Дистанционные методы оценки состояния лесов

• Автор: Жирин, Василий Михайлович
• Шифр специальности: 06.03.02
• Научная степень: Докторская
• Год защиты: 1998
• Место защиты: Брянск
• Количество страниц: 257 с. : ил.

Брянская государственная инженерно-технологическая академия
Жирин Василий Михайлович
Дистанционные методы оценки состояния лесов
06.03.02. - Лесоустройство и лесная таксация
Диссертация на соискание ученой степени доктора сельскохозяйственных наук
Брянск-1998

Содержание

Предисловие
Общая характеристика работы
Введение
Глава 1. Основные направления и методология исследований
1.1. Характеристика пространственно-временных изменений в составе лесов и 13 в лесном фонде
1.2. Объекты исследований и использованные материалы аэрокосмических 18 съемок
1.3. Принципы дистанционной оценки состояния лесов
1.4. Лесоводственная оценка информативности аэрокосмических изображений 26 Глава 2. Оценка лесопатологического состояния насаждений по материалам съе- 36 мок
2.1. Классификация лесных повреждений для проведения лесопатологического 36 дешифрирования материалов дистанционных съемок
2.2. Формирование признаков дешифрирования лесопатологических объектов
2.3. Оценка информативных свойств материалов съемок и комплексирование 54 признаков дешифрирования
2.4. Методические рекомендации по оценке лесопатологического состояния 76 насаждений с помощью аэрофотоснимков
2.5. Развитие методов изучения спектральных свойств отраженного излучения 79 древесных растений
Глава 3. Регистрация по аэрокосмическим снимкам текущих изменений, вызван- 92 ных лесными пожарами (стихийными бедствиями)
3.1. Применение космической информации для учета текущих изменений в 92 многолесных районах, вызванных лесными пожарами (стихийными бедствиями)
3.2. Анализ динамики зарастания гарей по космическим фотоснимкам
3.3. Особенности изображения гарей на среднемасштабных аэрофотоснимках
3.4. Исследование морфометрии контуров гарей
Глава 4. Дистанционное слежение в районах лесозаготовок
4.1. Особенности метода оценки соблюдения основных положений правил ру- 120 бок главного пользования при сплошнолесосечной системе рубок на основе космических снимков
4.2. Динамика зарастания мест рубок и ее связь с уровнем лесопользования
4.3. Особенности оценки лесовосстановления на вырубках по аэрокосмиче- 138 ским снимкам
Глава 5. Аэрокосмическая оценка состояния защитных насаждений
5.1. Технологическая схема аэрокосмической инвентаризации пустынной рас- 150 тительности
5.2. Особенности уточнения продуцирующих площадей пастбищных угодий
5.3. Особенности применения дистанционных методов при оценке состояния 162 пастбищезащитных лесных полос
5.4. Определение возможности оценки по космическим снимкам завершенно- 174 сти систем полезащитных лесных полос
Глава 6. Особенности региональной космической оценки состояния лесного по- 181 крова водоохранной зоны озера Байкал
6.1. Особенности оценки состояния лесного покрова на региональном уровне
6.2. Примеры оценки состояния лесного покрова
6.3. Анализ динамики показателей оценки состояния лесного покрова

Глава 7. Исследование свойств лесного (растительного) покрова с помощью 208 спутниковой радиометрической информации
7.1. Динамические значения ИБЛ и природно-территориальные комплексы 209 Западной Сибири
7.2. Связь значений ЫИУ1 и пространственной структуры лесной растительно

