http://rmid-oecd.asean.org/situs slot gacorlink slot gacorslot gacorslot88slot gacorslot gacor hari inilink slot gacorslot88judi slot onlineslot gacorsitus slot gacor 2022https://www.dispuig.com/-/slot-gacor/https://www.thungsriudomhospital.com/web/assets/slot-gacor/slot88https://omnipacgroup.com/slot-gacor/https://viconsortium.com/slot-online/http://soac.abejor.org.br/http://oard3.doa.go.th/slot-deposit-pulsa/https://www.moodle.wskiz.edu/http://km87979.hekko24.pl/https://apis-dev.appraisal.carmax.com/https://sms.tsmu.edu/slot-gacor/http://njmr.in/public/slot-gacor/https://devnzeta.immigration.govt.nz/http://ttkt.tdu.edu.vn/-/slot-deposit-dana/https://ingenieria.unach.mx/media/slot-deposit-pulsa/https://www.hcu-eng.hcu.ac.th/wp-content/uploads/2019/05/-/slot-gacor/https://euromed.com.eg/-/slot-gacor/http://www.relise.eco.br/public/journals/1/slot-online/https://research.uru.ac.th/file/slot-deposit-pulsa-tanpa-potongan/http://journal-kogam.kisi.kz/public/journals/1/slot-online/https://aeeid.asean.org/wp-content/https://karsu.uz/wp-content/uploads/2018/04/-/slot-deposit-pulsa/https://zfk.katecheza.radom.pl/public/journals/1/slot-deposit-pulsa/https://science.karsu.uz/public/journals/1/slot-deposit-pulsa/ Московский экономический журнал 2/2017 - Московский Экономический Журнал1

Московский экономический журнал 2/2017

УДК 528.88

bezymyannyj-12

Хабарова Ирина Андреевна,

Старший преподаватель кафедры землепользования и кадастров

ФГБОУ ВО «Государственный университет по землеустройству».

Гилюк Алена Валерьевна,

бакалавр по направлению «Кадастр недвижимости»

ФГБОУ ВО «Государственный университет по землеустройству».

Дручинин Сергей Станиславович,

аспирант кафедры Кадастра и основ земельного права

ФГБОУ ВО «Московский государственный университет геодезии и картографии».

Khabarova I.A.            irakhabarova@yandex.ru

Gilyuk A.V.                   agilyuk@yandex.ru

Druchinin S.S.              druchinin.sergei@yandex.ru

Геолого-географическое изучение лесопарковых территорий с использованием космических изображений

Geological and geographical study of forest park territories using space images

Аннотация

Анализируются загруженные космические многозональные снимки Landsat-7 на различные даты съемки. Выполняется визуальное дешифрирование лесопарковой территории. Произведено автоматизированное контролируемое дешифрирование в программе ERDAS Imagine (получена схема). Выполнен мониторинг состояния природной среды конкретной территории по разновременным снимкам в программе MapInfo.

Summary

The author analyzed the downloaded space-based multi-zone Landsat-7 images for different shooting dates. Visual decryption of forest park territory is being carried out. Automated controlled decryption in the ERDAS Imagine program was made (the scheme is obtained). The author monitors the state of the natural environment of a particular territory using multiple images in the MapInfo program.

Ключевые слова: автоматизированное дешифрирование, визуальное дешифрирование, космическая съемка, Воробьевы горы, состояние земель.

Keywords: automatic decryption, visual decryption, space imagery, Sparrow Hills, state of land.

Данные дистанционного зондирования – источник информации о природной среде. Методы дистанционного зондирования обладают рядом преимуществ перед наземными методами и аэросъемкой из-за колоссального охвата территории, куда могут входить удаленные и труднодоступные районы. Использование данных дистанционного зондирования позволяет проводить мониторинг как быстро протекающих, так и медленно протекающих процессов. Существует множество различных пакетных программных пакетов, реализующих методы автоматизированного дешифрирования.

Дешифровочные признаки – свойства объектов, нашедшие отражение на снимке и используемые для распознавания. Дешифровочные признаки принято подразделять на прямые и косвенные. Прямые дешифровочные признаки – свойства объекта, находящие непосредственно отображение на снимках. К ним относятся 3 группы признаков: геометрические (форма, тень, размер); яркостные (фон, уровень яркости, цвет, спектральный образ); структурные (текстура, структура, рисунок). Наличие взаимосвязей и взаимообусловленности всех природных и антропогенных свойств территории служит методологической основой дешифрирования по косвенным признакам. Объекты гидрографии опознаются по прямым признакам, в основном, по цвету (тону) водных поверхностей водоемов и рек и характерному рисунку гидрографических объектов [1].

