Картографирование лесов по многоспектральным спутниковым данным высокого пространственного разрешения

Таблица 2

Оценка влияния взаимной нормализации изображений на величину стандартного отклонения спектральной яркости классов лесного покрова

Табликца 3

Влияние взаимной нормализации изображений на значения трансформированной дивергенции между классами лесного покрова (до нормализации / после нормализации)

Рис.3 Влияние яркостной нормализации изображений Landsat-ETM на гистограмму яркости леса в спектральных каналах TM3 (слева) и TM4 (справа). Гистограммы яркостей до и после нормализации показаны соответственно сплошной и пунктирной линиями.

Для классификации совокупности радиометрически нормализованных изображений Landsat-ETM+ были использованы спектральные каналы TM3, TM4, TM5 и ТМ7, как наиболее информативные для изучения растительности. Предварительная оценка возможностей классификации лесов по данным Landsat-ETM+ продемонстрировала достаточно высокую точность распознавания классов темнохвойных, светлохвойных, лиственных и смешанных насаждений. Использование алгоритма неконтролируемой классификации ERDAS ISODATA позволило выделить на первом этапе 200 спектральных кластеров, последующая визуальная интерпретация которых была проведена с привлечением карты растительности Московской области и анализа сигнатур кластеров в пространстве яркостей в каналах TM3 и TM4.

Необходимость повышения точности распознавания темнохвойных лесов, частично перепутываемых с тенями от облаков и участками водной поверхности в прибрежных зонах, потребовала дополнительной тематической обработки спутниковых изображений. Повторная классификация изображений была выполнена только для пикселей отнесенных на предыдущем этапе к указанной совокупности классов с использованием текстурного признака, характеризуемого значениями дисперсии яростей в скользящем окне размером 5х5 пикселей. При этом для участков водной поверхности, как пространственно более однородных, характерны относительно низкие значения признака, что позволило улучшить точность классификации темнохвойных лесов. Дальнейшее улучшение точности выделения темнохвойных лесов было направлено на исключение ошибочно классифицированных участков теней от облаков. Это обеспечивалось процедурой пространственного анализа изображений в окрестности предварительно выявленных участков облачного покрова, детектированных по высоким значениям спектральной яркости во всех используемых спектральных каналах.

Материалы по географии:

Климат Испании
Почти вся Испания расположена в субтропическом поясе и по своим природным условиям в целом близка к другим средиземноморским странам, но в то же время ее природа отличается и значительным своеобразием. В Испании выделяют три типа климата: умеренный морской на северо-западе и севере – с умеренными т ...

Промышленно-географическое положение
В Тюмени значительное развитие получила электроэнергетика, полностью обеспечивающая потребности населения и передающая энергию в другие регионы. Тюменские ТЭЦ-1 и ТЭЦ-2 являются одними из крупнейших в Европе производителей электроэнергии, работающих на попутном газе. Развита нефтеперерабатывающая п ...

Экологическая экспертиза
Оптимизация природопользования опирается на научное обоснование хозяйственных проектов. Уральские ученые работают над решением конкретных задач экологизации технологических процессов. В академических институтах и высших учебных заведениях разрабатываются фундаментальные экологические проблемы. Спец ...