Заключение
Список литературы
Принятые сокращения
АФА аэрофотоаппарат
АФС аэрофотоснимок
гис географическая информационная система
гнтп Государственная научно-техническая программа
ДЗЗ дистанционное зондирование Земли
ик инфракрасная зона электромагнитного спектра
исз искусственный спутник Земли
КА космический аппарат
КВР космические фотографические снимки высокого разрешения
КМ АФС крупномасштабные аэрофотоснимки
КС космические снимки
КФА-1000 космический фотоаппарат, установленный на борту ИСЗ “Ресурс-Ф”
КФС космические фотографические снимки
МК-4М многозональный космический фотоаппарат, установленный на борту ИСЗ “Ресурс-Ф”
МКС международная космическая станция
МСУ-СК сканер среднего разрешения, установленный на борту ИСЗ “Ресурс-О”
МСУ-Э сканер высокого разрешения, установленный на борту ИСЗ “Ресурс-О”
НИР научно-исследовательская работа
нич Научно-исследовательская часть Всесоюзного объединения “Леспроект”
опс орбитальная пилотируемая станция
Пиксел элемент изображения (от англ. “picture element”)
птк природно-территориальный комплекс
РКА РФ Российское космическое агентство Российской Федерации
СКЯ спектральный коэффициент яркости
СН-6М, СИ-10, СН-15 и т.п. типы отечественных спектрозональных фотопленок
ско среднеквадратические ошибки
со систематические ошибки
эк коэффициент экономической эффективности
AVHRR радиометр, установленный на борту ИСЗ NOAA
CNES французское космическое агентство
DISP обозначение американских КФС (Declassified Intelligence Satellite Photo)
MSS сканерная система (Multispectral Scanner) ИСЗ Landsat (с 1972 года)
NASA Национальное управление по аэронавтике и исследованию космического пространства США
NOAA метеорологический спутник США
SPOT французский ИСЗ (Système Probatoire d’Observation de la Terre)
ТМ сканерная система (Thematic Mapper) ИСЗ Landsat (с 1982 года)

Из табл. 1.7 следует, что в целом распознавание насаждений с участием трех групп пород также нельзя назвать достаточно удовлетворительным. Следующий этап интеграции исходных данных с подразделением только на два класса насаждений по участию групп пород, образованных объединением классов лиственных и лиственно-хвойных (Н и ИХ), а также хвойных и хвойно-лиственных насаждений (б1 и Ж), показал новые более высокие значения вероятности их распознавания (табл. 1.8).
Таблица
Значения вероятности правильного распознавания насаждений с преобладанием хвойных
и лиственных пород
МАХ-ЫКЕ M1N-DIST
Тип съемочной Насаждения с участием
сисгемы, ИСЗ Н и HS SH и S н и т SH и S
Landsat ТМ
3 канала 0.82 0,82 0,90 0
5 каналов 0.83 0,84 0
SPOT(HRV) (04.871 0,35 0,88 0,57 0
SPOT(HRV) (07.89) 0,79 0.85 0,75 0
Космос 1939 (МСУ-Э) 0,63 0,80 0,77 0
Как видно из табл. 1.8, наибольшая точность распознавания двух групп насаждений
достигается при обработке сканерных синтезированных изображений ЬапёваКТМ, составленных из пяти каналов. Летние изображения, полученные сканерами 8РОТ(НВЛ0 и МСУ-Э, показывают примерно близкие значения точности классификации групп насаждений с преобладанием хвойных или лиственных пород при использовании решающих правил МАХ-ЫКЕ и МШ-ВШ.
Классификация по космическим сканерным изображениям насаждений разных групп (/, II, III) коммерческих запасов дает возможность проводить предварительную стратификацию лесов по их продуктивности (табл. 1.9).
Таблица
Вероятность правильного распознавания по космическим сканерным изображениям лесных насаждений трех групп запаса
МАХ-ЫКЕ , _. MIX-DIST
Тип съемочной Группы коммерческих запасов
системы, ИСЗ / II III I И
Landsat ТМ 3 канала 0,76 0,27 0,85 0,89 0
5 каналов 0,73 0,32 0,85 0,83 0.32 0
SPOT(HRV) (04.87) 0.41 0,26 0,84 0,56 0
SPOT(HRV) (07.89) 0,79 0.15 0,85 0,61 0,31 0
Космос 1939 (МСУ-Э) 0,51 0,26 0,81 0,81 0,29 0
Как видно из табл. 1.9, по снимкам Landsat ТМ и летним изображениям сканера
SPOT с достаточно высокой точностью распознаются классы насаждений с низким и вы-