Поиск
Найти:
Подписка/отписка
на рассылку новостей
ISSN 2070-7401 (Print), ISSN 2411-0280 (Online)
Современные проблемы дистанционного зондирования Земли из космоса
физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений
и объектов

  

Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19. № 2. С. 106-129

Характеристика антропогенных трансформаций ландшафтов в районе Бованенковского месторождения по данным спутников Landsat

С.Г. Корниенко 1 
1 Институт проблем нефти и газа РАН, Москва, Россия
Одобрена к печати: 11.04.2022
DOI: 10.21046/2070-7401-2022-19-2-106-129
Приведены результаты оценки трансформаций природных ландшафтов криолитозоны в районе строительства и функционирования технических объектов Бованенковского нефтегазоконденсатного месторождения на п-ове Ямал. Исследование проводилось с использованием 10 снимков спутников Landsat летних съёмок за период с 1988 по 2020 г. на основе параметров, характеризующих полуденную температуру поверхности (LST), альбедо (Аlb), содержание хлорофилла (индекс NDVI) и влажность (индекс NDWI) напочвенного покрова. Анализ многолетних трендов средних значений параметров LST, Alb, NDVI и NDWI для оценки влияния антропогенных факторов на фоне глобальных и региональных изменений проводился с применением методики относительной радиометрической нормализации временного ряда мультиспектральных космических снимков. Коэффициенты уравнений для преобразования изображений и погрешности нормализации определялись на основе метода перекрёстной проверки. Значимость трендов оценивалась с использованием непараметрического теста Манна – Кендалла. Информативность параметров LST, Alb, NDVI и NDWI для характеристики трансформаций ландшафта была подтверждена результатами оценки изменений растительного покрова по космическим снимкам сверхвысокого пространственного разрешения 2004 и 2016 гг. В границах района, охватывающего все построенные к 2020 г. объекты, тренды незначительные (незначимы). В районе наиболее длительной техногенной нагрузки (на южном своде месторождения) отмечается более явный (значимый) рост LST и снижение NDWI, что свидетельствует о доминировании процессов дренирования поверхности. Тренды Аlb и NDVI в этом районе незначимы, что указывает на отсутствие тенденций изменения состояния растительного покрова, связанного с антропогенным воздействием. Отмечается, что наблюдаемое повышение температуры поверхности на фоне глобального климатического тренда может стать дополнительным фактором увеличения глубины деятельного слоя и деградации мерзлоты. Полученные результаты позволяют предположить, что изменения параметров LST, Alb, NDVI и NDWI, характеризующие трансформации природных ландшафтов, не фиксируются за границами районов расположения промышленных и инфраструктурных объектов.
Ключевые слова: антропогенное воздействие, радиометрическая нормализация, перекрёстная проверка, дистанционное зондирование, криогенный ландшафт, температура поверхности, альбедо, NDVI, NDWI, трансформации, тундра, Бованенковское месторождение
Полный текст

Список литературы:

