Разработка методики региональной экологической оценки состояния лесов по данным спутниковых наблюдений

• Автор: Барталев, Святослав Сергеевич
• Шифр специальности: 25.00.34
• Научная степень: Кандидатская
• Год защиты: 2006
• Место защиты: Москва
• Количество страниц: 130 с. : ил.

Список используемых сокращений

Глава 1. Анализ возможностей использования методов дистанционного зондирования для региональной оценки экологического состояния лесов
1.1 Характеристика лесов Московской области и задачи региональной оценки лесного покрова
1.2 Возможности существующих спутниковых систем наблюдения Земли для оценки состояния лесов на региональном уровне
1.3 Спектральные отражательные свойства растительности и использование спектральных вегетационных индексов для мониторинга лесов
1.4 Методы и алгоритмы анализа данных дистанционного зондирования для мониторинга лесов

1.4.1 Методы предварительной обработки спутниковых изображений

1.4.2 Методы классификации спутниковых изображений

1.4.3 Программное обеспечение анализа спутниковых изображений и использования географических баз данных для оценки состояния лесов
1.5 Основные методические положения региональной экологической оценки состояния лесов по данным спутниковых наблюдений

Выводы к первой главе

Глава 2. Картографирование лесов по многоспектральным спутниковым данным высокого пространственного разрешения
2.1 Формирование экспериментального набора спутниковых изображений Ьапб5а1-ЕТМ+ на регион исследований

2.2 Метод взаимной радиометрической нормализации спутниковых изображений Ьапёза1-ЕТМ+
2.3 Оценка разделимости и классификация типов лесного покрова по спутниковым изображениям Ьапёза1-ЕТМ+
Выводы ко второй главе
Глава 3. Оценка характеристик экологического состояния лесов по спутниковым данным МОБ18
3.1 Формирование экспериментального набора данных М0О1Б
3.2 Оценка разделимости и классификация типов лесного покрова по спутниковым изображениям МОБ18
3.3 Использование спектральных вегетационных индексов по данным МОБ18 для экологической оценки состояния лесного покрова
Выводы к третьей главе
Глава 4. ГИС-анализ экологического состояния лесного покрова Московской области
4.1 Структура банка данных ГИС экологического состояния лесов Московской области
4.2 Оценка лесистости территории на основе комплексного использования результатов анализа данных спутниковых наблюдений МОИЙ и Ьапб8а1-ЕТМ+
4.3 Анализ взаимосвязей между значениями спектральных индексов для различных типов лесного покрова и уровнем антропогенной нагрузки на территорию региона
Выводы к четвёртой главе
Заключение
Литература

Список используемых сокращений
АФС - Аэрофотоснимок
ЕТМ - Earth Thematic Mapper (Тематический картограф Земли)
MODIS - Сканирующий спектрорадиометр среднего разрешения
(Moderate-resolution Imaging Spectroradiometer)
ТМ - Thematic Mapper (Тематический картограф)
БИК (NIR) - Ближняя инфракрасная область спектра (Near infrared)
ВИ - Вегетационный индекс
ТИС - Географическая информационная система
ГУЛ - Государственный учет лесов
ДДЗ - Данные дистанционного зондирования
ДЗ - Дистанционное зондирование
ДЗЗ - Дистанционное зондирование Земли
ИК - Инфракрасный
ИК (IR) - Инфракрасная область спектра (Infrared)
ИСЗ - Искусственный спутник Земли
КФС - Космический фотоснимок
МСУ-С - Многоспектральное сканирующее устройство среднего
разрешения
МСУ-Э - Многоспектральное сканирующее устройство высокого
разрешения
ПДК - Предельно допустимая концентрация
ПО - Программное обеспечение
Ресурс-01 - Российский природо-ресурсный спутник
СВЧ - Сверхвысокочастотный
СИР (SWIR) - Средняя инфракрасная область спектра (Shot wave infrared)
ФАО - Всемирная продовольственная организация
ФАР - Фотосинтетически активная радиация

создании классификатора, позволяющего относить произвольный пиксел изображения к классу, в область решения которого он попадает.
Управляемая классификация предпочтительна в случаях, когда необходимо выделить небольшое число классов и когда имеется возможность задать обучающую выборку, т.е. совокупность участков, подкрепленных информацией из проверенных источников (например, материалов наземного обследования) или уверенно опознаваемых территорий, соответствующих каждому классу.
В теории распознавания образов разработано большое число методов управляемой классификации, наибольшее распространение, из которых при обработке данных дистанционного зондирования нашли методы параллелепипеда, минимального расстояния и максимума правдоподобия.
Метод параллелепипеда основан на сравнении значений пикселов с заданными нижними и верхними пределами. В качестве пределов могут выступать, например, минимальные и максимальные значения сигнатур классов в каждом спектральном канале, или величины, рассчитываемые на основе средних значений и стандартных отклонений сигнатур. Рисунок 1.6 отображает принцип классификации методом параллелепипеда. В случаях, когда пиксел попадает в область перекрытия нескольких полигонов, пользователь должен определить самостоятельно к какому классу они будут отнесены или отказаться от классификации.
Метод минимального расстояния основан на вычислении евклидовых расстояний в пространстве признаков между вектором значений произвольного пиксела и векторами средних значений для каждой сигнатуры (рис. 1.7). Пиксель считается принадлежащим классу, расстояние от которого до среднего значения сигнатуры оказывается минимальным. Близким, по сути, к данному методу является подход, учитывающий изменчивость значений внутри сигнатур отдельных классов и основанный на вычислении в пространстве признаков расстояний Махаланобиса на основе следующего выражения: