Картографирование лесов по многоспектральным спутниковым данным высокого пространственного разрешения

Статьи по географии » Разработка методики региональной экологической оценки состояния лесов по данным спутниковых наблюдений » Картографирование лесов по многоспектральным спутниковым данным высокого пространственного разрешения

Страница 3

Таблица 2

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

Класс лесных насаждений

Темнохвойные

Светлохвойные

Лиственные

TM3

TM4

TM5

TM3

TM4

TM5

TM3

TM4

TM5

До нормализации

3.8

7.1

5.5

4.7

12.0

9.1

8.3

10.3

7.4

После нормализации

2.3

4.7

5.1

3.9

7.4

7.7

4.8

6.5

6.7

Табликца 3

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

Тип леса

Темнохвойные

Светлохвойные

Лиственные

Темнохвойные

0.00

1265.68 / 1686.26

1334.06 / 1897.91

Светлохвойные

1265.68 / 1686.26

0.00

686.23 / 967.74

Лиственные

1334.06 / 1897.91

686.23 / 967.74

0.00

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.

Страницы: 1 2 3 4


Материалы по географии:

Характеристика сырьевой базы
Уголь. Сырьевая база углей СЗФО представлена запасами и прогнозными ресурсами Печорского угольного бассейна, Щугор-Вуктыльского угленосного района и Прибалтийской угленосной площади. В настоящее время государственным балансом запасов углей учитываются только запасы углей Печорского угольного бассей ...

Экологические проблемы России
При характеристике экологич. проблем следует рассказать о составе хоз-ва, т.к. каждая из отраслей может вызвать специфические экологич. проблемы. Развитие добывающей промышленности ведёт к сокращению запасов полезных ископаемых.Тепловая энергетика загрязняет воздух соединениями серы, отвалы шлаков ...

Научно-техническое положение
Нефть и газ Тюменской области способствовали бурному росту в городе научных организаций. Еще в начале 90-х годов численность сотрудников НИИ и ВУЗов в Тюмени составляла 11,5 тысяч человек, если добавить обслуживающий персонал - почти 18 тысяч, т.е. 10% трудоспособного населения города. В областном ...

Разделы

Copyright © 2025 - All Rights Reserved - www.briefgeography.ru