Автор работы: Пользователь скрыл имя, 28 Августа 2013 в 01:49, контрольная работа
При выборе данных дистанционного зондирования, которые будут использоваться для решения лесохозяйственных задач, необходимо в первую очередь учитывать соотношение информативность/цена. По этому критерию лидируют изображения ASTER, полученные с американского спутника TERRA. КСС Aster могут стать важным источником данных для всех областей лесного хозяйства, связанных с дистанционным зондированием. Однако в России изображения Aster по-прежнему малоисследованы, что препятствует их широкому использованию.
Данные спутникового дистанционного зондирования находят свое применение в различных областях современного лесного хозяйства, таких, как изучение лесных экосистем, инвентаризация и картографирование лесов, регистрация текущих изменений в лесном фонде, анализ долговременной динамики лесного покрова, оценка соблюдения правил рубок главного пользования, состояния лесовозобновления на вырубках, состояния насаждений в зоне промышленного загрязнения.
На современном рынке данных дистанционного зондирования представлено большое количество изображений, обладающих сходными характеристиками охвата, пространственного и спектрального разрешения.
При выборе данных дистанционного зондирования, которые будут использоваться для решения лесохозяйственных задач, необходимо в первую очередь учитывать соотношение информативность/цена. По этому критерию лидируют изображения ASTER, полученные с американского спутника TERRA. КСС Aster могут стать важным источником данных для всех областей лесного хозяйства, связанных с дистанционным зондированием. Однако в России изображения Aster по-прежнему малоисследованы, что препятствует их широкому использованию.
Проведена оценка информативности изображений Aster с целью определения их пригодности для решения задач лесоустройства.
Объектами экспериментальных работ выбраны Айкинский лесхоз Республики Коми и Сергиево-Посадский опытный лесхоз ВНИИЛМ.
Этот выбор обусловлен следующими причинами: объекты исследований расположены в различных географических зонах, лесоустройство в обоих лесхозах проведено в 2002 г., но в Сергиево-Посадском лесхозе по I разряду лесоустройства с минимальным размером выдела 0,1-1 га, а в Айкинском – по II разряду с минимальным размером выдела 0,1-3 га. Таким образом, данные лесоустройства Сергиево-Посадского лесхоза характеризуются высокой детальностью и обеспечивают выбор надежных эталонов для отработки методики дешифрирования, которую затем можно распространить на Айкинский лесхоз, где лесоустройство менее детально, и, следовательно, целесообразно применять космические изображения.
В качестве исходных материалов для дешифрирования использовались изображения Aster, материалы лесоустройства и топографические карты.
Для классификации снимков и дальнейшей оценки ее точности использовался программный пакет ERDAS Imagine 8.4.
В программном пакете ERDAS реализованы два типа классификации – неконтролируемая и контролируемая на основе заранее выбранных пользователем эталонных участков. Основой для выбора эталонов в нашем случае стали карты преобладающих пород и категорий земель, подготовленные на предыдущих этапах работы.
ERDAS предоставляет пользователю различные способы выбора эталонных участков. В литературе чаще всего предлагается выбирать эталоны из пространства признаков. Однако мы при выборе эталонов руководствовались более простым способом – поиском однородных участков прямо на снимке.
Для Айкинского лесхоза применен такой подход: на основании априорных данных (в нашем случае плана насаждений, окрашенного по преобладающим породам) выбраны участки размером в несколько пикселей с примерно одинаковой спектральной характеристикой, которые отнесены к определенному классу.
Минусом такого подхода является некоторая сложность в соблюдении условия различимости. Несмотря на преобладание какой-либо породы на выделе, цвет такого выдела на снимке все равно неоднороден из-за примесей, а также условий освещения, влажности и других факторов.
Для Сергиево-Посадского лесхоза, кроме вышеописанного подхода, применен следующий способ: в качестве эталона выбраны целые выделы с той или иной преобладающей породой. При этом программа усредняет их спектральные характеристики, и для оператора отпадает необходимость тщательно искать эталонные пиксели. Такой подход возможен при очень высоком качестве исходных материалов, как снимка, так и лесотаксационных данных. В случае Сергиево-Посадского лесхоза снимок был сделан в очень хороших метеоусловиях, а лесоустройство проводилось по первому разряду, предполагающему высокую детальность.
После того как набрано достаточное количество эталонов по определенному классу, формируется его сигнатура (совокупность спектральных характеристик класса) с помощью инструмента Редактор Сигнатур. На основе наборов сигнатур по каждому классу проводится контролируемая классификация.
ERDAS поддерживает 3 алгоритма параметрических контролируемых классификаций: по правилу максимального правдоподобия, минимального расстояния и расстояния Махалонобиса. Каждый из этих алгоритмов имеет свои преимущества и недостатки, и поэтому для получения надежных результатов необходимо использовать все три алгоритма классификации.
Для оценки точности классификации с помощью встроенного инструмента ERDAS составляется матрица ошибок. Программа генерирует набор случайно расположенных точек и в специальной таблице показывает, к какому классу они отнесены по результатам дешифрирования.
Оператор вводит в специальном столбце этой же таблицы реальное значение класса.
После того, как таблица заполнена, программным пакетом создается отчет о точности классификации, содержащий собственно матрицу ошибок, процент правильного отнесения пикселей к определенному классу и статистику каппа по каждому классу. Чем выше значение каппа, тем более достоверны результаты классификации. Формула для вычисления статистики каппа приводится в.
Значения статистики каппа для изучаемых объектов заполняются в таблицы. Для объекта «Сергиево-Посадский лесхоз» удалось выделить большее количество классов, чем для объекта «Айкинский лесхоз». Средняя точность дешифрирования по всем классам достаточно высока (в специальной литературе принято считать хорошим результат классификации с точностью выше 0,75).
Невысокие значения точности по отдельным классам объясняются недостаточным числом эталонов и перепутыванием с другими классами (например, сосна часто путается с елью, а осиновые насаждения – с березовыми). Для объекта «Айкинский лесхоз» количество классов меньше, и поэтому значения статистики каппа выше (кроме сосновых насаждений). Меньшее количество классов для Айкинского лесхоза объясняется худшим качеством самого снимка, а также меньшей детальностью лесоустроительной информации, служившей основой для выбора эталонов.
Результаты дешифрирования были автоматически оцифрованы в среде ArcView 3.2. Так была получена векторная карта с показанными на ней классами объектов. На данную карту в среде ГИС был наложен цифровой лесоустроительный планшет.
Внутри выделов средствами программной среды была подсчитана площадь, занимаемая каждым из представленных классов в пределах каждого из выделов, и процент занимаемой площади по отношению к общей площади выдела.
Исследования показали, что все алгоритмы контролируемой классификации позволяют определять состав насаждений, но с различными ограничениями. Метод максимального правдоподобия, характеризующийся самыми высокими значениями статистики каппа, показал самую высокую детальность при определении породного состава, однако процент второстепенных пород из-за этого оказался сильно завышенным, а также в формулах появились породы, занимающие незначительные площади на выделе, такие как ольха.
Методы Махалонобиса и минимального расстояния показали примерно одинаковую точность; как правило, они выявляют 1-3 имеющиеся на выделе породы, но практически не добавляют незначительные по площади.
Из всего вышесказанного
можно сделать вывод, что
изображения Aster вполне пригодны для
актуализации на материалах лесоустройства
породного состава и
Кроме того, по снимкам Aster с высокой точностью (значение статистики каппа 0.70-0.75) возможно выявлять рубки и отслеживать стадии их зарастания или заболачивания.
В целом можно сказать, что космические изображения Aster очень перспективны для лесного хозяйства. Конечно, они не могут заменить аэрофотоснимки, но в своем классе задач Aster, во всяком случае, не хуже своих более дорогих конкурентов.
Список литературы