Мониторинг и прогнозирование социально-экономического развития регионов на основе анализа космических снимков (на примере объектов захоронения твердых бытовых отходов и их влияние на окружающую среду)

Москва
ИНФРА-М
2019

МОНИТОРИНГ И ПРОГНОЗИРОВАНИЕ 
СОЦИАЛЬНО-ЭКОНОМИЧЕСКОГО 
РАЗВИТИЯ РЕГИОНОВ НА ОСНОВЕ 
АНАЛИЗА КОСМИЧЕСКИХ СНИМКОВ

(НА ПРИМЕРЕ ОБЪЕКТОВ ЗАХОРОНЕНИЯ 
ТВЕРДЫХ БЫТОВЫХ ОТХОДОВ 
И ИХ ВЛИЯНИЯ НА ОКРУЖАЮЩУЮ СРЕДУ)

Ì.Ë. ÊÀÇÀÐßÍ, À.À. ÐÈÕÒÅÐ,
Ì.À. ØÀÕÐÀÌÀÍÜßÍ, Ð.Ä. ÍÅÄÊÎÂ

МОНОГРАФИЯ

Казарян М.Л.
К14 
 
Мониторинг и прогнозирование социально-экономического 
развития регионов на основе анализа космических снимков 
(на примере объектов захоронения твердых бытовых отходов и их 
влияния на окружающую среду) : монография / М.Л. Казарян, 
А.А. Рихтер, М.А. Шахраманьян, Р.Д. Недков. — М. : ИНФРА-М, 
2019. — 256 с. + Доп. материалы [Электронный ресурс; Режим доступа http://www.znanium.com]. — (Научная мысль). — www.dx.doi.org/
10.12737/monography_5cc2bd80eefd51.15862680.

ISBN 978-5-16-014549-5 (print)
ISBN 978-5-16-107050-5 (online)

Объектом исследования являются объекты захоронения отходов (ОЗО), 
проще говоря свалки мусора, которые изучаются методами космического 
мониторинга посредством цифровой обработки космических изображений (концепции и подходы, методики и модели, программы и алгоритмы, 
учебно-методические рекомендации и т.д.). Вместе с тем описываемые 
подходы могут быть применены не только к ОЗО, но и к большинству 
других объектов поверхности земли, в связи с чем ОЗО рассматриваются 
в качестве примеров их применимости. Раскрыта мысль об использовании космической информации в качестве инструмента для контроля социально-экономического развития страны.
Для ученых и специалистов в области геоинформатики, геофизики, 
региональной экономики, а также для широкого круга читателей. Может 
использоваться в качестве учебно-методического пособия для преподавателей, студентов и специалистов по вопросам космического мониторинга, 
практической обработки изображений, проблем твердых бытовых и промышленных отходов как одного из базовых факторов развития социально-экономической конструкции государства.

УДК 528(075.4)
ББК 26.12 

УДК 528(075.4)
ББК 26.12
 
К14

©  Казарян М.Л., Рихтер А.А., 
      Шахраманьян М.А., Недков Р.Д., 2019 
ISBN 978-5-16-014549-5 (print)
ISBN 978-5-16-107050-5 (online)

Р е ц е н з е н т ы: 
Музаев И.Д. — доктор технических наук, профессор, профессор кафедры математики и информатики Финансового университета при Правительстве Российской Федерации (Владикавказский филиал)

Материалы, отмеченные знаком 
, доступны 
в электронно-библиотечной системе Znanium.com

Введение

Монография является продолжением монографии «Космический мониторинг объектов захоронения твердых бытовых отходов 
и промышленных отходов (ТБО и  ПО): теоретико-методические 
и социально-экономические аспекты».
Книга состоит из глав:
1. Методики детектирования ОЗО: рассматриваются 7 автоматизированных методик детектирования ОЗО (обнаружение и выделение ОЗО, обнаружение признаков ОЗО и предсвалок, выделение 
классов поверхности и разложение на классы поверхности ОЗО); 
8-я, «ручная», методика описана в предыдущем разделе.
2. Построение моделей оценки параметров ОЗО по данным 
космического мониторинга: дается описание оценки параметров 
ОЗО различных классов (геометрические, факторная, тепловая, 
химическая, информационная модели).
Отдельно вынесены приложения, включающие листинги 
программ (Приложение 1) и ряд других методик обработки изображений (Приложение 2).
Автором главы 1 является М.Л. Казарян, авторами главы 2 являются А.А. Рихтер, М.А. Шахраманьян, Р.Д. Недков.

