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:

Размещение населения
В настоящее время 77% населения Приморского края проживает в городах и поселках городского типа. До Октябрьской революции в Приморье было только два города: Владивосток и Уссурийск. Сейчас их одиннадцать. Среди городов особо выделяется краевой центр - г. Владивосток. Численность его населения превы ...

Перспективные стратегии развития машиностроения Сибири: технологическая модернизации отрасли
Прогнозы развития машиностроения Сибири на второе и последующие десятилетия XXI в. неоднозначны. Они должны учитывать различные формы перспективного воздействия на него со стороны всех агентов хозяйственных отношений. В стратегии социально-экономического развития России до 2030 г. определены три пу ...

Удельный вес отраслей промышленности ТЭКа в структуре промышленного производства в России, крупнейших странах мира и СНГ
Располагая 2,8% населения и 12,8% территории мира, Россия имеет 12-13% прогнозных ресурсов и около 12% разведанных запасов нефти, 42% прогнозируемых и 34% запасов природного газа, около 20% разведанных запасов каменного и 32% запасов бурого угля. Суммарная добыча за всю историю использования ресурс ...