  1. Воронцов К. В. Комбинаторный подход к оценке качества обучаемых алгоритмов // Математ. вопросы кибернетики. 2004. Вып. 13. С. 5–36. URL: http://library.keldysh.ru/mvk.asp?id=2004-5.
  2. Елсаков В. В. Спектральные различия характеристик растительного покрова тундровых сообществ сенсоров Landsat // Современные проблемы дистанционного зондирования Земли из космоса. 2021. Т. 18. № 4. С. 92–101. DOI: 10.21046/2070-7401-2021-18-4-92-101.
  3. Кадничанский С. А. Оценка контраста цифровых аэрофото- и космических снимков // Геодезия и картография. 2018. № 3. С. 46–51. DOI: 10.22389/0016-7126-2018-933-3-46-51.
  4. Конищев В. Н. Реакция вечной мерзлоты на потепление климата // Вестн. Московского ун-та. Сер. 5: «География». 2009. № 4. С. 10–20.
  5. Корниенко С. Г. Использование тепловых снимков со спутника Landsat 7 при картографировании тундровых ландшафтов на примере участка газопровода «Бованенково – Байдарацкая Губа» // Актуальные проблемы нефти и газа. 2020. Вып. 3(30). С. 51–63. DOI: 10.29222/ipng.2078-5712.2020-30.art6.
  6. Криосфера нефтегазоконденсатных месторождений полуострова Ямал. В 3-х т. Т. 2. Криосфера Бованенковского нефтегазоконденсатного месторождения / под ред. Ю. Б. Баду, Н. А. Гафарова, Е. Е. Подборного. М.: ООО «Газпром ЭКСПО», 2013. 422 с.
  7. Крицук Л. Н., Дубровин В. А. Карты геокриологического районирования как основа геоэкологической оценки осваиваемой территории криолитозоны // Разведка и охрана недр. 2003. № 7. С. 12–15.
  8. Лавриненко И. А. Карта техногенной нарушенности растительного покрова Ненецкого автономного округа // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15. № 2. С. 128–136. DOI: 10.21046/2070-7401-2018-15-2-128-136.
  9. Морозова Л. М., Магомедова М. А. Структура растительного покрова и растительные ресурсы полуострова Ямал. Екатеринбург: Изд-во Уральского ун-та, 2004. 63 с.
  10. Московченко Д. В. Особенности многолетней динамики растительности Бованенковского месторождения (полуостров Ямал) // Вестн. Тюменского гос. ун-та. 2013. № 12. С. 57–66.
  11. Титкова Т. Б., Виноградова В. В. Отклик растительности на изменение климатических условий в бореальных и субарктических ландшафтах в начале XXI века // Современные проблемы дистанционного зондирования Земли из космоса. 2015. Т. 12. № 3. С. 75–86.
  12. Тишков А. А., Белоновская Е. А., Вайсфельд М. А., Глазов П. М.,. Кренке А. Н., Тертицкий Г. М. «Позеленение» тундры как драйвер современной динамики арктической биоты // Арктика: экология и экономика. 2018. № 2(30). С. 31–44. DOI: 10.25283/2223-4594-2018-2-31-44.
  13. Ardelean F., Onaca A., Chetan M.-A., Dornik A., Georgievski G., Hagemann S., Timofte F., Berzescu O. Assessment of spatio-temporal landscape changes from VHR images in three different permafrost areas in the Western Russian Arctic // Remote Sensing. 2020. V. 12. No. 23. Art. No. 3999. DOI: 10.3390/rs12233999.
  14. Beck P. S.A., Goetz S. J. Satellite observations of high northern latitude vegetation productivity changes between 1982 and 2008: ecological variability and regional differences // Environmental Research Letters. 2011. V. 6. No. 4. Art. No. 045501. 10 p. https://doi.org/10.1088/1748-9326/6/4/049501.
  15. Bhatt U. S., Walker D. A., Raynolds M. K., Bieniek P. A., Epstein H. E., Comiso J. C., Pinzon J. E., Tucker C. J., Steele M., Ermold W., Zhang J. Changing seasonality of panarctic tundra vegetation in relationship to climatic variables // Environmental Research Letters. 2017. V. 12. No. 5. Art. No. 055003. 17 p. https://doi.org/10.1088/1748-9326/aa6b0b.
  16. Canty M. J., Nielsen A. A. Automatic radiometric normalization of multitemporal satellite imagery with the iteratively Re-weighted MAD transformation // Remote Sensing of Environment. 2008. V. 112. No. 3. P. 1025–1036. https://doi.org/10.1016/j.rse.2007.07.013.
  17. Chander G., Markham B. L., Helder D. L. Summary of current radiometric calibration coefficients for Landsat MSS, TM, ETM+, and EO-1 ALI sensors // Remote Sensing of Environment. 2009. V. 113. P. 893–903. https://doi.org/10.1016/j.rse.2009.01.007.
  18. Gao B. NDWI — A normalized difference water index for remote sensing of vegetation liquid water from space // Remote Sensing of Environment. 1996. V. 58. P. 257–266. DOI: 10.1016/S0034-4257(96)00067-3.
  19. Holloway J. E., Lewkowicz A. G., Douglas T. A., Li X., Turetsky M. R., Baltzer J. L., Jin H. Impact of wildfire on permafrost landscapes: A review of recent advances and future prospects // Permafrost and Periglacial Processes. 2020. V. 31. No. 3. P. 371–382. https://doi.org/10.1002/ppp.2048.
  20. Jacob F., Olioso A., Gu X. F., Su Z., Seguin B. Mapping surface fluxes using airborne visible, near infrared, thermal infrared remote sensing data and a spatialized surface energy balance model // Agronomie. 2002. V. 22. P. 669–680. DOI: 10.1051/agro:2002053.
  21. Kim T., Han Y. Integrated Preprocessing of Multitemporal Very-High-Resolution Satellite Images via Conjugate Points-Based Pseudo-Invariant Feature Extraction // Remote Sensing. 2021. V. 13. Art. No. 3990. https://doi.org/10.3390/rs13193990.
  22. Kornienko S. G. Radiometric normalization of Landsat thermal imagery for detection of tundra land cover changes: experience from West Siberia // Intern. J. Remote Sensing. 2021. V. 42. No. 4. P. 1420–1449. DOI: 10.1080/01431161.2020.1832280.
  23. Kumpula T., Forbes B. C., Stammler F., Meschtyb N. Dynamics of a Coupled System: Multi-Resolution Remote Sensing in Assessing Social-Ecological Responses during 25 Years of Gas Field Development in Arctic Russia // Remote Sensing. 2012. V. 4. No. 4. P. 1046–1068. DOI: 10.3390/rs4041046.
  24. Landsat 8 (L8) Data Users Handbook. Version 5.0. USGS. Department of the Interior. Sioux Falls, South Dakota: EROS, 2019. 114 p. URL: https://prd-wret.s3.us-west-2.amazonaws.com/assets/palladium/production/atoms/files/LSDS-1574_L8_Data_Users_Handbook-v5.0.pdf.
  25. Liang S. Narrowband to broadband conversions of land surface albedo I — Algorithms // Remote Sensing of Environment. 2000. V. 76. P. 213–238. DOI: 10.1016/S0034-4257(00)00205-4.
  26. Mann H. B. Nonparametric tests against trend // Econometrica. 1945. V. 13. P. 245–259.
  27. Marcot B. G., Hanea A. M. What is an optimal value of k in k-fold cross-validation in discrete Bayesian network analysis? // Computational Statistics. 2021. V. 36. P. 2009–2031. https://doi.org/10.1007/s00180-020-00999-9.
  28. O’Donnell J. A., Romanovsky V. E., Harden J. W., McGuire A. D. The effect of moisture content on the thermal conductivity of moss and organic soil horizons from black spruce ecosystems in interior Alaska // Soil Science. 2009. V. 174. No. 12. P. 646–651. DOI: 10.1097/SS.0b013e3181c4a7f8.
  29. Piralilou S. T., Einali G., Ghorbanzadeh O., Nachappa T. G., Gholamnia K., Blaschke T., Ghamisi P. A. Google Earth Engine Approach for Wildfire Susceptibility Prediction Fusion with Remote Sensing Data of Different Spatial Resolutions // Remote Sensing. 2022. V. 14. Art. No. 672. https://doi.org/10.3390/rs14030672.
  30. Rahman M. M., Hay G. J., Couloigner I., Hemachandran B., Bailin J. An Assessment of Polynomial Regression Techniques for the Relative Radiometric Normalization (RRN) of High-Resolution Multi-Temporal Airborne Thermal Infrared (TIR) Imagery // Remote Sensing. 2014. V. 6. P. 11810–11828. https://doi.org/10.3390/rs61211810.
  31. Rahman M. M., Hay G. J., Couloigner I., Hemachandran B., Bailin J. A. A Comparison of four radiometric normalization techniques for mosaicing H-res multi-temporal thermal infrared flight lines of a complex urban scene // ISPRS J. Photogrammetry and Remote Sensing. 2015. V. 106. P. 82–94. https://doi.org/10.1016/j.isprsjprs.2015.05.002.
  32. Scheidt S., Ramsey M., Lancaster N. Radiometric normalization and image mosaic generation of ASTER thermal infrared data: An application to extensive sand sheets and dune fields // Remote Sensing of Environment. 2008. V. 112. No. 3. P. 920–933. https://doi.org/10.1016/j.rse.2007.06.020.
  33. Schieldge J. P., Kahle A. B., Alley R. E., Gillespie A. R. Use of thermal inertia properties for material identification // SPIE Image Processing for Missile Guidance. 1980. V. 238. P. 350–357.
  34. Schott J. R., Salvaggio C., Vochok W. J. Radiometric scene normalization using pseudo-invariant features // Remote Sensing of Environment. 1988. V. 26. No. 1. P. 1–14. https://doi.org/10.1016/ 0034-4257(88)90116-2.
  35. Sun Y., Gao C., Li J., Wang R., Liu J. Quantifying the Effects of Urban Form on Land Surface Temperature in Subtropical High-Density Urban Areas Using Machine Learning // Remote Sensing. 2019. V. 11. Art. No. 959. DOI: 10.3390/rs11080959.
  36. Tucker C. J. Red and photographic infrared linear combinations for monitoring vegetation // Remote Sensing of Environment. 1979. V. 8. P. 127–150. DOI: 10.1016/0034-4257(79)90013-0.
  37. Urban M., Forkel M., Eberle J., Hüttich C., Schmullius C., Herold M. Pan-Arctic climate and land cover trends derived from multi-variate and multi-scale analyses (1981–2012) // Remote Sensing. 2014. V. 6. P. 2296–2316. DOI: 10.3390/rs6032296.
  38. Van de Griend A. A., Owe M. On the relationship between thermal emissivity and the normalized different vegetation index for natural surfaces // Intern. J. Remote Sensing. 1993. V. 14. No. 6. P. 1119–1131. DOI: 10.1080/01431169308904400.
  39. Weng Q., Lu D., Schubring J. Estimation of land surface temperature-vegetation abundance relationship for urban heat island studies // Remote Sensing of Environment. 2004. V. 89. P. 467–483. DOI: 10.1016/j.rse.2003.11.005.
  40. Xu H. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery // Intern. J. Remote Sensing. 2006. V. 27. No. 14. P. 3025–3033. DOI: 10.1080/01431160600589179.
  41. Xu H., Wei Y., Li X., Zhao Y., Cheng Q. A novel automatic method on pseudo-invariant features extraction for enhancing the relative radiometric normalization of high-resolution images // Intern. J. Remote Sensing. 2021. V. 42. P. 6153–6183. https://doi.org/10.1080/01431161.2021.1934912.
  42. Yu Q., Epstein H. E., Engstrom R., Shiklomanov N., Strelestskiy D. Land cover and land use changes in the oil and gas regions of Northwestern Siberia under changing climatic conditions // Environmental Research Letters. 2015. V. 10. No. 12. Art. No. 124020. https://doi.org/10.1088/1748-9326/10/12/124020.
  43. Yuan D., Elvidge C. D. Comparison of relative radiometric normalization techniques // ISPRS J. Photogrammetry and Remote Sensing. 1996. V. 51. P. 117–126.