В автоматизированном дешифрировании, в отличие от визуального дешифрирования, прямые и косвенные дешифровочные признаки не работают. Здесь действуют т.н. яркостные дешифровочные признаки. Яркостные дешифровочные признаки связаны с одним и тем же свойством объектов местности – спектральной отражательной способностью, которая фиксируется на снимке в зависимости от вида съемки. На панхроматических и зональных (отдельных съемочных каналах) сканерных снимках интегральная или спектральная яркость объектов земной поверхности закодирована уровнями яркости (яркостью) шкалы из определенного числа ступеней (например: 256 или 2048). Этот признак является функцией интегральной или зональной (в относительно узкой зоне спектра) яркости объектов. На многозональном снимке различия в спектральной яркости объектов отображаются набором уровней яркости в съемочных зонах, называемым спектральным образом. В основе автоматизированного дешифрирования снимков лежит классификация   объектов [2].

Различные элементы земной поверхности — вода, растительность, почвы, — по-разному отражают солнечное излучение в разных зонах электромагнитного спектра. Каждый объект обладает собственной кривой спектральной отражательной способности, которая определяется отношением отраженной от объекта энергии к падающему на объект излучению и является функцией длины волны. С помощью такой кривой и получают общую оценку спектральной отражательной способности элемента земной поверхности в некотором диапазоне электромагнитного спектра [3].

По виду кривой спектральной яркости объекты условно разделяют на четыре класса: растительность, водные объекты, горные породы и почвы, снег. Растительность обладает наибольшей спектральной селективностью, по сравнению с другими объектами земной поверхности. Отражательные свойства растительного покрова зависят от четырех факторов: 1) оптических свойств зеленых листьев; 2) геометрии растений; 3) отражательной способности поверхности почвы, если растения не образуют сплошного покрова; 4) пространственного распределения растений. В оптическом диапазоне спектра у них два минимума – в синем (0,45–0,47 мкм) и красном (0,68–0,69 мкм) участках спектра и два максимума – в зеленом (0,54–0,58 мкм) и ближнем инфракрасном (0,7–1,3 мкм) участках. Большая доля (70–90%) солнечных лучей синего и красного участков спектра поглощается пигментами листьев растений, прежде всего хлорофиллом. К зеленой зоне приурочен максимум отражения поверхностью листьев (рис.1). Наиболее высокое отражение – в ближней инфракрасной области спектра, оно связано с внутренней структурой листа. По мере роста и вызревания листьев их отражательная способность меняется.

1

Рис. 1. Кривые спектральной отражательной способности древесной растительности [4]

Программный пакет ERDAS IMAGINE, поставляемый на рынок фирмой ERDAS, сочетает в себе функции растровой и векторной ГИС и системы для обработки изображений, ориентированной на данные аэросъемок и космических съемок, и предназначен для профессионалов в области ДЗЗ и фотограмметрии. В качестве специализированных инструментов выступают различные модули, которые приобретаются отдельно от базовых. Такими модулями являются VirtualGIS, OrthoBASE, Subpixel Classifier, Radar Mapping Suite и др. Основными возможностями системы являются: визуализация графической информации, наличие разнообразных средств для улучшения изображения и методов классификации для выделения объектов и комплексного районирования территорий, графическое моделирование (основано на операциях с тематическими слоями и спектральными диапазонами в изображении), создание профессионально оформленной карты за несколько минут, работа с картами векторных ГИС и данными радарных съемок, создание цифровых моделей плана, перспективные изображения местности [5].

В качестве исследуемой территории взята местность Воробьевы горы, покрытая лесопарком. Для выполнения дешифрирования потребовались различные космические снимки и топографические карты. Для визуального дешифрирования были использованы данные космической съемки на 2011 год с геопортала maps.yandex.net (рис.2).

1

Рис.2. Космическое изображение с геопортала maps.yandex.net

Визуальное дешифрирование выполнялось в программе ГИС ПАНОРАМА. Участок исследуемой местности удалось условно разделить на 7 объектов ландшафта. Это связано с тем, что они самые разделяемые и ярко выраженные на космических изображениях. В ходе распознавания сначала были выделены объекты гидрографии, затем крупные участки с растительностью, места с открытым грунтом и в конце – антропогенные объекты (автомагистрали и застройка (рис.3)).

Screenshot_1

Рис.3. Схема визуального дешифрирования

Автоматизированное дешифрирование выполнялось по космическим снимкам KA Landsat 7, синтезированным по 6-и каналам многозональной съемки (1,2,3,4,5,7) в программе ERDAS IMAGINE. Контролируемая классификация (с обучением) выполнена методом максимального правдоподобия по 8-и эталонным участкам (рис.4).

