв, эффективных способов посева, приемов ухода, уборки урожая.

Для мониторинга, оценки и анализа растительности, рельефа, почвы на полях университета необходимо применение спутниковых систем глобального пози-ционирования, выполнение аэрофотосъемки с использованием БПЛА («Геоскан 101», «Орлан 10»,»Орлан 1», «Птеро СМ») и др., создание точных цифровых фото-планов, образцов полевого дешифрирования, цифровых карт Тимирязевских полеи (местности, леса, парка).

Студенты, магистры, аспиранты, научные сотрудники и профессорско-пре-подавательскии состав Университета могут использовать технологии ДЗЗ и ГИС в учебном процессе, на практике и при проведении научных исследовании. Предметом исследования могут быть методологические и прикладные аспекты применения данных дистанционного зондирования для оперативнои оценки состояния сельскохозяиственных посевов и др.

Современные ГИС-технологии позволят создать веб-версию электронного атласа при помощи «облачнои» технологии (UMN MapServer, Веб-приложение P.mapper и др.), карту растительности (геоботаническую карту), где будут пред-


308

ставлены зерновые культуры, однолетние и многолетние травы, кормовые, луговые, лекарственные растения и др.

Использование фотопланов в ГИС среде даст возможность создавать базы данных растении, которые содержат количественные и качественные характе-ристики растении. В качестве такои среды, может использоваться ГИС MapInfo Professional, ArcGIS.

Высокая степень детализации аэрофотоснимков, позволит установить видо-вую принадлежность растении и их точные биометрические характеристики. Плановая точность созданных фотопланов и их фотографическое качество позволят уверенно дешифрировать растительные сообщества во время цветения.

Современные и актуальные технологии ДЗЗ и ГИС целесообразно и эффек-тивно применять в учебнои и научно-исследовательскои практике для подготовки ученых агрономов.

Технологии дистанционного зондирования и геоинформационного картогра-фирования позволят выполнить анализ современного ландшафтно-экологиче-ского состояния и туристско-рекреационного потенциала Тимирязевского парка (леса), на территории которого расположены: Лесная опытная дача, Ботаническии и дендрологическии сад, Большои садовыи пруд и другие объекты. История парка насчитывает несколько столетии. Леснои массив разделен на 14 кварталов. Флора и фауна Тимирязевского парка многообразна. Растительность парка представлена сосново-березовыми насаждениями, соснами, лиственницами, дубами, осинои, липои и др. На Леснои даче ведутся научные исследования по теме: «Разработка экологического мониторинга лесных биоценозов аграрных и урбанизированных территории с целью использования лесных ресурсов в системе АПК».

Парк пользуется большои популярностью у жителеи раиона, что неудиви-тельно: большои леснои массив, расположенныи достаточно близко от центра города. В связи с этим Тимирязевскии лес (парк) можно рассматривать как объект туризма-посещении (исследования), а следовательно оценить его ланд-шафтно-рекреационные ресурсы, пеизажно-эстетические своиства, выполнить анализ туристическои привлекательности, оценку продуктивности и пород-нои структуры лесного покрова и другие характеристики. Цель – проведение комплекснои оценки туристического потенциала Тимирязевского парка (леса) с использованием методов ГИС и ДЗЗ для определения перспективных направ-лении его развития. Задача – рассмотреть факторы, влияющие на формирование туристического потенциала (гидрометеорологические, геолого-геоморфологиче-ские, биологические, культурно-исторические, инфраструктурные, ограничива-ющие), а также современные методы оценки лесного покрова.

Объективные, регулярно обновляемые данные о пространственном распреде-лении и структуре лесного покрова могут быть получены на основе данных дис-танционного зондирования Земли (ДЗЗ), ежедневных спутниковых наблюдении прибором MODIS (применения метода анализа сезоннои динамики КСЯ лесного покрова по данным сформированных композитных изображении, позволяющего выполнять ежегодную оценку породнои структуры лесов и др.). Для определе-

309


ния таких характеристик лесов как их площадь, преобладающая порода, общии и удельныи запас стволовои древесины, сомкнутость верхнего полога может применяться спутниковыи сервис ВЕГА [8; 10].

Для сбора и обработки информации о лесных ресурсах актуальными явля-ются съемки земнои поверхности с применением беспилотных летательных аппаратов (БПЛА). Методика включает набор методов обработки изображении, работы с картографическими и атрибутивными геоинформационными слоями, статистических методов расчета параметров лесных насаждении [9].

Сравнение результатов поляриметрическои классификации для данных L- и X-диапазонов предоставляет дополнительные возможности для классификации растительности и оценки некоторых параметров леса, таких как сомкнутость крон, густота деревьев [11].

Методы дистанционного зондирования становятся неотъемлемои частью оценки лесопользования.


1. Применение космических снимков в области сельского хозяиства // «Сканекс» / Агро-семинар / Выставка «Золотая Осень-2015». URL: http://www.scanex.ru/ru/services/services.asp#cosmosagroservice (дата обращения: 10.07.2016).

2. Кузнецов К.В. Оценка состояния сельскохозяиственных посевов Краснодарского края по данным дистанционного зондирования: методика и результаты: автореф. дис. …канд. геогр. наук. – 2013. [Электронныи ресурс]. – Режим доступа: http://www.dissercat.com/content/otsenka-sostoyaniya-selskokhozyaistvennykh-posevov-krasnodarskogo-kraya-po-dannym-distantsio#ixzz3oKqhfL5S, http://www.vak2.ed.gov.ru (дата обращения: 10.07.2016).

3. Дистанционное зондирование растительных и почвенных покровов // Современные проблемы дистанционного зондирования Земли из космоса: мат-лы XII Всерос. открыт. конфер. Институт космических исследовании Россиискои академии наук. [Электрон-ныи ресурс]. – Режим доступа: http://smiswww.iki.rssi.ru/d33_conf/default.aspx?page=103 (дата обращения: 15.07.2016).

4. Интернет-энциклопедия «Википедия». Спутниковыи мониторинг посевов. [Электрон-ныи ресурс]. – Режим доступа: http://ru.wikipedia.or/wiki/Спутниковыи_мониторинг_посевов (дата обращения: 09.07.2016).

5. Качалина Н.А., Гречищев А.В., Архипова О.Е. Использование гиперспектральных и мультиспектральных данных дистанционного зондирования для оценки засорен-ности сельскохозяиственных территории // Экология. Экономика. Информатика. Сб. статеи: в 3-х тт. – Ростов н/Д, 2015. – С. 59–65.

6. Магаева А.А., Шевердяев И.В. Использование вегетационного индекса NDVI для изуче-ния динамики растительности в бассеине реки Адагум в 1989–2013 гг. // Экология, экономика, информатика. Сб. статеи в 3-х тт. – Ростов н/Д, 2015. – С. 81–86.

7. Зейлигер А.М., Ермолаева О.С., Кричевцова А.Н. Результаты пространственно-времен-ного анализа наборов данных ДЗЗ по испарению с поверхности суши MOD16 ET за 2000–2009 годы для территории Палласовского раиона Волгоградскои области РФ //


310

Экология, Экономика и Информатика, Геоинформационные технологии и космическии мониторинг: сб. статеи в 3-х тт. – Ростов н/Д: Изд-во ЮФУ, 2015. – Т. 3. – С. 35–47.

8. Жарко В.О., Барталев С.А. Методы оценки породнои структуры и продуктивности лесного покрова России по данным спутниковых наблюдении прибором MODIS / Современные проблемы дистанционного зондирования Земли из космоса: мат-лы XIII Всерос. открыт. конфер. / Институт космических исследовании Россиискои ака-демии наук. [Электронныи ресурс]. – http://smiswww.iki.rssi.ru/d33_conf/thesisshow.aspx?page=109 Режим доступа: (дата обращения: 25.07.2016).

9. Алешко Р.А., Гурьев А.Т., Шошина К.В., Щеников В.С. Разработка методики актуализа-ции информации о лесных ресурсах на основе данных с беспилотного летательного аппарата/ Современные проблемы дистанционного зондирования Земли из космоса: мат-лы XIII Всерос. открыт. конфер. / Институт космических исследовании Россиискои академии наук. [Электронныи ресурс]. – http://smiswww.iki.rssi.ru/d33_conf/thesisshow.aspx?page=109 Режим доступа: (дата обращения: 15.07.2015).

10. Барталев С.С., Жарко В.О., Балашов И.В., Толпин В.А., Барталев С.А., Лупян Е.А. Новые возможности дистанционнои экспресс-оценки лесных ресурсов с использованием сер-виса Вега / Современные проблемы дистанционного зондирования Земли из космоса: мат-лы XIII Всерос. открыт. конфер. / Институт космических исследовании Россиискои академии наук. [Электронныи ресурс]. – http://smiswww.iki.rssi.ru/d33_conf/thesisshow.aspx?page=109 Режим доступа: (дата обращения: 15.07.2015).

11. Захарова Л.Н. Сравнение поляриметрическои классификации леса по радиолокацион-ным данным в L- и X-диапазонах / Современные проблемы дистанционного зондиро-вания Земли из космоса: мат-лы XIII Всерос. открыт. конфер. / Институт космических исследовании Россиискои академии наук. [Электронныи ресурс]. – http://smiswww.iki.rssi.ru/d33_conf/thesisshow.aspx?page=109 Режим доступа: (дата обращения: 15.07.2015).

311

CAPABILITIES OF GEOGRAPHIC INFORMATION SYSTEMS AND REMOTE SENSING IN CROP AND FORESTRY

Lemeshko T.B. Russian State Agrarian University – MTAA Timiryazev, Moscow, Russia


Abstract. The article presents an overview of promising information technologies, allowing to carry out assessment and monitoring of crop production and forestry, as well as studies by leading experts and young scientists of geoinformation technologies and space monitoring. The paper describes the relevance of the GIS techniques And remote sensing to assess the status of agricultural crops and forest cover, satellite monitoring technology MODIS, LandSat-8, VEGA service, an online service, Cosmocare», the use of unmanned aerial vehicles (UAVs) for taking the earth’s surface, the vegetation index NDVI to assess vegetative cover, the software package ArcGIS, web-GIS, etc. The object of the study discusses the experimental fields of the Timiryazev Academy, which remains the oldest and continues a 100-year old multifactor field stationary experience and Timiryazevsky Park (a large forest), the history of which dates back several centuries. Formulated the goal of further research is to conduct a comprehensive evaluation of the tourism potential Timiryazevsky Park (forest) using the methods of GIS and remote sensing to identify promising directions of its development. Objective to examine the factors influencing the formation of tourist potential (hydrometeorological, geological-geomorphological, biological, cultural, historical, infrastructural, bounding), and also to apply modern methods of remote sensing estimates of forest cover.

Keywords: geographic information systems, remote sensing, monitoring, evaluation, agricultural crops, vegetation and soil cover.

References

1. [The use of satellite images in agriculture]. «ScanEx» / Agreemenr / Exhibition «Golden Autumn-2015». Available at: http://www.scanex.ru/ru/services/services.asp#cosmosagros-ervice (In Russian).

2. Kuznetsov K.V. 2013. [Assessment of agricultural crops in Krasnodar Krai according to remote sensing: technique and results]. Abstract of thesis on competition of a scientific degree of candidate of geographical Sciences. Available at: www.dissercat.com/content/otsenka-sostoy-aniya-selskokhozyaistvennykh-posevov-krasnodarskogo-kraya-po-dannym-distantsio#ixz-z3oKqhfL5S, http://www. vak2.ed.gov.ru (In Russian).

3. [Remote sensing of plant and soil]. 2014. Proceedings of the twelfth all-Russian open con-ference «Modern problems of remote sensing of the Earth from space». The space research Institute of Russian Academy of Sciences. Available at: http://smiswww.iki.rssi.ru/d33_conf/ default.aspx?page=103 (In Russian).

4. The Internet encyclopedia «Wikipedia». [Satellite monitoring of crops]. Available at: http://ru.wikipedia.org/wiki (In Russian).


312

5. Kachalina N.A. Grechishev A.V., Arkhipova O.E. [Use of hyperspectral and multispectral remote sensing data for the assessment of contamination of agricultural lands] // Ecology. Economy. Informatics. Collection. – 2015. – Vol. 3. – P. 59–65 (In Russian).

6. Magaeva A.A., Sheverdyaev I.V. [The Use of the vegetation index NDVI to study vegetation dynamics in the basin of the river Adagum in the years 1989–2013] // Ecology. Economy. Informatics. Collection. – 2015. – Vol. 3. – P. 81–86 (In Russian).

7. Zeiliguer A.M., Ermolaeva O.S., Krichevtsova A.N. The results of the spatial-temporal anal-ysis of remote sensing data sets by evaporation from the earth’s land surface MOD16 ET for 2000–2009 for the territory Pallasovsky district of the Volgograd region of the Russian Federa-tion // Ecology Economy Informatics Geoinformation Technologies And Space Monitoring. – Vol. 1–3. – Rostov on Don: Southern federal university Publishers, 2015. – Vol. 3. – P. 35–47 (In Russian).

8. Zharko V.O., Bartalev S.A. 2015. [Methods of assessing species composition and productivity of forest cover Russia according to satellite observations the MODIS instrument]. Materials of the thirteenth all-Russian open conference «Modern problems of remote sensing of the Earth from space». The space research Institute of Russian Academy of Sciences. Available at: http: // smiswww.iki.rssi.ru / d33_conf / thesisshow.aspx?page=109. (In Russian).

9. Aleshko R.A., Guriev A.T., Shoshina K.V., Sennikov S.V. 2015. Development of methods of updating information about forest resources on the basis of data from a UAV. Materials of the thirteenth all-Russian open conference «Modern problems of remote sensing of the Earth from space». The space research Institute of Russian Academy of Sciences. Available at: http: // smiswww.iki.rssi.ru / d33_conf / thesisshow.aspx?page=109. (In Russian).

10. Bartalev S.A., Zharko V.O., Balashov I.V., Tolpin V.A., Bartalev S.A., Lupyan E.A. 2015. New possibilities for remote the rapid assessment of forest resources using VEGA. Materials of the thirteenth all-Russian open conference «Modern problems of remote sensing of the Earth from space». The space research Institute of Russian Academy of Sciences. Available at: http: // smiswww.iki.rssi.ru / d33_conf / thesisshow.aspx?page=109. (In Russian). (In Russian).

11. Zakharova L.N. 2015. Comparison of polarimetric classification of forest radar data at L – and X-bands. Materials of the thirteenth all-Russian open conference «Modern problems of remote sensing of the Earth from space». The space research Institute of Russian Academy of Sciences. Available at: http: // smiswww.iki.rssi.ru / d33_conf / thesisshow.aspx?page=109. (In Russian).

313

МОНИТОРИНГ ПЕРЕФОРМИРОВАНИЯ РУСЛА РЕКИ ОБЬ В РАЙОНЕ Г. КОЛПАШЕВО ТОМСКОЙ ОБЛАСТИ

Новикова О.Г., Батанов Д.В.Сибирский центр Федерального государственного бюджетного учреждения

«Научно- исследовательский центр космической гидрометеорологии «Планета», г. Новосибирск

e-mail: [email protected]; [email protected]

Деформация русел рек относится к числу опасных природных процессов, связанных с работои водных потоков. Наиболее ярко среди них выражены раз-мывы берегов. В большинстве своем эта опасность является потенциальнои [1]. Однако на урбанизированных участках рек зачастую опасность русловых про-цессов приводит к разрушению жилых кварталов, инженерных коммуникации, инфраструктуры населенных пунктов и т. д.

Примером подобного явления может служить участок реки Обь в раионе г. Колпашево Томскои области, где остро стоит проблема обрушения берега реки в городскои черте. Здесь река образует излучину, длина и ширина которои посто-янно увеличиваются, и с каждым годом ситуация усложняется тем, что влечёт за собои разрушение правои части берега с плотно застроеннои частью города.

Сложившаяся, и с каждым годом усложняющаяся ситуация обуславливает повы-шенное внимание к изучению данного вопроса специалистов для принятия кар-динальных мер по решению этои проблемы. Проведение мониторинга наземными и традиционными методами характеризуется высокими трудозатратами. В связи с этим, применение спутниковых данных является наиболее оптимальным методом для проведения мониторинга смещения береговои линии и получения количе-ственных характеристик природно-территориального комплекса данного региона.

В СЦ ФГБУ «НИЦ «Планета» ведется спутниковыи мониторинг изменения формы русла реки Обь с отечественных и с зарубежных КА различного про-странственного разрешения (от низкого до сверхвысокого пространственного разрешения) используя современные ГИС-технологии обработки данных. Излу-чина на реке Обь, в рассматриваемом раионе, имеет сравнительно небольшую протяженность и ширину реки, а смещение береговои линии и того меньше. Исходя их этого, для мониторинга процесса переформирования русла в данном регионе преимущественно используются спутниковые данные среднего и сверх-высокого пространственного разрешения (от 15 до 1 м), с периодичностью полу-чения информации в безоблачные дни от 8 до 4 днеи.

Поскольку данные спутниковои съемки содержат полезную информацию, полученную в различных спектральных диапазонах, и, кроме того, сохраняются в цифровом виде [2], целью даннои работы является спутниковыи мониторинг переформирования русла реки Обь в раионе г. Колпашево Томскои области по многолетним данным ДЗЗ с использованием ГИС-технологии.


314

ИСТОРИЧЕСКИЕ СВЕДЕНИЯ ОБ УЧАСТКЕ Р. ОБЬ В РАЙОНЕ Г. КОЛПАШЕВО

Колпашевская излучина относится к типу вписанных. Ее вогнутыи берег в привершиннои ее части и в нижнем крыле представлен уступом песчанои надпоименнои террасы, образующим в плане дугу, оказывающую направляющее воздеиствие на поток и постоянно увеличивающую стрелу прогиба из-за размыва берега. Излучина сформировалась за минувшие 100 лет, но в последние годы процесс значительно ускорился, что можно наблюдать по картматериалам из монографии коллектива авторов Московского Государственного Университета под руководством Завадского (рис. 1).

Рис. 1. 1 – надпойменная терраса; 2 – пойма; 3 – излучина в 1899 г.: а – пойма, б – русло; 4 – излучина в 2009 г.: а – русло, б –пойма

Для изучения исторического состояния местности по данным ДЗЗ были использованы архивные материалы среднего пространственного разрешения с КА серии «Landsat» за последние 36 лет (1979–2015 гг.). В работе использовались раз-новременные космические снимки на территорию Томскои области в панхромати-ческом канале с максимально высоким пространственным разрешением для этого КА – 15 метров. Спектральные характеристики панхроматического изображения вполне подходят для дешифрования водных объектов и определения их береговои линии, что является первостепеннои задачеи для анализа смещения русла реки.

По имеющимся материалам, визуально видно, что даже за двадцатитрехлет-нии период прошлого века (1976–1999 гг..) произошли значительные изменения

315


русла реки в раионе Колпашевскои излучины, а именно – образования песчаных наносов и смещение оси русла в сторону правого берега реки (рис. 2). Высокая скорость размыва связана с рядом факторов – слабыи песчаныи грунт, высокии берег, большая глубина русла.

Использование спутниковых данных среднего пространственного разреше-ния оптимально для изучения происходящего процесса в целом, на больших площадях одновременно, за счет большои ширины спутникового изображения.

Рис. 2. Панхроматические изображения Колпашевской излучины с КА «Landsat». Сверху вниз: 1976 г.; 1999 г.


316

СОВРЕМЕННОЕ СОСТОЯНИЕ МЕСТНОСТИ ПО ДАННЫМ ДЗЗ

Для более детального анализа сложившеися обстановки привлекались спут-никовые данные высокого пространственного разрешения с отечественного КА «Канопус – В» (12–2,5 м.). В работе с такими спутниковыми данными использовались не только панхроматические, но и мультиспектральные данные, прошедшие несколько этапов обработки (первичная и стандартная) в специали-зированном ПК «NormSatB». На этапе первичнои обработки выполнялась визу-ализация целевои и служебнои информации, уточнение геодезическои привязки спутниковои информации. Далее, на этапе стандартнои обработки выполнялось трансформирование исходных данных в картографическую проекцию Гаусса-Крюгера и совмещение спектральных каналов, с учетом панхроматического канала. Результатом пакетнои обработки являются комплексированные данные, представляющие собои цветосинтезированное изображение с максимально высоким пространственным разрешением для данного КА.

Для анализа смещения береговои линии в городскои черте г. Колпашево применялся сравнительныи анализ обработки спутниковых данных. Для это-го, методом цифровои обработки данных ДЗЗ на архивном снимке 1999 года, в период межени, была выделена водная поверхность с точнои границеи бере-говои линии. После чего, с помощью современных ГИС-технологии, результат классификации был переведен в векторныи формат с последующим наложением его на комплексированное изображение с КА «Канопус – В» 2014 года (рис. 3).

Рис. 3. Совмещение береговой линии, полученной на основе архивных данных ДЗЗ 1999 г. и цветосинтезированного изображения высокого пространственного разрешения с КА «Канопус – В» 2014 г.

317


При совмещении спектральных характеристик спутникового изображения с КА «Канопус – В» 2014 года выбирают три зональных изображения, которые рассматривают как красную, зеленую и синюю составляющую палитры RGB [3]. А береговая линия, полученная по архивным данным ДЗЗ 1999 года, была выпол-нена в контрастном цвете для лучшего восприятия изменении береговои линии с течением времени.

ВЛИЯНИЕ ПАВОДКА НА ИЗМЕНЕНИЕ БЕРЕГОВОЙ ЛИНИИ КОЛПАШЕВСКОЙ ИЗЛУЧИНЫ

В ЧЕРТЕ Г. КОЛПАШЕВО

В СЦ «НИЦ «Планета» ведется оперативныи мониторинг Колпашевскои излучины в меженныи и паводковыи периоды года. По мере поступления инфор-мации формируются временные ряды результатов мониторинга, хранящиеся в базах данных.

Временные ряды представляют собои как растровые, так и векторные данные с таблицеи атрибутов, где имеются сведения о времени прохождения паводка и площади затопления.

Так в мае 2014 года паводковая ситуация в г. Колпашево была близка к критическои, а в мае 2015 года уровень воды превысил критические отметки подъема уровня воды на 15 см в черте города и на 45 см в раионах дачных и садовых участков, временно было прекращено автомобильное и паромное сообщение.

На космоснимок сверхвысокого пространственного разрешения получен-ного с отечественного КА серии «Ресурс – П» в мае 2015 года, наглядно видны масштабы разлива реки Обь вызванного весенним половодьем (рис. 4). Обра-ботка данных ДЗЗ с КА серии «Ресурс – П» производилась в ПК «SSP-VR», где выполнялось создание стандартных продуктов нескольких уровнеи обработки. Первыи уровень обработки данных заключался в выполнении операции меж-матричнои и межзоннои «сшивки» с точностью 0,5 пикселя. На втором уровне обработки выполнялась геометрическая коррекция (трансформирование) в про-екцию Гаусса-Крюгера с использованием орбитальных данных. Далее на основе стандартного продукта второго уровня обработки формировалось цветосинте-зированное изображение в цветах, близких к естественным, при высокоточнои модели съемки.

Для более нагляднои оценки паводковои обстановки на космоснимок с КА серии «Ресурс – П» 2015 была нанесена береговая линия, построенная по данным ДЗЗ в период межени в июле 2014 года.

На рисунке 4 видно, что береговая линия Колпашевскои излучины в павод-ковыи период года из-за размыва правого берега значительно изменяется под влиянием течения и изменения уровня воды, подступая все ближе к городскои черте.


318

Рис. 4. Совмещение береговой линии, полученной на основе данных ДЗЗ в период межени в июле 2014 г. и цветосинтезированного изображения

паводковой обстановки с КА «Ресурс – П» в мае 2015 г.


Проанализировав состояние реки Обь в раионе г. Колпашево за 36-лет-нии период времени с привлечением данных ДЗЗ, можно констатировать, что наблюдается явная тенденция к развитию русловых деформации, в частности в городскои черте, где излучина реки Обь несёт губительныи характер для берега и прилегающеи территории. Полученные результаты показали, что за последние пятнадцать лет (1999–2015 гг.) русло реки сместилось в сторону города местами более чем на 60 метров, постепенно разрушая обрывистыи берег реки, что ведет к экономическим и экологическим ущербам, повреждая и ликвидируя жилые кварталы и инженерные сооружения.

По многолетним временным рядам данных ДЗЗ так же было установлено, что долина реки Обь в раионе Колпашевскои излучины является однои из ежегодно подтапливаемых участков реки в период весеннего половодья, что тоже в свою очередь вносит значительныи вклад в разрушение правого берега реки.

В результате проведенного исследования можно сделать вывод о необходи-мости принятия мер по предотвращению переформирования русла реки посред-ством укрепления береговои линии в пределах городскои черты, либо возведения дамбы или серии шпор вдоль размываемого берега, отвода фарватера к левому берегу либо спрямления Колпашевскои излучины.

319



1. Завадский А.С., Ильясов А.К., Рулева С.Н., Сурков В.В., Турыкин Л.А., Чалов Р.С. Эволюция Колпашевскои излучины Оби и развитие опасных проявлении русловых процессов // География и природные ресурсы. – М.: Изд-во МГУ, 2013. – № 1. – C. 56–64.

2. Чандра А.М., Гош С.К. Дистанционное зондирование и географические инфор-мационные системы. – М.: Техносфера, 2008. – 312 с., 16 с. цв. вклеики.

3. Лурье И.К., Косиков А.Г. Теория и практика цифровои обработки изображе-нии. – М.: Научныи мир, 2003–168 с.

320

MONITORING OF REFORMATION OF THE BED OF THE OB RIVER NEAR THE TOWN OF KOLPASHEVO, TOMSK REGION

Novikova O.G., Batanov D.V.Siberian Center of State Research Center for Space Hydrometeorology «Planeta»,

Novosibirsk, Russia e-mail: [email protected]; [email protected]

Abstract. Deformation of river channels is a natural process associated with the work streams. This primarily refers to the erosion of the banks. Today is a very acute problem in the city of Kolpashevo of the Tomsk region. The best way to study this problem is the monitoring based on remote sensing data of the Earth. Satellite data contain useful information in different spectral ranges that are carefully analyzed with the geographic information systems. The used satellite data for thirty-six period of time has shown that there is an active tendency to the destruction of the shoreline within the city limits. The used satellite data for thirty-six period of time has shown that there is an active trend to the erosion of the coastline in the city, resulting in destroyed houses, roads and communications of the city.

Keywords: Remote sensing data of the Earth, satellite monitoirng, river, flood, spectral ranges, coastline.

References

1. Zavadsky A.S., Ilyasov A.K., Ruleva S.N., Surkov V.V., Turykin L.A., Chalov R.S. [The evolution of the Kolpashevo bend of the Ob river and the development of dangerous manifestations of channel processes] // Geography and natural resources. – 2013. – No. 1. – P. 56–64 (In Russian).

2. Chandra A.M., Gosh S.K. Distancionnoe zondirovanie i geograficheskie informacionnye sistemy. [Remote sensing and geographical information system]. – Moscow: Tehnosfera, 2008. – 312 p. (In Russian).

3. Lurye I.K., Kosikov A.G. Teoriya i practika cifrovoy obrabotki izobrazheniy. [heory and practice of digital image processing]. – Moscow: Nauchyi mir, 2003. – 168 p. (In Russian).

321

ПОВЫШЕНИЕ ТОЧНОСТИ ГЕОПРИВЯЗКИ КОСМИЧЕСКИХ СНИМКОВ С ПОМОЩЬЮ НАЗЕМНЫХ ИЗМЕРЕНИЙ

Потапов А.С.АО «НИИ ТП», г. Москва


С совершенствованием компьютерных технологии и широким распростране-нием географических информационных систем с конца ХХ в. стало развиваться более интенсивно использование космическои информации. Современные космические аппараты позволяют получать снимки со сверхвысоким простран-ственным разрешением лучше 0,5 м и точностью геопривязки до 3 м с использо-ванием только орбитальных параметров. На локальных участках таких снимков ошибки в плановом положении могут достигать 30 м и более. Но для решения многих задач информация о плановом положении объектов на снимке должна быть значительно точнее. Для получения максимальнои точности геопривязки космических снимков необходимо в процессе обработки использовать цифровую модель рельефа (ЦМР), а также опорные точки местности (ОТМ) с точностью определения координат, не хуже, чем пространственное разрешение исходного снимка. Координаты опорных точек обычно определяются наземными методами с использованием спутниковои геодезическои аппаратуры.

ЦМР может быть создана:• на основе геометрическои модели местности, полученнои по результатам

аэрофотосъемки;• по результатам векторизации горизонталеи с топографическои карты;• по данным лазерного сканирования;• на основе данных радарнои съемки.[1]

Задачеи нашего исследования было повышение точности геопривязки косми-ческих снимков с использованием координат опорных точек, полученных спутни-ковым геодезическим методом на местности. Для подтверждения результата был также проведен сравнительныи анализ влияния использования ОТМ и пунктов государственнои геодезическои сети (ГГС), в процессе ортотрансформирования, на точность плановых координат.

В ходе исследования в программном продукте Photomod выполнена обработ-ка космического снимка WorldView-2 c пространственным разрешением 0,5 м на территорию города Серпухов и его окрестностеи. ЦМР создана на основе горизонталеи, взятых с электроннои топографическои карты (ЭТК) масштаба 1:50000. В качестве планово-высотнои основы (ПВО) использовались опорные точки местности, полученные спутниковым геодезическим методом с использо-ванием двухчастотнои спутниковои геодезическои аппаратуры фирмы Trimble.

Всего в ходе выполнения работ было определено 14 опорных точек местности (рис. 1).


322

Рис. 1. Схема расположения опорных точек местности в районе работ

В качестве ОТМ использовались контурные точки местности хорошо опоз-наваемые на космическом снимке. Основным методом определения координат точек являлся дифференциальныи метод космическои геодезии, предполагаю-щии вычисление координат ОТМ относительно базовои станции. Исходнои была выбрана базовая станция «ЭФТ Серпухов 2». Координаты самои базовои станции в системе координат WGS-84 рассчитывались по измерениям полученными на суточном интервале относительно постоянно деиствующеи станции IGS (MOBN), расположеннои в городе Обнинск.

При расчете координат опорных точек местности, для повышения надеж-ности получаемых решении, в ПО SokkiaSpectrumSurveyOffice 8.2 строились сети, включающие базовую станцию и ОТМ, для которых имелись синхронные измерения. Пример такои сети изображен на рисунке 2.

323


Рис. 2. Сеть опорных точек местности с базовой станцией (SRP2)

Величина среднеи квадратическои ошибки определения векторов (прираще-нии координат) между опорными точками и базовои станциеи во всех сетях не превысила 5 см.

Для дополнительного контроля полученных координатных решении выпол-нялись расчеты координат ОТМ и пункта ГГС с использованием программного обеспечения RTK LIB 2.4.2, реализующего другои принцип обработки спутнико-вых измерении – PrecisePointPositioning (абсолютныи метод). Координаты рас-считанные обоими методами сравнивались между собои. Расхождения координат не превысили 30 см.

На этапе фотограмметрических работ по созданию ортотрансформирован-ного изображения (ОИ) первоначальная координатная привязка космического снимка выполнялась по 5 опорным точкам. Остальным 9-ти ОТМ придавался статус «контрольных» точек. Оценка результатов ориентирования снимков пока-зала отсутствие больших «выбросов» в невязках координат опорных точек, поэ-тому при повторном уравнивании всем 14-ти ОТМ был придан статус «опорных». Технологическии контроль точности ОИ выполнялся по невязкам координат, полученным на опорных точках. Величина среднеи ошибки планового положения опорных точках составила 0,42 м, а максимальные по модулю значения разностеи координат в пикселях составили 0,83 и 1,09 по х и по у соответственно.

Точностные характеристики ортотрансформированного изображения оце-нивались по расхождениям плановых координат пунктов ГГС и ОТМ (Xp, Yp)со значениями плановых координат этих точек, рассчитанными по ОИ (XoYo). Расчёты представлены в таблице 1.


324

Таблица 1Расчеты расхождения плановых координат

номер Xo-Xp Yo-Yp (Xo-Xp)² (Yo-Yp)²

1 ОТМ -0,176691 1,301491 0,0312 1,69392 ГГС -1,748 4,352 3,0560 18,93913 ГГС 1,994 0,777 3,9743 0,6037

4 ОТМ 1,325 0,684 1,7556 0,46795 ГГС -1,548 1,235 2,3963 1,5252

сумма 11,2134 23,23

СКО = √ сумма (Хо – Хр)2 + сумма (Уо – Ур)2 = 2,6246213 м [2] количество измерении

Средняя квадратическая ошибка для ортотрансформированного изображе-ния, где в качестве планово-высотнои основы выступили только 5пунктов ГГС, составила 15,876387 м.

Точностные характеристики ЦМР оценивались по расхождениям высот пунктов государственнои геодезическои сети со значениями высот этих точек, рассчитанными по цифровои модели рельефа (таблица 2) и по разностям нор-мальных высот ОТМ и высот полученных по ЦМР (таблица 3).

Таблица 2Расхождения высот пунктов ГГС

Таблица 3Разность нормальных высот

ОТМпункты ГГС ΔH (м) ОТМ ΔH (м)

1 – 0,02 1 0,0022 – 0,06 2 0,7313 0,05 3 -0,9574 0,05 4 -0,6245* – 0,39 5 -1,615

6 -2,0367 0,2788 -3,5169 0,739

10 0,26011 -0,36912 -0,37713 1,18014 1,963

325


Приведенные в таблице 2 результаты показывают, что расхождения ката-ложных значении нормальных высот (Н кат.) пунктов ГГС и значении высот этих пунктов, рассчитанных по ЦМР (Н ЦМР) различаются не более 10 см, за исключением пункта ГГС № 5. Это объясняется тем, что этот пункт расположен на искусственнои возвышенности (насыпь).

По таблице 3 среднее значение разностеи высот составило – 0,310 м, а их среднее квадратическое отклонение (СКО) 1,358 м. Анализ расположения ОТМ с номером 8, которои соответствует наибольшее расхождение высот, показал, что в месте ее расположения в недавнем времени выполнялись строительные работы, что возможно привело к изменению рельефа местности в этои области. С исключением этои точки при расчете точностных характеристик среднее зна-чение разностеи высот составит -0,028 м, а их СКО 1,043 м.

Полученные в ходе работы результаты подтверждают целесообразность использования ОТМ для повышения точности гепоривязки космических снимков. Величина СКО в плановых координатах с использованием ОТМ на 13,2517657 метров меньше. В связи с тем, что исследуемая местность по большеи части равнинная, расхождение получилось не большим. Но чем сложнее рельеф в раионе, тем больше это расхождение, и значение использования наземных изме-рении для получения координат ОТМ возрастает. Использование ОТМ актуально на горные и всхолмленные раионы, что позволяет повысить эффективность решения задач, как геодезическои подготовки местности, так и узкоспециализи-рованных. Также в недавнем времени Росреестр начал задеиствовать космические снимки для контроля кадастровых границ дачных и садовых участков, а в пер-спективе планирует использовать беспилотные летательные аппараты (БЛА).[3]Одним из решении, позволяющих решить эту задачу с максимальнои точностью, является наземные обследования наземных измерении в раионах интереса.


1. Чермошенцев А.Ю. Оценка измерительных своиств космических снимков выского разрешения: Автореф. дис. – Новосибирск: СГГА, 2012 – С. 18–19.

2. Среднеквадратическая ошибка (RMSE) / Электронныи ресурс: wiki.gis-lab.info/qa/rmse.html.

3. Росреестр атакует с воздуха [Электронныи ресурс]: gazeta.ru/buisniness/2016/ 06/06/8288723.shtml.

326

IMPROVING ACCURACY OF SATELLITE IMAGES GEOREFERENCING WITH GROUND-BASED MEASUREMENTS

Potapov A.S.«NIITP» Moscow, e-mail: [email protected]

Abstract. the article seeks to improve accuracy of satellite images georeferencing using the ground control points coordinates obtained by global navigation satellite system receiver. During the research process has been described ortorecetification of satellite imagery and comparative analysis of the impact of the use ground control ponts and GGS points, during the process of ortorecitification, on plane coordinates accuracy.

Keywords: satellite images, DEM, ground control points, orthorectification.

References

1. Chermoshentcevthesis A.Iu. Ocenkaizmeritel`nykhsvoystvkosmicheskikhsnimkovvy-isokogorazreshenija: abstract. – Novosibirsk: SGGA, 2012 – P. 18–19.

2. Srednekvadraticheskaiaoshibka (RMSE) / Electronic resourse: wiki.gis-lab.info/qa/rmse.html.3. Rosreestratakuet s vozduha / Electronic resourse: gazeta.ru /buisniness /2016/06/06/8288723.

shtml.

327

ИНФОРМАЦИОННАЯ ПОДДЕРЖКА ТЕХНОЛОГИЙ ТОЧНОГО ЗЕМЛЕДЕЛИЯ

НА ОСНОВЕ МЕТОДОВ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ1

Тутубалина О.В.1, Голубева Е.И.2, Зимин М.В.3, Труфанов А.В.4,Тарасов М.К.5, Деркачева А.А.6, Садовая И.В.7, Середа И.И.8

1,2,3,5,6,7, 8Московский государственный университет имени М.В. Ломоносова, Москва, 4ООО «Гамаюн.аэро», Москва

e-mail: [email protected], [email protected], 3 [email protected], [email protected], [email protected], [email protected],

[email protected], [email protected]

АКТУАЛЬНОСТЬ

Сельское хозяиство – одна из наиболее успешно развивающихся отрас-леи россиискои экономики, что находит свое отражение как на уровне обе-спечения внутренних потребностеи страны, так и в активности на внешних рынках. С помощью ДЗЗ и изучения спектральных характеристик растении можно определить показатели состояния сельскохозяиственных культур, идентифицировать угодья, а также повысить продуктивность и эффектив-ность использования земельных ресурсов. Полученные спектральные своиства растительного покрова дают возможность для дешифрирования информации с космо- и аэроснимков / Измеренные в лабораторных или полевых условиях значения спектральнои яркости растительного покрова объединяют в спек-тральные библиотеки – собрания спектральных кривых, которые используются при распознавании объектов при обработке многозональных и гиперспек-тральных снимков [1,2].

Объективно существуют предпосылки для развития методов наземных иссле-довании для интерпретации данных дистанционного зондирования (ДДЗ) для точного земледелия обусловленные следующими факторами: – данные дистанционного зондирования достаточно давно и активно исполь-

зуются для сельскохозяиственного мониторинга во всем мире. При этом решаются задачи инвентаризации сельскохозяиственных угодии, повыше-ния эффективности сельскохозяиственного производства, осуществляется поддержка агропроизводителеи, информационное обеспечение процессов страхования и субсидирования в сфере АПК;

– современное развитием съемочных средств способно обеспечить практически все потребности сельхоз производителеи от задач синоптическои метеороло-

1 Исследование выполнено при поддержке Программы развития Московского универ-ситета до 2020 года и проекта «Геопортал МГУ» (http: // www.geogr.msu.ru / science / projects / geoportal / ).


328

гии, до масштабов земельного кадастра и геохимических показателеи почв;– получение достоверных зависимостеи между состоянием посевов, их спек-

тральными характеристиками и морфометрическими параметрами позволяет использовать материалы дистанционного зондирования для оперативного принятия решении о необходимости проведения конкретных агротехниче-ских мероприятии;

– развитие направлении веб-ГИС и геопортальных решении предопределило бурное развитие спутниковых сельскохозяиственных сервисов.В настоящее время показатели, получаемые с использованием различных

средств ДДЗ уже используются в следующих направлениях:• определение точных площадеи обрабатываемых земель;• определение площадеи неиспользуемых земель;• определение типа использования конкретного участка (поля);• определение площадеи под озимыми и яровыми культурами;• анализ текущего состояния полеи;• о динамики посевных и уборочных работ;• анализ текущего состояния посевов;• определение зон ущерба в результате стихииных факторов;• анализ внутреннеи неоднородности поля и выделение «зон плодородия»;• оценка активности неблагоприятных факторов – эрозия, засоление, забо-

лачивание и пр.;• прогноз урожаиности с применением архивных данных и многолетнеи

статистики.Однако, надо отметить, что есть направления, где применение ДДЗ еще не

реализованы по разным причинам. Так, не все данные одинаково пригодны для сельскохозяиственного мониторинга, не полностью автоматизировано построе-ние карт полеи. Остаются трудности распознавания видов и сортов сельскохозяи-ственных культур, получение численных значении агрохимических показателеи, определение норм внесения удобрении и, фаз развития сельскохозяиственных культур и многое другое.

Отражательные своиства сельскохозяиственных культур несут в себе огром-ныи объем информации о виде, стадии развития и морфофизиологическом состоянии растении. Такие исследования позволяют определить взаимосвязь спектрометрических характеристик с их физиологическими параметрами в раз-личные периоды вегетации [3]. Кроме этого, сельскохозяиственные культуры, как и другие растения, четко реагируют на различные изменения как естественных, так и антропогенных факторов (внесение гербицидов и пестицидов, удобрении). При этом естественные факторы можно классифицировать на краткосрочные (осадки, температурные колебания и др.) и долгосрочные (ландшафт, тип почв, климатическая зона) [4, 5]. Влияние естественных и антропогенно-производ-ственных факторов, в первую очередь, отражается на количестве фитомассы, ее фракционном составе, развитии и физиологическом состоянии растения и, соответственно, на спектральном образе [6].

329


ЦЕЛЬ, ОБЪЕКТЫ И МЕТОДЫ ИССЛЕДОВАНИЯ

Цель экспериментов на полях с различными видами и сортами сельскохохяи-ственных культур при разных агротехнических мероприятиях – исследование возможности применения вегетационных индексов, полученных на основе ави-ационных гиперспектральных данных, для целеи точного земледелия.

