МОНИТОРИНГ УРБАНИЗАЦИИ ИЗ КОСМОСА

500 
Key words: Earth remote sensing, DMSP/OLS night light data, VIIRS 
radiometer, urbanization, evolutionary models of urban development, cellular 
automata.
 
В работе представлена система мониторинга роста городов (мегаполисов, 
конурбаций) на основе данных дистанционного зондирования Земли (ДЗЗ), 
разрабатываемая в РАНХиГС. Кроме данных ДЗЗ система может работать с 
другими цифровыми данными. Система позволяет не только фиксировать 
нынешнее положение, но и «заглянуть в будущее», то есть делать прогнозы 
развития городов на основе исторических данных. В настоящий момент 
проводится отладка прототипа и оценка достоверности модели путем 
визуального 
анализа 
сопоставимости 
прогноза, 
получаемого 
по 
ретроспективным данным, с реальным развитием.
Прототип имеет несколько непринципиальных ограничений, которые 
будут устранены в ходе дальнейших работ. Например, в прототипе 
используются космические снимки, полученные до 2013 года. Это вызвано тем 
обстоятельством, что на начальном этапе работы по созданию модели мы 
хотим использовать данные дистанционного зондирования ночной 
поверхности Земли DMSP/OLS, которые уже хорошо обработаны и 
многократно использованы для изучения урбанизации. В 2013 г. эти данные 
были заменены на данные нового типа, собираемые сенсором VIIRS, которые к 
настоящему моменту еще не прошли полный цикл обработки. Однако 
возможность интеркалибровки «старых» и «новых» данных показана, 
например, в нашей работе [1].
Разработанная нами модель основана на использовании космических 
снимков ночной поверхности Земли (Американские спутники JPSS), которые 
позволяют изучать «световой отпечаток» городов. Чтобы моделировать 
эволюцию городов, необходимо дополнительно использовать информацию о 
физических 
характеристиках 
поверхности 
Земли, 
которые 
могут 
препятствовать или способствовать разрастанию города. В нашем прототипе 
мы использовали дневные мультиспектральные снимки со спутников Landsat 7 

501 
и Landsat 8, которые показывают рельеф и дают возможность вычислять 
физические характеристики поверхности Земли. 
Подробнее об обработке и использовании космических снимков ночной 
поверхности Земли, так называемых «ночных огнях», можно прочитать в [2]. 
По поводу макроэкономических приложениях «ночных огней» (для оценки 
ВВП, изучения демографии, экологии и др.) см. [3]. Про возможности 
использования методов распознавания объектов на земной поверхности, 
которые могут оказывать влияние на эволюцию города, см., например, [4]. 
Для обработки и хранения данных, для визуализации и прогнозирования 
урбанизации, мы используем различные методы, включая статистику и 
распознавание образов, обработку цифровых изображений, геоинформатику, 
временные ряды, вероятностные клеточные автоматы, облачные вычисления. В 
данной работе мы ограничимся 
кратким 
обсуждением основной 
вычислительной схемы построения прогноза эволюции городов.
Для определения границ компактного проживания населения снимки 
ночной поверхности Земли, после первичной обработки по удалению помех и 
выявлению стабильных «ночных огней», преобразуются в цифровые цветные 
карты урбанизации, на которых цвета участков местности скоррелированы с 
ожидаемой плотностью населения в данном участке.

502 
Рисунок 1. На схеме изображен этап тематической обработки «ночных 
огней» для определения границ компактного проживания населения. Слева – 
осредненные данные «ночных огней» за 2008 г., справа - построенная на их 
основе карта урбанизации в Московском регионе. Цветом выделены разные 
«уровни урбанизации» от центра города (красный) к окраинам (голубой).
Построение таких карт урбанизации производится автоматически с 
использованием адаптивных порогов; a временные ряды карт урбанизации 
позволяют изучать эволюцию города.
Для построения предиктивной модели нужно дополнительно 
использовать данные о физических характеристиках поверхности Земли, 
которые могут препятствовать или способствовать разрастанию города. 
Пример вычисления таких данных по космических снимках приведен на 
рисунке 2.

503 
Рисунок 2. Индекс влагосодержания (Normalized Difference Water Index, 
NDWI), вычисленный по мультиспектральным изображениям спутника 
Landsat 7. Москва и окрестности 2003 г. 
Основной вычислительной схемой построения прогноза эволюции 
города в нашей системе являются вероятностные клеточные автоматы. Как и в 
самом известном клеточном автомате - игре «Жизнь» математика Джона 
Конвея - действие происходит на двумерной целочисленной решетке, где 
начальное состояние клеток итеративно меняется в зависимости от состояния 
соседних клеток.
В нашем случае, клетки являются элементами земной поверхности. 
Пример состояния нашего клеточного автомата приведен на рисунке 3. Каждая 
клетка соответствует квадрату города размером примерно 100 на 100 метров. 
В картографической проекции изображения на рисунка 3, эти квадраты 
выглядят прямоугольниками. 
Рисунок 3. Фрагмент состояния автомата - карты яркости «ночных 
огней» на северо-востоке Москвы в районе парка Лосиный остров. Цветом 

504 
выделены разные «уровни урбанизации» от центра города (красный) к 
окраинам (зеленый и голубой на большей части парка). 
При каждой итерации, которая может соответствовать некоторому 
временному интервалу развития города, например, один месяц, клетки меняют 
свое состояние по определенным правилам. В частности, если город растет, то 
желтая клетка (низкая плотность населения) вокруг которой много красных 
клеток (высокая плотность населения), с некоторой вероятностью тоже может 
стать красной. Оптимизация параметров модели эволюции производится на 
основе изучения временных рядов карт урбанизации.
Основные отличия нашей модели клеточного автомата от игры «Жизнь» 
можно суммировать следующим образом: 
1. 
В нашей модели клетки могут иметь пять различных состояний, а 
не два, как в игре «Жизнь». 
2. 
«Поле действия» модели эволюции города не является 
«однородной» двумерной целочисленной решеткой, а является моделью земной 
поверхности (такой как, например, изображена на рисунке 2), и, 
соответственно, правила перехода клетки в новое состояние могут меняться в 
зависимости от «места». 
3. 
Правила перехода 
являются 
не 
детерминированными, а 
вероятностными. Более того, для получения прогноза также используется метод 
Монте-Карло: многочисленные прогоны модели эволюции города от 
начального состояния к нужному моменту времени через промежуточные 
состояния. Окончательный прогноз вычисляется на основе «усреднения» 
множества вычисленных сценариев эволюции города; этот прогноз является 
более устойчивым, чем прогнозы, полученные путем однократной работы 
клеточного автомата. 

505 
На 
рисунке 
4 
показан 
тестовый 
пример 
работы 
модели, 
иллюстрирующий два основных этапа работы модели – обучение (в данном 
случае, на части известных данных) и вычисление прогноза. 
Рисунок 4. Данные для обучения модели представлены в верхнем ряду.
Слева направо: данные за 2004 г., 2005 г. и 2006 г. Вычисленный прогноз 
показан в нижнем ряду. Слева направо: прогнозы на 2007 г., 2008 г. и 2009 г. 
Данные 
ДЗЗ 
являются 
инструментальными, 
собираются 
и 
обрабатываются компьютерами по единой методологии в течении большого 
периода времени, имеют глобальное покрытие и высокое пространственное и 
временное разрешение. Это дает большой запас исторических данных для 
оптимизации параметров эволюционной модели развития городов и 
соответствующего улучшения качества работы этой модели.
Использование машинного обучения на основе исторических данных 
дает возможность количественно оценивать аккуратность получаемых 
прогнозов путем обучения модели на части данных и сравнения построенных 
прогнозов с реальным развитием в прошлом.

506 
Результаты нашей работы можно суммировать следующим образом: 
1. 
Разработана методика определения границ города на основе 
«светового отпечатка» наблюдаемого из космоса. 
2. 
Создано и тестируется программное обеспечение прототипа 
моделирования процесса урбанизации при помощи вероятностных клеточных 
автоматов с локальными данными и использования этой модели для 
прогнозирования роста городов на основе исторических данных.
3. 
Освоена методология извлечения из дневных космических снимков 
информации о земной поверхности, которая может быть заложена в эту модель. 
В частности, разработано программное обеспечение для облачного вычисления 
вегетационного индекса и индекса влагосодержания. Проведен сравнительный 
анализ методов распознавания образов для определения и классификации 
объектов на спутниковых снимках [4].
Это позволяет сделать вывод, что доработка описанного в работе 
прототипа в конкурентоспособную систему моделирования урбанизации на 
основе данных ДЗЗ представляется возможной и реализуемой.
Список литературы 
1. 
Zhizhin M., Poyda A., Troussov A., Maruev S. Analysis of 
Spatiotemporal Patterns of Changes in Brightness of Nighttime Lights (NTL) in the 
Former USSR Territory // PATTERNS 2020, The Twelfth International Conference 
on Pervasive Patterns and Applications (Nice France, October 25-29, 2020). 2020. 
pp.58-62. 
2. 
Жижин М.Н., Пойда А.А., Матвеев А.М., Трусов А.В., Маруев С.А. 
Прикладные задачи дистанционного зондирования ночной поверхности Земли. 
– Москва: Издательский дом ДЕЛО, 2021 (в печати). 
3. 
Troussov A. Night Time Lights Data and Socio-Economic Applications. 
Keynote Speech at ComputationWorld 2020 Congress // PATTERNS 2020, The 
Twelfth International Conference on Pervasive Patterns and Applications

507 
(Nice France, October 25-29, 2020). (URL https://www.iaria.org/conferen 
ces2020/filesPATTERNS20/AlexanderTroussov_Keynote_NightData.pdf).
4. 
A Troussov A., Botvich D., Vinogradov S. Detection of Gas Flares 
Using Satellite Imagery // PATTERNS 2021, The Thirteenth International 
Conference on Pervasive Patterns and Applications (Porto, Portugal, April 18-22, 
2021). 2021. pp.45-49. 
УДК 316.723 
Труханович 
Дарья 
Сергеевна 
старший преподаватель кафедры государственного и 
муниципального управления, Южно-Российский институт 
управления-филиал Российской академии народного 
хозяйства и государственной службы при Президенте РФ 
г.Ростов-на-Дону. 

жүктеу/скачать 5.62 Mb.

Достарыңызбен бөлісу: