ПРИМЕНЕНИЕ ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ ПРИ ВЫДЕЛЕНИИ УНИКАЛЬНЫХ ОЗЕР

Благодарности Работа выполнена в рамках проекта РФФИ 20-05-00303\22

АННОТАЦИЯ

Сейчас как никогда актуально исследования озерных экосистем для присвоения им статуса особо охраняемых природных территория (ООПТ). В настоящее время присвоение статуса ООПТ происходит с помощью экспертной оценки, которая подчас не является объективной. Также перед экспертами встает вопрос исследования той или иной водной экосистемы с учетом труднодоступности некоторых озер для полевых работ. В связи с этим для предварительной оценки логично использовать камеральные методы исследования. К ним относятся дистанционное зондирование Земли и математическое моделирование. Целью данного исследования является разработка базы данных (БД) озер, наиболее перспективных с точки зрения придания им охранного статуса. БД озер строилась на основе дешифрирования спутниковых снимков для определения морфометрических параметров водных объектов. Озера-претенденты на статус ООПТ отбирались посредством идентификации аномальных значений математической моделью двухэтапной кластеризации (TwoStep Cluster). В качестве репрезентативной выборки исследовались озера Северо-Западного Федерального округа (СЗ ФО). Результатами исследования стало получение БД с озерами-претендентами на охранный статус.

ABSTRACT

Now more than ever, it is important to study lake ecosystems in order to assign them the status of specially protected natural areas (SPNA). Currently, the status of protected areas is assigned with the help of an expert assessment, which is sometimes not objective. Also, experts face the question of studying a particular aquatic ecosystem, taking into account the inaccessibility of some lakes for field work. In this regard, for a preliminary assessment, it is logical to use cameral research methods. These include Earth remote sensing and mathematical modeling. The purpose of this study is to develop a database (DB) of lakes that are the most promising in terms of giving them a protected status. The database of lakes was built on the basis of interpretation of satellite images to determine the morphometric parameters of water bodies. Candidate lakes for the status of protected areas were selected by identifying anomalous values using a mathematical model of two-stage clustering (TwoStep Cluster). The lakes of the Northwestern Federal District (NW FD) were studied as a representative sample. The results of the study were to obtain a database with lakes that are contenders for conservation status.

Ключевые слова: уникальные озера; картография; базы данных; поиск аномалий; модель двухэтапной кластеризации.

Keywords: unique lakes; cartography; Database; search for anomalies; two-stage clustering model.

Введение

При значительном ухудшении экологического состояния озер на фоне активной антропогенной деятельности требуется принятие специальных консервативных мер для охраны наиболее ценных объектов природы. Существующая сеть наблюдений за природными объектами, в том числе водными, крайне разрежена и не отвечает степени современных экологических угроз. Также затруднено исследование логистически труднодоступных озер северных регионов РФ.

Самой эффективной на сегодняшний день мер консервации водных экосистем является закрепление за ними статуса особо охраняемых водных объектов (ООПТ). Как правило, чтобы водоем был признан ООПТ он должен обладать редкой биотой, краснокнижной флорой и фауной, т.е. обладать уникальными природными свойствами в пределах определенного региона физико-географического региона.

Однако как было показано в [2]водная экосистема, выделяющаяся уникальной биотой, часто является выделяется и по ряду других абиотических характеристик. В [3] на примере озер карстового происхождения было показано, что, анализируя только морфометрические параметры водных объектов можно выявить ряд уникальных гидробиологических и гидрохимических характеристик. Поэтому для предварительного анализа с целью выявления атипичных характеристик водных экосистем использовались морфометрических параметры озер. В рамках проекта РФФИ 20-05-00303 «Выявление критериев уникальности озёрных экосистем» авторским коллективом были исследованы различные математические методы идентификации аномалий водных объектов по морфометрическим и гидрохимическим признакам. Работа с различными репрезентативными выборками водных экосистем и их экспертная оценка на предмет уникальности указывает на то, что наиболее приемлемые результаты получаются, когда совокупность озер обладает единством происхождения озерных котловин, принадлежностью к одному гидрохимическому ландшафту или геофизической стране (региону) и т.п., в зависимости от группы анализируемых параметров.

Задача настоящего исследования – на примере ретроспективной выборки из озер России, разработать БД и выявить озера наиболее перспективные для возможности дальнейшего полевого исследования на предмет придания им охранного статуса.

Материалы и методы

В настоящем исследовании рассмотрено 1116 озер в границах Ненецкого автономного округа, Архангельской и Вологодской областей, а также Республики Коми.

