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.
Материалы по географии:
Историческое развитие территории
В начале XVI века Иван Грозный присоединил степи Нижнего Поволжья в состав Астраханского и Казанского ханств к Русскому государству. Для обороны юго-восточных границ Русского государства стали основываться города-крепости. Одним из таких городов стал Царицын. Первоначально Царицынская крепость была ...
География путей сообщения и транспорта
Венгрия располагает хорошо развитой сетью транспортных коммуникаций. Протяженность дорог общего пользования более 30 тыс. км, 90% из них имеют твердое покрытие. Протяженность железных дорог — 7,8 тыс. км (электрифицировано — 31 %). Ведущая железнодорожная компания Magyar Államvasútak. ...
История экономики Японии
Япония – самобытная страна, которую отличает уникальность исторического, культурного и экономического развития. Необычность экономики Японии во многом определилась общими традициями и менталитетом отдельно взятого среднего японца. Каких-то 150 лет назад Япония была закрытым феодальным государством, ...