Список сокращений

АЕ — административная единица
АЗС — автозаправочная станция
АО — административный округ
АТД — административно-территориальное деление
АТО — административно-территориальный объект
АФЧХ — амплитудно-фазовая частотная характеристика
БПК — биологическое потребление кислорода
БПФ — быстрое преобразование Фурье
ГИС — геоинформационные системы
ГНПЦ — государственный научно-производственный центр
ГОСТ — государственные стандарты
ГСК — геоцентрическая система координат
ГЭСК — гелиоцентрическая эклиптическая система координат
ДДБПФ — двумерное дискретное быстрое преобразование 
Фурье
ДЗЗ — дистанционное зондирование Земли
ДСК — декартовая система координат
ЖКХ — жилищно-коммунальное хозяйство
ЗСК — зависимая система координат
ИД — индекс детектирования
ИНН — идентификационный номер налогоплательщика
ИПП — индекс подстилающей поверхности
ИРР — индекс реакции растительности
КГО — крупногабаритные отходы
КМ — космический мониторинг
КПД — коэффициент полезного действия
КСЯ — коэффициент спектральной яркости
МГС — муниципальная городская свалка
МД — муниципальное деление
МИП — матрица информационных признаков
МКАД — Московская кольцевая автодорога
МО — Московская область
МД — муниципальное деление
НИИ — научно-исследовательский институт
НИР — научно-исследовательская работа
НСК — независимая система координат
НЦ — научный центр
ОЗО — объект захоронения отходов
ОИ — объект исследования
ОК — общекультурные компетенции

ОКАТО — общероссийский классификатор объектов административно-территориального деления
ОКВЭД — общероссийский классификатор видов экономической деятельности
ОКОНХ — общероссийский классификатор объектов народного 
хозяйства
ОКПО — общероссийский классификатор предприятий и организаций
ООП — объектно-ориентированное программирование
ООП ВПО — основная образовательная программа высшего 
профессионального образования
ОПС — окружающая природная среда
ПАУ — полициклические ароматические углеводороды
ПВХ — поливинилхлорид
ПДК — предельно-допустимая концентрация
ПК — профессиональные компетенции
ПО — природный объект
ПОО — потенциально опасный объект
ПС — программное средство
ПСК — полярная система координат
ПСС — причинно-следственная связь
ПЭР — проектирование, эксплуатация, рекультивация
РГУ — Российский государственный университет
РФ — Российская Федерация
СДП — степень деградации почвы
СЗЗ — санитарно-защитная зона
СК — система координат
СКО — среднеквадратическое отклонение
СНО — студенческое научное общество
США — Соединенные штаты Америки
ТБО — твердые бытовые отходы
УВ — углеводороды
ФГОС ВПО — федеральный государственный образовательный 
стандарт высшего профессионального образования
ФККО — федеральный классификационный кадастр отходов
ФЧХ — фазовая частотная характеристика
ХОВ — химически опасное вещество
ХПК — химическое потребление кислорода
ЦСК — цилиндрическая система координат
ЧС — чрезвычайная ситуация
ЧХ — частотная характеристика
ЭВМ — электронно-вычислительная машина
ЭСК — экваториальная система координат

Глава 1
МЕТОДИКИ ДЕТЕКТИРОВАНИЯ ОБЪЕКТОВ 
ЗАХОРОНЕНИЯ ОТХОДОВ

1.1. МЕТОДИКА ДЕТЕКТИРОВАНИЯ ОЗО ПО ЭТАЛОННЫМ 
ЗНАЧЕНИЯМ СПЕКТРАЛЬНОЙ ЯРКОСТИ

1.1.1. Общие сведения
Задача выявления свалок на ранней стадии является более актуальной, чем на поздней, т.к., с одной стороны, «ранние» свалки выявить сложнее, чем «поздние», а с другой стороны, «поздние» более 
крупные свалки значительно более опаснее «ранних». Иными словами, на ранних стадиях «болезнь» не выражена явно, но ее можно 
вылечить, а на поздних она «смело» и открыто себя выдает, но вылечить ее уже не представляется возможным.
Проблема замусоривания подобна протеканию очень продолжительного и смертельно опасного заболевания, которое проявляет 
себя только под конец своего развития. Чем дольше затягивать и откладывать «лечение», тем сложнее от него вылечиться, т.к. в один 
прекрасный момент уже не помогут никакие профилактические 
меры по борьбе с ним. В связи с этим детектирование «ранних» 
свалок может быть полезным в целях сдерживания фактора замусоривания окружающей среды.
Одна из методик детектирования замусоривания по космическим изображениям состоит в выделении пикселей определенных 
значений КСЯ. Данные значения получаются для некоторых эталонных областей, занятых объектами замусоривания (методика 
представляет собой вариацию метода управляемой классификации, 
близкую к методу максимального правдоподобия). Предлагаемая 
методика выделения следов замусоривания, как и практически все 
методики детектирования тех или иных объектов, имеет ошибки детектирования, но алгоритмически является достаточно простой [6], 
[119].
Общая блок-схема методики детектирования по эталонным значениям спектральной яркости (ЭЗСЯ), сокращенно методика эталона, показана на риc. 1.1.
На входе алгоритма методики — мультиспектральное изображение I низкого пространственного разрешения Landsat, снятое 
в момент времени t. Для выявления исторических следов используются Landsat 4, 5, 7, для текущих — Landsat 8 [12].

1.1.2. Характеристическое изображение
Характеристическим изображением P многоканального изображения I будем считать матрицу P того же размера, в которой 
равным элементам соответствует одна и та же комбинация КСЯ 
пикселей на каналах Ik изображения I, т.е.:

 
(
)
(
)
(
)
(
)
,
,
,
,
,
, , ...,
=
⇔
=
∀
=
1
1
2
2
1
1
2
2
1 2
k
k
P x y
P x
y
I
x y
I
x
y
k
b ,

где (x1, y1) и (x2, y2) — координаты двух точек (пикселей), k — номер 
канала, b — число каналов изображения I, Ik(x1, y1) и Ik(x2, y2) — 
КСЯ пикселей на k-м канале, P(x1, y1) и P(x2, y2) — значения элементов матрицы P.
Один из способов задания функции P = f(I1, I2, …, Ib) — в виде:

 
(
)
(
)
,
,
1

1

b
k
k
k
P x y
n
I
x y
−

=
=
⋅
∑
, 
(1)

где n — длина диапазона значений КСЯ для данного типа изображений I (для Landsat 4, 5 TM n = 256).

Риc. 1.1. Блок-схема методики

Введение матрицы P позволяет сократить b-мерное пространство состояний пикселей мультиспектральных изображений 
до одномерного. Т.е. между координатами по осям КСЯ каналов I1, 
I2, …, Ib в b-мерном пространстве и по оси значений элементов матрицы P в 1-мерном устанавливается взаимно однозначное соответствие. Так как область определения пикселя лежит в диапазоне от 0 
до n–1 по каждой координате Ik, то он имеет nb разных значений 
матрицы P, т.е. пиксель может иметь nb различных состояний.
Характеристические значения матрицы P составляют множество 
p тех значений на интервале [0, nb–1], которые имеют эталонные 

области S, покрывающие характеристические изображения P, полученные из исходных J. Полагаем, что каждая эталонная область 
S покрывает ту часть изображения J, которая занята объектами-эталонами, т.е. теми объектами, про которые известно, к какому типу 
они принадлежат. «Следы» этого искомого типа объектов по характеристическим значениям p будут детектироваться на различных 
изображениях I, поступающих на вход алгоритма (см. правую 
часть блок-схемы). Процедура формирования характеристических 
значений (см. левую часть блок-схемы) является циклической, 
на каждом цикле которой происходит пополнение вектора p новыми характеристическими значениями для различных исходных 
мультиспектральных изображений J. При этом эталонные области 
S должны покрывать очищенную от облачности и других примесей 
часть поверхности земли, наиболее близкую к объектам-эталонам. 
Так как характеристические значения получаются по эталонной 
области, на изображении I как одном из {J}, эталонная область 
будет выделяться полностью. В связи с тем, что требуется выделить 
следы, эталонная область вычитается и не выводится на D как область детектирования.
Процедуры формирования характеристических значений p и выдачи областей детектирования D по этим значениям можно проводить параллельно. При каждом новом цикле формирования могут 
быть получены новые следы не только для новых изображений I, 
но и для уже поступавших на вход алгоритма ранее.
Вероятность совпадения КСЯ на одном изображении I мала, поэтому желательно обработать некоторый массив изображений {J} 
для предварительного получения вектора p. Связь между изменениями тех или иных параметров обработки можно представить так:

 
,
,
,
,
,
,
1
2
n
N
S
l
T
s
s
s
↓
↑
↑
⇒
↑
↑
↑
↑
↓ ,

т.е. чем шире диапазон n, меньше число снимков N массива {J} 
и площадь эталонных областей S, тем меньше число характеристических значений l, время обработки T (чем больше l, тем больше 
сложность алгоритма) и площадь детектируемых объектов. s1 — 
часть площади s, занимаемая ложными объектами, s2 — площадь 
необнаруженных следов.
При малом n вероятность детектирования ложных объектов 
(ошибка первого рода) большая, т.е. объекты искомого типа могут 
быть «размыты» теми же значениями КСЯ, но принадлежащими 
объектам другого типа. При большом n большая вероятность необнаружения истинных объектов (ошибка второго рода), т.е. объекты 
искомого типа просто не обнаружатся при таком большом «разнообразии» значений КСЯ. Например, для Landsat 8 n = 216 — большое, 
поэтому целесообразно его сократить до меньшего n’. Для этого 

проводится линеаризация и укорочение гистограммы изображений 
I (и {J}). В этом случае вместо формулы (1) имеем формулу

 
(
)
(
)
,
'
'
,
1

1

b
k
k
k
P x y
n
I
x y
−

=
=
⋅
∑
.

I’ — приведенное мультиспектральное изображение.
Методика имеет недостатки. Для идентификации следов требуется знать место эталонной свалки в некоторой окрестности, 
подобно поиску грибов в лесу. Для этого подключаются данные 
географических координат эталонных свалок, дающие привязку 
определенных эталонов к тому или иному снимку, которые они покрывают. Методика находит только условное месторасположение 
ОЗО (следы), причем большая часть следов ОЗО не детектируется 
по тому или иному эталону, т.е. имеются значительные ошибки 
второго рода s2. В общем, чем точнее приближение к векторам эталонных значений КСЯ точки поверхности земли (по методу максимального правдоподобия), тем меньше ошибка первого рода 
и больше ошибка второго. Наоборот, чем больше это отклонение, 
тем больше ошибка первого рода (вероятности ложной тревоги), 
но меньше ошибка второго рода (вероятности пропуска цели). 
Регулированием этого отклонения можно обнаружить предельно 
большое количество ОЗО (возможное по данной методике), но при 
этом получить много шума, от которого можно избавиться применением других методик детектирования ОЗО.
В «точном» случае (точное совпадение ЭЗСЯ) по результатам 
проведения атмосферной, геометрической и радиометрической 
коррекции снимка (при необходимости) могут встречаться небольшое число ложно выделенных объектов, т.е. имеются ошибки 
первого рода s1. Для сокращения ошибок детектирования в программном блоке, разработанном на базе данной методики, предусмотрено регулирование значения n. Так, при сокращении n 
в m = 2 раза (n’ = n/2) в 2b раза больше значений КСЯ детектируются на изображении I.

1.1.3. Результаты работы методики
Покажем результаты работы алгоритма на примере участка 
ближневосточного Подмосковья, ограниченного прямоугольником 
x1 = 423 965 м, x2 = 443 965 м, y1 = 6 166 835 м, y2 = 6 186 835 м (в проекции UTM, WGS-84).
Найдем исторические следы по космическим снимкам Landsat 
5 TM. В качестве {J}, для которых получены характеристические 
значения p, взяты геопривязанные изображения {J} — см. табл. 1.1. 
В качестве эталона взяты 4 области, каждая из которых — участок 
известных свалок ТБО и ОП, покрывающая замусоренную терри

торию (см. риc. 1.2а): 1 — Кучино, 2 — Торбеево, 3 — Саввино, 
4 — в окрестности полигона ТБО Машково (Московский регион).

Таблица 1.1
Исходные изображения

Ji
ID снимка
Год
Месяц
Число
J1
LT51770212011153MOR00
2011
Май
3
J2
LT51780212011224MOR00
2011
Июль
3
J3
LT51780212011240KIS01
2011
Июль
29
J4
LT51770212011281KIS00
2011
Сентябрь
8

По результатам обработки при m = 2.1 получена область детектирования следов на базе данного эталона. На риc. 1.2а — наложение области детектирования D (риc. 1.2б, красный цвет) с учетом 
эталона (риc. 1.2а, синий цвет) на NDVI для изображения I = J4.
Данный эталон воспроизвел 160 точек на рассматриваемой области 
наблюдения за период с мая по август 2011 г. Проверка верификацией 
показала, что 90% из них задают месторасположение ОЗО, а 10% устанавливаются как ложно выделенные объекты. Из риc. 1.2а видно, что 
следы в основном приурочены к антропогенным территориям, выделенным темным цветом, многие из которых — промышленные зоны. 
Эталонные свалки «дорисовываются», т.к. в качестве эталона взяты 
не все области, занятые свалками, а только «достоверная» их часть.

 
 
(а) 
 
 
(б)

Риc. 1.2. а) область детектирования D; б) наложение области на изображение 
NDVI: красные пиксели — следы, синие пиксели — эталон

На риc. 1.3 даны изображения в программе Google Earth 3 выделенных следов ОЗО А, Б, В подобласти U (см. риc. 1.2а) в окрестности времени наблюдения (16 августа 2011 г.) в качестве примеров. 
Географические координаты данных следов: А — 55o43’41.41’’С, 
38o00’11.06’’В, Б — 55o43’40.71’’С, 37o59’57.94’’В, В — 55o43’36.58’’С, 
37o59’32.39’’В. Области 1–4 и U в увеличении показаны на риc. 1.4.