Районирование в целях выделения генетической общности происхождения озер с учетом господствующих ландшафтов и физико-географических стран проводилось на основе данных карты физико-географического районирования масштаба 1:24 000 000 [1]. В результате районирования были выделены пять физико-географических регионов (рисунок):

1 -таежные и широколиственно-хвойные лесные европейские ландшафты низких равнин Фенноскандии;

2 - тундровые и лесотундровые европейские ландшафты низких равнин Восточно-Европейской (Русской) равнины;

3 - таежные и широколиственно-хвойные лесные европейские ландшафты низких равнин Восточно-Европейской (Русской) равнины;

4 - таежные и широколиственно-хвойные лесные европейские ландшафты возвышенностей и плато Восточно-Европейской (Русской) равнины;

5 - полярные тундрово-пустынно-арктические ландшафты низкогорий Уральских гор.

Оценка морфометрических параметров водоемов базировалась на визуальном дешифрировании спутниковых снимков в среде QGIS и Google Earth.В рамках работ были получены площадные (S, км²) и линейные характеристики 1116 водоемов, расположенных в пределах Северо-Западного ФО России. Линейные характеристики включали длину (L, км) и среднюю ширину (W_avg, км). Дополнительно рассчитывались: коэффициент сжатия зеркала озера (), показатель удлиненности (1/k_s), безразмерная площадь озера , (относительно площади Каспийского моря), а также коэффициент изрезанности береговой линии .

Из числа озер, по которым были получены площадные и линейные характеристики, 88% имеют площади крупнее 1 км², 178 озер превышают по площади 10 км².

Выявление аномальных значений морфометрических параметров происходило в каждой из групп по принадлежности к одной из пяти физико-географических стран. Для идентификации аномальных значений среди морфометрических характеристик озер использовалась модель двухэтапной кластеризации (TwoStep Cluster)[4; 6]. Алгоритм TwoStep Cluster основан на иерархической кластеризации объектов выборки, который состоит из двух этапов: 1) предварительная кластеризация на максимальное количество кластеров и 2) минимизация количества кластеров. Построение предварительного кластера основано на алгоритме модифицированного дерева функций кластера (CF-tree (Сlustering Feature)) [5].Для предположения об изначальном количестве кластеров используется информационный критерий Байеса:

где ξ_υ – дисперсия в кластерах,J – количество кластеров, N – количество объектов, K^A– количество полей числового типа, K^B – количество полей символьного типа, L_k – количество категорий для k-го символьного поля. Максимальное количество кластеров оценивается как отношение изменение информационного критерия Байеса (1) при каждом объединении кластеров по отношению к первому объединению.

Минимизация количества кластеров происходит на основе агломеративной иерархической кластеризации по признаку наименьшего расстояния между кластерами, до тех пор пока не останется их минимальное количество. В итоге получается кластерная модель, которая в последствии уточняется, пока не будет достигнуто оптимальное количество кластеров.

Идентификация аномальных значений производится с помощью определения принадлежности каждой записи к определенному кластеру кластерной модели, полученной на первом этапе реализации алгоритма. Оценка принадлежности записи к кластеру основывается на логарифмическом расстоянии правдоподобия, которое является мерой расстояния записи от ближайшего кластера. Количественной оценкой аномальности каждой записи служит индекс аномальности. Чем больше индекс аномальности, тем больше отклонений записи от кластера. Как правило к аномальным значениям относят объекты с индексом аномальности больше 1-1,5, но чаще берут более строгую оценку больше 2. В нашем исследовании принята строгая оценка для индекса аномальности.

Результаты исследования

В результате применения алгоритма TwoStep Clusterк выборкам морфометрических параметров озёр СЗ ФО, расположенных в различныхфизико-географических регионах, всего было выявлено106 объектов с индексом аномалий больше 2 (рисунок). Интерактивная карта рассматриваемых озер доступна на сайте Института озероведения по ссылке http://limno.ru/developments/catalogs/lake_anomaly_phys/

Рисунок 1. Озера с аномальными характеристиками, выявленные в пределах Северо-Западного ФО России

Условные обозначения: 1 – исследованные озера; 2  – озера с аномальными характеристиками; 3 - границы ландшафтов в пределах физико-географических стран (пояснения в тексте)

Многие из вошедших в итоговый набор водоемов ранее практически не изучались и могут рассматриваться как потенциальные объекты при проведении полевых исследований.

В пределах таежных и широколиственно-хвойных лесных европейских ландшафтов низких равнин Фенноскандии выявлены 2 озера с аномальными характеристиками, расположенные в Архангельской области — Колдозеро (2,3 км²) и Кергозеро (2,4 км²). Индекс аномальности выделенных водоемов составляет 2,8 и 5,4.

В группе озер тундровых и лесотундровых европейских ландшафтов низких равнин Восточно-Европейской (Русской) равнины выявлено 22 водоема-аномалии, среди них из крупных озер – Голодная Губа (194 км²), Песчанка-То (76 км²), Урдюжское (61 км²), Лаято (13 км²), Корговое (11 км²), Тобой (11 км²), Белуга-Ты (11 км²), Сейхасрето(10 км²),Закладное (10 км²). За исключением оз. Рубиха, которое находится в Архангельской области,  выявленные в данной группе озера расположены в Ненецком АО. Индекс аномальности озер изменяется от 2 до 21,6, наибольший показатель рассчитан для оз. Рубиха (21,6) и оз. Голодная Губа (10,5). Наибольший коэффициент сжатия k_s отмечен для озера оз. Рубиха (2,2), наименьший — для Серчеевых озер (0,04). Для остальных водоемов группы k_sменее 0,7.

Озера таежных и широколиственно-хвойных лесных европейских ландшафтов низких равнин Восточно-Европейской (Русской) равнины. К перечню объектов с аномальными характеристиками данной группы относятся 23 озера. Наиболее крупные озера - Белое (1120 км², Вологодская обл.) и Тельдозеро (21 км², Архангельская обл.). Остальные водоемы имеют площади менее 20 км², 12 озер - менее 10км². Рассчитанный индекс аномальности в группе находится в диапазоне от 3,5 до 5,8 (оз. Поча в Архангельской области). K_sв среднем составляет 0,4, наибольшие значения — 1,3 (оз. Сергоозеро, Архангельская обл.) и 1,4 (оз. Нелсозеро, Архангельская обл.).

В пределах таежных и широколиственно-хвойных лесных европейских ландшафтов возвышенностей и плато Восточно-Европейской (Русской) равнины выявлены 4 водоема-аномалии, расположенных в Вологодской области. Наиболее крупное — Качозеро (5 км²). Индекс аномальности изменяется от 2,9 до 3,5 (Качозеро).

В группе озер полярных тундрово-пустынно-арктических ландшафтов низкогорий Уральских гор выявлены 2 озера с аномальными характеристиками — Бол. Тоинто (18,9 км²) и Бол. Болбанты (4,2 км²) Ненецкого АО. Индекс аномальности озер составляет 2,9 и 3,4 соответственно. Коэффициент сжатия равен 0,1 (Бол. Тоинто) и 0,5 (Бол. Болбанты).

Заключение

В рамках настоящей работы получена репрезентативная выборка на основе озер России. На примере различных физико-географических регионов Северо-Западного Федерального округа камеральными методами изучен ряд озер на возможность придания им охранного статуса. В силу взаимообусловленности биотических и абиотических характеристик водных экосистем исследование проводилось на основе морфометрических параметров озер.Морфометрические характеристики водных объектов были получены с помощью геоинформационных технологий. Идентификация аномальных значений морфометрических параметров проводилась с помощью алгоритма двухэтапной кластеризации и выделила 116 объектов требующих дальнейшего детального изучения биотических характеристик.

Своевременное придание охранного статуса озерам, обладающим уникальными характеристиками, крайне актуально в связи созначительным ухудшением экологического состояния водоемов на фоне активной антропогенной деятельности.

Список литературы:

1. Карта физико-географического районирования. Масштаб: 1:24 000 000 /Атлас СССР. Карты природы. Физико-географическое районирование / Главное управление геодезии и картографии при Совете Министров СССР. – М., 1983. – С.120.
2. Поздняков, Ш. Р. Уникальные озера как объект научного интереса / Ш. Р. Поздняков, А. В. Измайлова, А. М. Расулова // Известия Русского географического общества. – 2020. – Т. 152. – № 3. – С. 17-31. – DOI 10.31857/S0869607120030088. – EDN RNIGFR.
3. Расулова, А. М. Применение алгоритма Isolation Forest для обоснования уникальности водоемов в группе карстовых озер / А. М. Расулова, А. В. Измайлова // Бюллетень науки и практики. – 2021. – Т. 7. – № 11. – С. 63-79. – DOI 10.33619/2414-2948/72/08. – EDN CNBVJO.
4. Bacher J., Wenzig K., Vogler M. SPSS TwoStep Cluster – a first evaluation // Arbeits-und Diskussionspapiere / Universität Erlangen-Nürnberg, Sozialwissenschaftliches Institut, Lehrstuhl für Soziologie. 2004-2. 32 p.
5. Han J., Pei J., Kamber, M. Data Mining: Concepts and Techniques // Publisher:‎ Morgan Kaufmann; 3rd edition, 2011. 744 p
6. Shih M.-Yi, Jheng J.-W., Lai L.-F. A Two-Step Method for Clustering Mixed Categroical and Numeric Data // Journal of Applied Science and Engineering. 2010. Vol 13 (1). P. 11–19. https://doi.org/10.6180/jase.2010.13.1.02