Screenshot_1

Рис. 4. Схема автоматизированного дешифрирования по эталонным участкам

Неконтролируемая классификация (без обучения) выполнена по тому же снимку, что и контролируемая, с помощью алгоритма ISODATA (рис.5).

Screenshot_1

Рис.5. Схема автоматизированного дешифрирования без обучения

Сравнивая 3 схемы дешифрирования, следует сделать следующие выводы:

  • визуальное дешифрирование уступает автоматизированному дешифрированию (в исследуемой местности мало объектов);
  • автоматизированное дешифрирование с обучением и без обучения почти идентично. Трудность распознавания без обучения для дешифровщика заключается в определении количества объектов и в интерпретации отдешифрированных объектов, однако плюс в том, что оно выполняется быстрее контролируемого и не требует эталонных участков.

Каждый конкретный момент развития, зафиксированный на аэрокосмоснимках, растительного покрова свидетельствует об особенностях хода его развития (во времени или пространстве), и той природной обстановки, в которой он развивается. Причины изменения растительного покрова бывают различными:

  1. Изменения, вызванные естественными биологическими и климатическими факторами;
  2. Изменения, вызванные неблагоприятными стихийными и биологическими явлениями;
  3. Изменения, вызванные антропогенной деятельностью;
  4. Изменения, вызванные лесными пожарами.

Для изучения состояния древесной растительности необходимы разновременные снимки. В данной статье использованы снимки KA Landsat 7 на 27 августа 2002 г. и 9 августа 2007 г. Наиболее интересны 2 канала съемки – красный и ближний инфракрасный, т.к. они несут больше информации для исследования растительности.

Анализ снимков выполнялся при помощи программы MapInfo, где каждый снимок накладывался на другой с различной степенью прозрачности (рис. 6).

Screenshot_1

Рис. 6. Наложение снимка с прозрачностью 30% на топографическую карту в программе MapInfo

По результатам анализа двух разновременных снимков никаких изменений (вырубка, застройка и т.п.) не выявлено.

Наибольший интерес представляет исследование угнетения здоровья древостоя, которое может быть вызвано техногенными выбросами, жуками вредителями и др. Для подобного исследования необходимо получить вегетационный индекс NDVI (рис.7). NDVI (Normalized Difference Vegetation Index) – нормализованный относительный индекс растительности, показывающий наличие и состояние растительности (относительную биомассу). Вычисляется по формуле:

Screenshot_1

 где, NIR – отражение в ближней инфракрасной области спектра;

RED – отражение в красной области спектра.

Такая зависимость основана на различных спектральных свойствах хлорофилла в видимом и ближнем ИК диапазонах. Если листья подавлены водой, увядающие или мертвые, они становятся более желтыми и отражают значительно меньше в ближнем инфракрасном диапазоне, в отличие от здоровой растительности [6].

1

Рис. 7. NDVI для снимка KA Landsat 7 (09.08.2007)

Ввиду невысокого разрешения изображения (30 м), территория с растительностью невелика и ее трудно исследовать по одному индексному изображению. Индексные изображения сравнивались в программе MapInfo, как и анализ снимков, описанный ранее. В ходе анализа NDVI угнетений растительности также не выявлено. Таким образом, следует сделать вывод о том, что в период с 2002 по 2007 гг. ярко выраженных изменений растительного покрова парка Воробьевы горы не произошло.

Литература

  1. Пермитина Л.И. Оперативный спутниковый мониторинг состояния окружающей среды и землепользования// ARCREVIEW.-2005.-№3(34).-С. 18‒24.
  2. Крылов А.М., Соболев А. А., Владимирова Н. А. Выявление очагов короеда-типографа в Московской области с использованием снимков Landsat // Вестник Московского государственного университета леса Лесной вестник №4 2011 — с. 54–60.
  3. Лимонов А.Н., Гаврилова Л.А. Фотограмметрия и дистанционное зондирование. – М.: Академический проект, 2016. – 296 с.
  4. Сизов А.П. Мониторинг и охрана городских территорий. – М.: Издательский центр «Академия», 2016. – 224 с.
  5. Цыганков Д.Н., Сысенко В.И. Применение данных дистанционного зондирования для мониторинга использования земель сельскохозяйственного назначения /Ученые записки. Электронный научный журнал Курского государственного университета №2. М.: Курский государственный университет, 2012. – с.304-310.
  6. Уфимцев А.Е., Ермак А.А. Использование данных дистанционного зондирования Земли при организации рационального землепользования/ Вестник Югорского государственного университета №3(34). М.: Югорский государственный университет, 2014. – с. 70-73.