В соответствии с поставленнои целью сформулированы основные задачи исследования:1. Проанализировать, какие характеристики сельскохозяиственных культур

можно оценивать с помощью вегетационных индексов по данным 2014–2016 гг. в Ленинградскои области и Краснодарском крае;

2. Выявить узкоспектральные индексы, наилучшим образом подходящие для рассматриваемых природных условии и культуры и статистически оценить получаемые результаты;

3. Создать карты количественных характеристик сельскохозяиственных культур и оценить их качество.Комплексные географиче-

ские исследования с привлече-нием гиперспектральных съе-мочных систем «Реагент» [7], на самолетах и Gamaya (www.gamaya.com) на БЛА «Гео-скан», наземных гиперспек-трометров, фитометрических и биохимических измерении, а также создание библиотек спектральных образов сельско-хозяиственных культур прово-дились на Меньковскои опыт-нои станции Агрофизического НИИ РАСХН, Ленинградская область (2014–2015 гг.) и опыт-ных полях Краснодарского края (2016 г.). Для наземного спектрометрирования исполь-зовался гиперспектрометр ASD FieldSpec 3 Hi-Res, работающии в диапазоне 350–2500 нм.

Опытные площадки на Меньковскои опытнои стан-ции Агрофизического НИИ РАСХН, где проводилась отра-ботка методологии исследова-

Рис. 1. Измерения на полях Меньковской опытной станции

и спектральные характеристики посевов


330

ния, различаются видами сельскохозяиственных культур (озимая и яровая пше-ница, ячмень), дозои внесения удобрении и наличием / отсутствием применения гербицидов. Осреднение данных для каждои пробнои площади проводилось по 20 наземным измерениям и 18–22 пикселям со снимка (рис. 1).

РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ

В результате проведения комплекса полевых работ были получены следующие данные:1. Гиперспектральные самолетные снимки (спектральное разрешение от 0,5 нм

до 2 нм; пространственное разрешение 0,2–1 м).2. Спектрометрические наземные данные (измерения выполнены на опытных

площадках в день с самолетнои съемкои; спектральное разрешение 1нм).3. Результаты фитометрических и биохимических анализов (образцы собраны

на отспектрометрированных опытных площадках в день проведения съемок).Для интерпретации полученных в полевых условиях параметров был проведен

корреляционныи аназиз, которыи позволил выбрать наиболее достоверные веге-тационные индексы, которые эффективно использовать для оценки состояния посевов. Предварительно были рассмотрены различные спектральные вегетацион-ные индексы (28 вариантов), уже применяемые для изучения и оценки состояния зерновых культур растительности. Почти все они были выведены эмпирически, исходя из известных особенностеи спектральных кривых растительности и почв.

Можно выделить четыре наиболее распространенные группы спектральных вегетационных индексов [8]:1) Двухканальные индексы (TBVI – two band vegetation indices), они же простые

отношения (RVI – ratio vegetation indices). При их расчете используют простое отношение двух каналов, при этом, компоненты излучения, вносимые почвои и атмосферои, никак не компенсируются. Отсутствие нормировки определяет широкии разброс конечных значении индекса.

2) Нормализованные индексы, наиболее известныи из которых NDVI (normalized difference vegetation indices) Область значения индекса варьирует от -1 до +1 и удобна для сравнения нескольких результатов. Существует множество вариантов индекса NDVI, которые направлены на сглаживание спектрального влияния окружающеи среды.

3) Индексы первой производной (the first derivative vegetation indices) включают в свою формулу первую производную участка спектра, которая рассчитыва-ется как приращение величины КСЯ на 1 единицу спектрального диапазона (нм). В основном они строятся при использовании в расчетах «краснои гра-ницы» – области стремительного роста отражения около 700–740 нм.

4) Комбинированные индексы или индексы нескольких оптимальных каналов (OMBVI – optimum multiple band vegetation indices), одновременно сочетаю-щие в себе несколько из вышеперечисленных индексов.

331


По результатам комплексных иследовании на экспериментальных полях Меньковскои опытнои станции были построены карты (рис. 2), которые иллю-стрируют возможности использования ДДЗ для точного земледелия.

Рис. 2 Определение запаса зеленой фитомассы на экспериментальном поле по наземным и рассчетным данным (Меньковская опытная станция Агрофизического НИИ РАСХН, яровая пшеница на стадии кущения)

Разработанные технологии были апробированы в апреле-июне 2016 г. на полях Краснодарского края с применением миниатюрнои гиперспектральнои камеры Gamaya (www.gamaya.com) на базе БЛА «Геоскан» (www.geoscan.ru). Для опытных делянок озимои пшеницы, прошедшеи обработку различными протравителями семян, были получены корреляционные взаимосвязи между наземными и ави-ационными данными, и построены карты зеленои фитомассы листьев, которые позволяют оценить текущее состояние культуры на поле (рис. 3).

ВЫВОДЫ

Проведённые исследования по особенностям спектральных образов сель-скохозяиственных культур на экспериментальных полях Меньковскои опытнои станции (Ленинградская область), с различным внесением удобрении и герби-цидов, и Краснодарского края с различнои обработкои семян протравителями, позволили сделать следующие выводы.1. Наблюдаются следующие различия в фитометрических характеристиках

у яровои, озимои пшеницы и ярового ячменя на опытных полях в Ленин-градскои области:


332

– максимальные значения фитомассы яровои пшеницы отмечаются на делян-ке, где внесено 150 кг/га удобрении (с применением гербицидов), при этом содержание влаги колеблется от 75 до 85 %. На поле, где удобрения не вноси-лись, максимальные значения фитомассы яровои пшеницы соответствуют делянке, выращеннои с 90 кг/га вносимых удобрении, а влагосодержание составляет 60–75 %.

– максимальные значения фитомассы озимои пшеницы отмечаются на делянке, с 120 кг/га удобрении на обоих полях (где гербициды вносились и отсутствовали) и влагосодержанием 62–75 %.

– максимальные значения фитомассы ярового ячменя отмечаются на делян-ках двух полеи с максимальнои дозои комплекса вносимых удобрении, как с использованием, так и без использования гербицидов. Влагосодержание в зеленои массе составило 70–75 % в обоих случаях.

2. Сравнение спектральных образов трех сельскохозяиственных культур по величине поглощения и отражения света показало существенные различия:– процесс поглощения света активнее происходит у озимои пшеницы на

делянках, где доза вносимых удобрении составляла 90 кг/га, а процесс отра-жения сильнее у пшеницы, выращеннои на делянке, где вносилось 30 кг/га удобрении.

– для яровои пшеницы процесс поглощения активнее происходит для растении, выращенных на делянке с 30 кг/га и с внесением гербицидов, с 120 кг/га – без внесения гербицидов. Отражение света активнее проис-ходит у яровои пшеницы, выращеннои при 180 кг/га и без использования гербицидов, и 90 кг/га – с использованием гербицидов.

– процесс поглощения света у ярового ячменя в двух случаях максимален у образцов, выращенных на делянке с нулевым значением удобрении, а про-цесс отражения солнечного света – у образцов, выращенных на участках с максимальнои дозои комплекса вносимых удобрении.

3. Расчет значении вегетационного индекса NDVI показал его прямую связь с величинои фитомассы сельскохозяиственных культур. Статистическии регрессионныи анализ показал высокую зависимость NDVI от фитомассы растении на полях для культур, выращенных в условиях использования удобрении. При этом на стадии максимального развития зеленои фитомас-сы NDVI недостаточно чувствителен для выявления различии в значениях фитомассы.

4. В 2014 г. было выявлено [9] и в 2015–2016 г. подтверждено, что узкоканаль-ныи спектральныи индекс MTCI дает намного более точную оценку зеленои фитомассы озимои пшеницы на стадии кущения и колошения, по сравнению с NDVI. Это позволяет говорить о том, что MTCI – это достаточно стабильная спектральная характеристика, которую можно применять для целеи точного земледелия (мониторинга зеленои фитомассы и влагосодержания озимои и яровои пшеницы).

5. Значения спектральных индексов для зеленои фитомассы и влагосодержания

333


растении сопоставлены с наземными данными и позволяют построить карты распределения этих параметров на сельскохозяиственных полях, при наличии воздушнои гиперспектральнои съемки в диапазоне 670–970 нм.

6. Для повышения точности расчета коэффициентов спектральнои яркости по данным наземного спектрометрирования, методом восстановления значении белои панели в точках измерении, возможно использование синхронно рабо-тающего спектрометра, измеряющего яркость небесного свода.

Рис. 3. Карта зеленой фитомассы листьев озимой пшеницы сорта Юкка (кг/м2), 8 апреля 2016 г.

Числа на карте показывают средние значения фитомассы по делянкам, на которых проводился наземный отбор образцов


334

Проведенные исследования показывают возможность эффективного исполь-зования значения спектральнои яркости, фитометрических параметров и веге-тационных индексов для интерпретации данных воздушных гиперспектральных съемок для информационного обеспечения точного земледелия.

Авторы благодарят коллег из Санкт-Петербургского филиала ОАО КБ «Луч» (О.В. Плахотников, В.Н.Остриков), Агрофизического НИИ (И.М.Михайленко, Ю.В.Хомяков, Е.В.Канаш, П.В.Лекомцев), ВКА им. А.Ф.Можайского (О.В.Григорьева, Л.И.Чапурский). ООО «Агро-Софт (А.А.Тенеков) за предоставленные дан-ные и консультации, а также из МГУ им. М.В.Ломоносова (Г.Л.Шинкарева, А.И.Михеева) за помощь в полевых исследованиях.


1. Зимин М.В., Тутубалина О.В., Голубева Е.И., Рис. Г.У. Методика наземного спектроме-трирования растении Арктики для дешифрирования космических снимков // Вестник МГУ. – Серия 5. География. – № 4. – 2014. – С. 34–41.

2. Книжников Ю.Ф., Кравцова В.И., Тутубалина О.В. Аэрокосмические методы геогра-фических исследовании: учебник для студ. учреждении высш. проф. образов: 2-е изд., перераб. и доп. – М.: Академия, 2011. – 416 с.

3. Сидько А.Ф., Пугачева И.Ю., Шевырногов А.П. Исследование динамики спектральнои яркости посевов сельскохозяиственных культур в период вегетации на территории Красноярского края // Инженерия и технологии. – 10.03.2009. – № 1 (2). – Красноярск.

4. Токарева О.С. Обработка и интерпретация данных дистанционного зондирования Земли: уч. пособ. – Томск: Изд-во Томского политех. ун-та, 2010. – 148 с.

5. Якушев В.П., Петрушин А.Ф. Получение, обработка и использование данных дистан-ционного зондирования для мониторинга мелиоративного состояния сельскохозяи-ственных полеи // Агрофизика. – 05.06.2013. – № 2 (10).

6. Thenkabail P.S. Optimal hyperspectral narrowbands for discriminationagricultural crops // Remote Sensing Review. – № 20. – 2002. – Р. 257–291.

7. Калинин А.П., Орлов А.Г., Радионов И.Д. Авиационныи гиперспектрометр // Вестник МГТУ им. Н.Э. Баумана. – Сер. «Приборостроение». – М., 2006. – Т. 3. – С. 11–24.

8. Bao C., Li L., Shi Y., Qiao C., Sullivan P.L., Brantley S.L., Duffy C. Understanding the Hydrological Controls on the Water Chemistry at the Watershed Scale Using an Integrated Hydro-Thermo-Geochemical Model PIHM-RT AGU Fall Meeting Abstracts 1, 1174.

9. Тутубалина О.В., Деркачева А., Зимин М.В., Голубева Е.И. Применение авиационных гиперспектральных снимков и наземных данных для целеи точного земледелия // Земля из космоса (спецвыпуск ДЗЗ для будущеи Земли). – 2015 (июнь). – С. 43–46.

335


INFORMATION SERVICES FOR PRECISION AGRICULTURE ON THE BASIS OF REMOTE SENSING

Tutubalina O.V.1, Golubeva E.I.2, Zimin M.V.3, Trufanov A.V.4, Tarasov M.K.5, Derkacheva A.A. 6, Sadovaya I.V.7, Sereda I.I.8

1,2,3,5,6,7, 8M.V. Lomonosov Moscow State University, Moscow, 4Gamayun.aero Ltd., Moscow

e-mail: [email protected], [email protected], 3 [email protected], [email protected], [email protected], [email protected],

[email protected], [email protected]

Abstract. The article discusses methodological approaches to producing maps for precision agriculture on the basis of aerial hyperspectral data and field sampling. We consider capabilities and limitations of using remote sensing and spectral characteristics of crops to determine their condition, and the necessary technical protocols. Experimental work was carried out in the fields of Menkovo Experimental Station, Leningrad region and in the Krasnodar region. We studied winter and spring wheat and spring barley, with different doses of fertilization and herbicides application. For ground truthing we have used ASD FieldSpec 3 Hi-Res spectroradiometer. We analysed the potential of different spectral vegetation indices derived from aircraft hyperspectral data for mapping and produced sample maps of crop phytomass for precision farming. The developed technologies were successfully applied in April-June 2016 in the fields of Krasnodar region with the Gamaya miniature hyperspectral camera mounted on the GeoScan UAV platform.

Keywords: precision agriculture, remote sensing, hyperspectral imagery, spectral images, vegetation indices.

References

1. Zimin M.V., Tutubalina O.V., Golubeva E.I., Rees W.G. Methods of Arctic plants ground spectroradimetry for satellite image interpretation // Vestnik MSU. – Series 5. Geografiya. – 2014. – No. 4. – P. 34–41 (In Russian).

2. Knizhnikov Yu.F., Kravtsova V.I., Tutubalina O.V. Aerospace methods of geographical research. 2nd edition. – Moscow: Publishing center «Akademiya», 2011. – 416 p. (In Russian).

3. Sid’ko A.F., Pugacheva I.Yu., Shevyrnogov A.P. Investigation of the dynamics of the agricultural crops spectral brightness during the growing season in the Krasnoyarsk Territory // Zhurnal Sibirskogo Federal’nogo universiteta. Zhurnal Inzheneriya i tekhnologii. – 2009. – No. 1 (2) (In Russian).

4. Tokareva O.S. Processing and interpretation of remote sensing data: tutorial; Tomsk Polytech-nic University. – Tomsk: Publishing House of Tomsk Polytechnic University, 2010. – 148 p. (In Russian).

5. Yakushev V.P., Petrushin A.F. Production, processing and use of remote sensing data for monitoring the ameliorative condition of agricultural fields // Journal Agrofizika. – 2013. – No. 2 (10) (In Russian).


336

6. Thenkabail P.S. Optimal hyperspectral narrowbands for discrimination of agricultural crops // Remote Sensing Review. – 2002. – No. 20. – P. 257–291 (In English).

7. Kalinin A.P., Orlov A.G., Radionov I.D. Airborne hyperspetrometer // Vestnik MGTU im. N.E. Baumana. Seriya Priborostroeniye. – Moscow, 2006. – No. 11 (3). – P. 11–24 (In Russian).

8. Bao C., Li L., Shi Y., Qiao C., Sullivan P.L., Brantley S.L., Duffy C. Understanding the Hydrological Controls on the Water Chemistry at the Watershed Scale Using an Integrated Hydro-Thermo-Geochemical Model PIHM-RT AGU Fall Meeting Abstracts 1, 1174 (In English).

9. Tutubalina O.V., Derkacheva A., Zimin M.V., Golubeva E.I. Use of airborne hyperspectral imagery and ground-based data for precision agriculture purposes // Earth from Space – the most effective solutions, special issue. – June 2015. – P. 43–46 (In Russian).

337

НЕОПРЕДЕЛЁННОСТЬ СПУТНИКОВЫХ ДАННЫХВ ЗАДАЧАХ КЛИМАТИЧЕСКИХ ИССЛЕДОВАНИЙ

НА ПРИМЕРЕ ОБЩЕЙ ОБЛАЧНОСТИ1

Чернокульский А.В.Институт физики атмосферы им. А.М. Обухова РАН

[email protected]

Спутниковые данные обладают рядом несомненных преимуществ, в первую очередь – возможностью глобального наблюдения за параметрами различных оболочек Земли (атмосферы, гидросферы, криосферы, биосферы, педосферы и т.д.) с малои временнои дискретностью и достаточно хорошим пространствен-ным разрешением. В то же время, необходимо учитывать и основные ограниче-ния спутниковых данных, в первую очередь – временную неоднородность при анализе долгопериодных наблюдении в задачах климата. В даннои работе оце-нены основные неопределённости спутниковых данных в задачах исследовании климата на примере общеи облачности.

Облачность является одним из основных компонентов климатическои систе-мы Земли. С однои стороны, облака регулируют радиационныи баланс планеты и участвуют в глобальном гидрологическом цикле, с другои стороны облака и изменения их характеристик являются важным индикатором изменчивости динамических и термодинамических характеристик атмосферы [1–3]. От того, насколько адекватно воспроизводится облачность в моделях, зависит качество климатических проекции на 21 век.

В то же время, несмотря на такую важность, остается существенная неопре-деленность в вопросах получения адекватных данных для глобального поля облачности. Поле облачности не является непрерывным, поэтому относительно редкая наземная сеть визуальных наблюдении (особенно над океаном) не позво-ляет получить достоверную информацию о пространственном распределении облаков. Всё больше информации об облачности появляется с развитием спут-никовых наблюдении – от оптических и микрофизических своиствах облаков до информации о вертикальном профиле облачности. Однако пока ряды спут-никовых наблюдении короткие и зачастую неоднородные. В целом, до сих пор остаётся неоднозначность в определении однои из ключевых характеристик облачности – общего количества облаков [4].

В даннои работе использовался широкии набор баз данных для облачности: наряду со спутниковыми и наземными наблюдениями также привлекались дан-ные реанализа и расчеты с глобальными климатическими моделями (табл. 1).

1 Работа выполнена при поддержке гранта Президента РФ МК-4513.2016.5. Анализ причин отмеченных различии проведен в рамках проекта РНФ 14–17-00647.


338

Таблица 1Характеристики использовавшихся баз данных для облачности

База данных Период / разрешение Информация о базе данных

Спутниковые наблюдения

ISCCP 07 / 1983–06 / 2008, 2,5°

Сочетание наблюдении на геостационарных

и полярноорбитальных спутниках (ПС), 1 видимыи (В) и 1 инфра-

красныи (ИК) канал, 8 наблюдении в сутки, инструментальное разрешение:

4–7 км

Patmos-X 01 / 1982–05 / 2008, 1°

Наблюдения на ПС NOAA, 1 В + 1 ближнии ИК (БИК) + 3 ИК канала, 4 наблюдения в сутки, инстр. разреш.:

1–4 км

UW HIRS 01 / 1979–12 / 2001, 1°

Наблюдения на ПС NOAA, 6 ИК каналов, 2 наблюдения в сутки, инстр.

разреш.: 19–35 км; без полярных областеи выше 84°

MODIS Terra,Aqua

02 / 2000–12 / 200907 / 2002–12 / 2009, 1°

Наблюдения на ПС Terra / Aqua, 2 В + 4 БИК + 8 ИК каналов, 2 наблюдения

в сутки,, инстр. разреш.: 0.25–1 км

CERES Terra,Aqua

02 / 2000–12 / 200907 / 2002–12 / 2009, 1°

Наблюдения на ПС Terra / Aqua, 1 В + 1 БИК + 3 ИК канала, 2 наблюдения в сутки,, инстр. разреш.: 0.25–1 км

PARASOL-POLDER 03 / 2005–10 / 2009, 10'

Наблюдения на ПС PARASOL, 2 В + 3 БИК канала (поляризационные + под разным углом обзора), 1 наблюдение

в сутки, инстр. разреш.: 6 км; без областеи с условиями полярнои ночи

AIRS-LMD 01 / 2003–12 / 2008, 1°Наблюдения на ПС Aqua, 6 ИК каналов, 2 наблюдения в сутки, инстр. разреш.:

13,5 км

CALIPSO-GOCCP 07 / 2006–06 / 2009, 1°

Наблюдения на ПС CALIPSO, активные наблюдения лидаром CALIOP, 2

наблюдения в сутки, инстр. разреш.: 0,3–1 км

MISR 01 / 2001–12 / 2008, 1°

Наблюдения на ПС Terra, 3 В + 1 БИК канал (под разным углом обзора), 1 наблюдение в сутки, инстр. разреш.:

0,3 км; без областеи с условиями полярнои ночи и без полярных

областеи выше 84°

339


База данных Период / разрешение Информация о базе данных

Спутниковые наблюдения

ATSR-GRAPE 06 / 1995–12 / 2000, 1°

Наблюдения на ПС ERS-2, 2 В + 1 БИК + 4 ИК канала, 1 наблюдение в сутки,

инстр. разреш.: 1 км; без областеи с условиями полярнои ночи

Данные наземных наблюдении

EECRA 01 / 1971–12 / 1996, 5°

Визуальные наблюдения на метеорологических станциях на суше

(каждые 3 часа) и на реисовых кораблях в океане (каждые 6 часов)

Данные реанализа

ERA-40 01 / 1957–08 / 2002, 2,5° Модель ECMWF CY13R4 (120 км, 31 слои)

ERA-Interim 01 / 1989–12 / 2009, 1,5° Модель ECMWF CY29R1 (50 км, 60 слоев)

NCEP / NCAR 01 / 1948–12 / 2008, 1,9° Модель NCEP T62L28 (210 км, 28 слоев)

NCEP / DOE 01 / 1979–01 / 2008, 1,9° Модель NCEP T62L28, проведены некоторые изменения в схемах

MERRA 01 / 1979–03 / 2009, 0,5° Модель GMAO GEOS-5 (50 км, 72 слоя)

JRA-25 01 / 1979–12 / 2009, 2,5° Модель JMA / CRIEPI T160L40 (120 км, 40 слоев)

Данные расчетов с глобальными климатическими моделями

CMIP3 XX в., 1°–5° 22 глобальные климатические модели и среднее по ансамблю

КМ ИФА РАН XX в., 4,5°×6° модель промежуточнои сложности

Использовались среднемесячные значения общего количества облаков. В связи с невозможностью выделить общии период для всех баз данных, ста-тистические характеристики рассчитывались для временных периодов, инди-видуальных для каждои базы данных. Неопределенность, связанная с выбором других временных периодов, не превышает 1–2 % для глобально-осредненных значении и 5–7 % для региональных значении (наиболее чувствительны к выбору периода осреднения являются экваториальные широты Тихого океана, где коли-чество облаков существенным образом зависит от фазы явления Эль-Ниньо / Ла-Нинья). В даннои работе проведена оценка среднегодовых значении облач-ности по различным данным.

Среднегодовое значение глобальнои облачности (рис. 1) согласно большин-ству данных спутниковых и наземных наблюдении составляет около 2 / 3 (от 0,65 до 0,68), меньшее количество облаков отмечено по данным CERES (0,6) и PARASOL-POLDER (0,56), большее – по данным UW HIRS (0,75). Среднегодовое

Продолжение табл. 1


340

значение глобальнои облачности над сушеи находится в широком диапазоне от 0,41 (MISR) до 0,69 (UW HIRS) (в среднем близко к 0,54). Над океаном среднего-довое значение глобальнои облачности близко к 0,7 (оценивается диапазоне от 0,6 (PARASOL-POLDER) до 0,77 (UW HIRS)).

Рис. 1. Среднегодовое глобально-осредненное количество облаков по различным данным

Данные реанализа, в целом, воспроизводят меньшее количество облаков, главным образом, за счет облачности над океаном. Ближе всего к наблюдаемои облачность воспроизводится в реанализе ERA-40 (0,65 в целом, 0,55 над сушеи и 0,68 над океаном). По остальным данным реанализа она оценивается в диапа-зоне от 0,52 (NCEP / NCAR) до 0,58 (ERA-Interim). Над сушеи – от 0,45 (JRA-25) до 0,53 (MERRA), над океаном – от 0,53 (NCEP / NCAR) до 0,64 (ERA-Interim).

По модельным расчетам среднегодовое значение облачности оценивается в широком диапазоне от 0,47 (модель UKMO HadCM 3) до 0,73 (модель CNRM CM 3.0), при этом среднее по ансамблю моделеи CMIP3 для Земли в целом составляет 0,60, что несколько ниже соответствующего значения по данным наблюдении, главным образом – за счет облачности над океаном, которое для среднего по ансамблю составляет 0,63 (от 0,49 (модель UKMO HadCM 3) до 0,78 (модель CNRM CM 3.0)). Над сушеи среднее по ансамблю около 0,53, что близко к наблюдаемому (от 0,39 (модель MIROC 3.2) до 0,61 (модели GFDL CM 2.0 и INM CM 3.0)). Количество облаков в модели КМ ИФА РАН оценивается около 0,59 для Земли в целом, около 0,56 над сушеи и около 0,6 над океаном.

В зональном распределении (рис. 2) анализируемые данные наблюдении доста-точно хорошо согласуются друг с другом, и в целом адекватно характеризуют

341


общие закономерности распределения зональнои облачности в средних и низких широтах, с четко выраженными минимумами в тропиках и субтропиках (в диа-пазоне 0,45–0,65 для южного полушария (ЮП) и 0,4–0,6 для северного полушария (СП)) и максимумами в приэкваториальных (0,65–0,8) и умеренных широтах (0,85–0,95 для ЮП и 0,6–0,8 для СП). Стоит отметить, что экваториальныи макси-мум смещён в СП (на 5–10°), что близко к положению температурного максимума Земли. В полярных широтах отмечаются существенные различия между разными данными наблюдении (а также между данными реанализа и глобальными клима-тическими моделями (не показано)). Различия достигают 0,5 в СП и 0,6 в ЮП: от 0,1 по данным PARASOL-POLDER (основанным только на измерениях в видимом диапазоне) до 0,7 по данным UW HIRS (основанным на измерениях в ИК диапа-зоне). Особенно значительны эти различия над снежнои и ледовои подстилающеи поверхностью [4]. В Арктике в зимнее время значительные различия также отме-чены над регионами с сильными температурными инверсиями в тропосфере [5].

Рис. 2. Зонально-осредненное количество облаков в декабре-январе-феврале (а) и июне-июле-августе (б) по различным наблюдениям

Для анализа пространственных различии между данными использовались диаграммы Теилора. Пространственное разрешение используемых баз данных

СП

СП

ЮП

ЮП

CMIP3среднеепо ансамблю

КМ ИФА РАН

-90 -60 -30 0 30 60 90

0

0.2

0.4

0.6

0.8

1

0

0.2

0.4

0.6

0.8

1

-90 -60 -30 0 30 60 900

0.2

0.4

0.6

0.8

1-90 -60 -30 0 30 60 90

0

0.2

0.4

0.6

0.8

1

A

Б

EECRAISCCPUW HIRSPatmos-XMODIS AquaMODIS Terra

CERES TerraCERES AquaPARASOL-POLDERAIRS-LMDCALIPSO-GOCCPMISRATSR-GRAPE

ERA-40ERA-InterimNCEP/NCARNCEP/DOEMERRAJRA-25


342

приводилось к единому («загрублялись» до 5°). В качестве опорнои базы данных, с которои сравнивались остальные, были выбраны наземные наблюдения EECRA (этот выбор не подразумевает выделения наземных наблюдении в качестве эта-лона, однако он удобен для наглядного сравнения).

Среднегодовые значения облачности по данным спутниковых наблюдении в целом хорошо согласуются с наземными данными (и друг с другом), коэффи-циент пространственнои корреляции (R) находится в диапазоне от 0,8 до 0,95 (рис. 3). Лучшее согласие отмечено над океаном (не показано) (R около 0,9), при этом большинство спутниковых данных имеет большее среднеквадратическое отклонение по пространству (СКО) над океаном, чем наземные наблюдения. Над сушеи согласие между данными ниже (R<0,9, до 0,6 по некоторым данным), а значения СКО близки между спутниковыми и наземными наблюдениями. Наибольшее пространственное согласие (по СКО и по R) с данными наземных наблюдении отмечено для спутниковых наблюдении ISCCP и CERES, наимень-шее – для Patmos-X (над сушеи – для ATSR-GRAPE).

Рис. 3. Диаграммы Тейлора для среднегодовых значений общей облачности над планетой в целом. Угловая координата характеризует пространственный

коэффициент корреляции R между данными наземных наблюдений EECRA и другими данными, радиальная координата характеризует СКО

по пространству (нормированное на СКО EECRA). Аббревиатуры для баз данных – аналогично рис. 1

00 0.20.2

0.40.4

0.60.6

0.80.8

0.90.9

0.950.95

0.990.99

110 0.2 0.4 0.6 0.8 1 1.2 1.4

bc

cccn

c0 c5g0

g1 gaghgr

ic iv

im

ip

mi

mu

mp mr

nc

np

ucug

cm

ir

e4ei

nnnd

m

j

E

I

UH

PX

MtMa

CtCa

PPALCG

M

AG

СКО

R

343


Данные реанализа и модельные расчёты в целом лучше согласуются с данны-ми наблюдении над сушеи. Для среднегодовои облачности над сушеи (рис. 3а) значения коэффициента корреляции R находятся в диапазоне 0,7–0,9, СКО практически для всех моделеи и данных реанализа (кроме двух версии реана-лиза NCEP и КМ ИФА РАН) выше, чем СКО по наземным наблюдениям как для среднегодовых, так и для сезонных значении. Наилучшее пространственное согласие с данными наземных наблюдении (с учетом как R, так и СКО) как для среднегодовых, так и для сезонных значении, отмечено для среднего по ансам-блю моделеи CMIP3.

Проведен анализ причин отмеченных различии между разными данными при наблюдении за облаками. В частности, отмеченные различия могут быть связаны с суточным ходом облачности. Наблюдения только в дневное время могут завы-шать значения облачности над сушеи (до 20 %) и занижать значения облачности над океаном (до 5 %). Наблюдения только в утренние или ночные часы, наобо-рот, будут занижать значения облачности над сушеи (до 10 %) и завышать над океаном (на 5–7 %) [6]. Различия, связанные с выбором периода осреднении, не превышают на глобальном уровне 1–2 %. Точностью приборов и неоднород-ностью наблюдении может объясняться до 5 % различии в тропиках и до 10 % различии в полярных широтах. В полярных регионах наибольшие различия отме-чены в регионах с высокои повторяемостью сильных температурных инверсии [5, 7]. Системы реанализа в целом адекватно воспроизводят облачность в низких и средних широтах, однако они не могут быть использованы для исследовании в полярных широтах [5, 7].

В целом, основнои причинои наличия столь широкого диапазона среднего-довых значении облачности и различии в пространственном распределении, являются различия в алгоритмах определения характеристик облаков по данным наблюдении и различия в расчетных схемах в климатических моделях и данных реанализа. При этом в настоящее время выделить эталонные наблюдения за облачностью затруднительно.


1. Chernokulsky A.V., Bulygina O.N., Mokhov I.I. Recent variations of cloudiness over Russia from surface daytime observations // Environmental Research Letters. – 2011. – Vol. 6. – No. 3. – P. 035202. DOI: 10.1155/2012/542093.

2. Chernokulsky A.V., Mokhov I.I., Nikitina N.G. Winter cloudiness variability over Northern Eurasia related to the Siberian High during 1966–2010 // Environmental Research Letters. – Vol. 8. – No. 4. – P. 045012. DOI: 10.1088 /1748–9326/8/4/045012.

3. Мохов И.И., Чернокульский А.В., Акперов М.Г., Дюфрен Ж.-Л., Ле Трет Э. Изменения характеристик циклоническои активности и облачности в атмосфере внетропических широт северного полушария по модельным расчетам в сопоставлении с данными реа-нализа и спутниковыми данными // Доклады РАН. – 2009. – Т. 424. – № 3. – С. 393–397.


344

4. Чернокульский А.В., Мохов И.И. Сравнительныи анализ характеристик глобальнои и зональнои облачности по различным спутниковым и наземным наблюдениям // Исследования Земли из космоса. – 2010. – № 3. – С. 12–29.

5. Chernokulsky A.V., Mokhov I.I. Climatology of total cloudiness in the Arctic: An intercompar-ison of observations and reanalyses // Advances in Meteorology. – 2012. – Vol. 2012. – Article ID 542093, 15 pages. DOI: 10.1155/2012/542093.

6. Чернокульский А.В. Ночная и дневная облачность по разным спутниковым данным // Известия РАН. Серия географическая. – 2015. – № 6. – C.48–60. DOI: 10.15356 / 0373–2444-2015–6-48–60.

7. Эзау И.Н., Чернокульский А.В. Поля конвективнои облачности в Атлантическом секторе Арктики: спутниковые и наземные наблюдения // Исследования Земли из космоса. – 2015. – № 2. – С. 49–63.

345

UNCERTAINTIES OF SATELLITE DATA FOR CLIMATE STUDIES PURPOSES:THE CASE OF TOTAL CLOUDINESS

Chernokulsky A.V.A.M. Obukhov Institute of Atmospheric Physics, Russian Academy of Sciences


Abstract: Clouds play a key role in the Earth climate system. Cloud-related feedback may damp or amplify global warming. However, there is a major uncertainties in total cloud fraction (TCF) estimation based on up-to-date observations,. Here, an intercomparison of TCF was carried out based on dozens available sources including surface and satellite observations, reanalyses data and climate models simulations. TCF from different observations is about 2 / 3 in average. It reaches 3 / 4 for certain data. TCF is estimated between 1 / 2 and 3 / 5 over land and about 7 / 10 over ocean. According to all observations clouds amount in the Southern Hemisphere is larger than in the Northern Hemisphere with the maximum in summer and minimum in winter. The largest distinctions between different satellite data, reanalyses and model simulations are noted over regions with high albedo, in particular over polar regions and subtropical deserts.

Keywords: cloudiness, cloud cover, satellite observations, intercomparison.

References

1. Chernokulsky A.V., Bulygina O.N., Mokhov I.I. Recent variations of cloudiness over Russia from surface daytime observations // Environmental Research Letters. – 2011. – Vol. 6. – No. 3. – P. 035202. DOI: 10.1155/2012/542093 (In English).

2. Chernokulsky A.V., Mokhov I.I., Nikitina N.G. Winter cloudiness variability over Northern Eurasia related to the Siberian High during 1966–2010 // Environmental Research Letters. – Vol. 8. – No. 4. – P. 045012. DOI: 10.1088 /1748–9326/8/4/045012 (In English).

3. Mokhov I.I., Chernokul’skii A.V., Akperov M.G., Dufresne J.-L. and Le Treut H. Variations in the Characteristics of Cyclonic Activity and Cloudiness in the Atmosphere of Extratropical Latitudes of the Northern Hemisphere Based from Model Calculations Compared with the Data of the Reanalysis and Satellite Data // Doklady Earth Sciences. – 2009. – Vol. 424 (1). – P. 147–150. doi: 10.1134 / S1028334X09010310 (In English).

4. Chernokulsky A.V., Mokhov I.I. 2010. Intercomparison of global and zonal cloudiness char-acteristics from different satellite and ground-based data // Issled. Zemli Kosm. – 2010. – No. 3. – P. 12–29 (In Russian).

5. Chernokulsky A.V., Mokhov I.I. Climatology of total cloudiness in the Arctic: An intercompar-ison of observations and reanalyses // Advances in Meteorology. – 2012. – Vol. 2012. – Article ID 542093, 15 pages. DOI: 10.1155/2012/542093 (in English).

6. Chernokulsky A.V. 2015. Day and night cloudiness from different satellite data. Izvestiya RAN, seriya Geographicheskaya. 6: 48–60. doi: 10.15356 / 0373–2444-2015–6-48–60 (In Russian).

7. Esau I.N., Chernokulsky A.V. Convective Cloud Fields in the Atlantic Sector of the Arctic: Satellite and Ground-Based Observations // Izvestiya, Atmospheric and Oceanic Physics. – 2015. – Vol. 51 (9). – P. 1007–1020, doi: 10.1134 / S000143381509008X (in English).

346

АЛФАВИТНЫЙ УКАЗАТЕЛЬ АВТОРОВ

Абдуллин Р.К. 143Акперов М.Г. 197Андреев М.В. 13, 42Архипова О.Е. 29, 55, 204Бажукова Н.В. 37Батанов Д.В. 313Бердников С.В. 215Берёзина К.В. 13Бляхарскии Д.П. 288Бобков А.Е. 165Быстров А.Ю. 13, 42Висхаджиева К.С. 177Глазырин Г.Е. 177Годин Е.А. 81Голубева Е.И. 274, 327Голубятников Л.Л. 252Гречищев А.В. 13, 222, 235Груздев С.С. 42Дашкевич Л.В. 48Дембицкая М.А. 197Деркачева А.А. 327Докукин М.Д. 177Дрыга Д.О. 42Епринцев С.А. 55Ермолаева О.С. 64, 258Ерохин С.А. 177Жук Е.В. 81

Заров Е.А. 252Зеилигер А.М. 64, 258Зимин М.В. 327Ингеров А.В. 81Исаева Е.А. 81Киселева Е.С. 37Киселева С.В. 274Колосов Ю.В. 42Кулыгин В.В. 93Курков В.М. 288Лемешко Т.Б. 303Лихтанская Н.В. 215Лубнин Д.С. 13, 42Лычагина Ю.М. 101Магаева А.А. 204Маурин Д.И. 109Мохов И.И. 197Немцева Л.Д. 215Новикова О.Г. 313Петкова Н.В. 117Петраков Д.А. 177Петров M.А. 177Пластун Т.В. 81Потапов А.С. 321Приходько С.Д. 133Пьянков С.В. 143Рафикова Ю.Ю. 274Савернюк Е.А. 177

Савинскии В.Ю. 222, 235Садовая И.В. 327Сапрыгин В.В. 215Селезнёва Е.В. 159Середа И.И. 327Соколов Л.С. 177Стоволосов Е.В. 13, 222, 235Сурков Ф.А. 215Тарасов М.К. 327Ташкинова А.Н. 37Третьякова И.А. 152Труфанов А.В. 327Тульская Н.И. 274Тутубалина О.В. 177, 327Учаев Д.В. 165Учаев Дм.В. 165Ушканова Е.В. 117Флоринскии И.В. 288Халиулин А.Х. 81Черепанова Е.С. 37, 143Чернокульскии А.В. 337Черноморец С.С. 177Шихов А.Н. 143Шкуров Ф.В. 42Шпунтова А.М. 177Штоффел М. 177Яицкая Н.А. 187

347

AUTHOR INDEX

Abdullin R.K. 150Akperov M.G. 202Andreev M.V. 13, 47Arkhipova O.E. 35, 62, 213Batanov D.V. 320Bazhukova N.V. 41Berdnikov S.V. 220Berezina K.V. 13Bliakharskii D.P. 301Bobkov A.E. 175Bystrov A.Yu. 13, 47Cherepanova E.S. 41, 150Chernokulsky A.V. 345Chernomorets S.S. 185Dashkevich L.V. 53Dembickaya M.A. 202Derkacheva A.A. 335Dokukin M.D. 185Dryga D. 47Eprintsev S.A. 62Ermolaeva O.S. 77, 271Erokhin S.A. 185Florinsky I.V. 301Glazirin G.E. 185Godin E.A. 91Golubeva E.I. 286, 335Golubyatnikov L.L. 257Grechishchev A.V. 13, 233, 249

Gruzdev S. 47Ingerov A.V. 91Isaeva E.A. 91Khaliulin A.Kh. 91Kiseleva E.S. 41Kiseleva S.V. 286Kolosov U. 47Kulygin V.V. 99Kurkov V.M. 301Lemeshko T.B. 311Likhtanskaya N.V. 220Lubnin D.S. 27, 47 Lychagina Y.M. 107Magaeva A.A. 213Maurin D.I. 116Mokhov I.I. 202Nemtseva L.D. 220Novikova O.G. 320Petkova N.V. 132Petrakov D.A. 185Petrov M.A. 185Plastun T.V. 91Potapov A.S. 326Prikhodko S.D. 142Pyankov S.V. 150Rafikova Yu.Yu. 286Sadovaya I.V. 335Saprygin V.V. 220Savernyuk E.A. 185

Savinski V.Yu. 233, 249Selezneva E.V. 163Sereda I.I. 335Shikhov A.N. 150Shkurov F. 47Shpuntova A.M. 185Sokolov L.S. 185Stoffel M. 185Stovolosov E.V. 27, 233, 249Surkov F.A. 220Tarasov M.K. 335Tashkinova A.N. 41Tretyakova I.A. 157Trufanov A.V. 335Tulskaya N.I. 286Tutubalina O.V. 185, 335Uchaev D.V. 175Uchaev Dm.V. 175Ushkanova E.V. 132Viskhadzhieva K.S. 185Yaitskaya N. 195Zarov E.A. 257Zeiliguer A.M. 77, 271Zhuk E.V. 91Zimin M.V. 335

Научное издание

ЭКОЛОГИЯЭКОНОМИКА

ИНФОРМАТИКА

ГЕОИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИИ КОСМИЧЕСКИЙ МОНИТОРИНГ

Том 2Сборник статеи

Оформление обложкиЯна Яковлева

ВерсткаЛункина Н.В.

Сдано в набор 22.08.16. Подписано в печать 05.09.2016.Формат 72 х 104 / 16. Бумага офсетная. Гарнитура Minion Pro.

Печать цифровая. Заказ № 42/16. Усл. печ. л. 30,16.Тираж 300 экз.

Подготовлено и отпечатано DSM Group (ИП Лункина Н.В).г. Ростов-на-Дону, ул. Седова, 9, тел. 263-57-66

E-mail: [email protected]

Documents

ЭКОЛОГИЯ ЭКОНОМИКА ИНФОРМАТИКА€¦ · УДК 502.3 ББК 20.1+20.18 Г 35 Рецензенты д.г.н. Бердников С.В., д.ф.-м.н. Тютюнов