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:

Минерально-сырьевые ресурсы РФ
Под минерально-сырьевыми ресурсами (минеральными ресурсами) понимается совокупность полезных ископаемых, выявленных в недрах земли в результате геологоразведочных работ и доступных для промышленного использования. Минеральные ресурсы относятся к числу невозобновляемых видов природных ресурсов. Извл ...

Люксембург
Официальное название Великое герцогство Люксембург. Географическое положение Государство расположено в Западной Европе. На западе и севере граничит с Бельгией, на юге — с Францией, на востоке — с Германией. Общая площадь территории страйк 2586 км2. Природные условия В северной части Люксембурга рас ...

Амурская область
Политическая подсистема: На территории Амурской области действуют следующие виды партий: на первом месте по численности и популярности «Единая Россия», на втором ЛДПР, затем «Патриоты России» и «Справедливая Россия». В Амурской области властями реализуются различные проекты, направленные на модерни ...