CC BY
36
УДК 630*5:528.871 Acnip. С.А. Гаврилюк; доц. С.1. Миклуш,
канд. с.-г. наук - НЛТУ Украти, м. Rbeie
КЛАСИФ1КАЦ1Я ЗЕМЕЛЬ Л1СОВОГО ФОНДУ ЗАХ1ДНОГО Л1СОСТЕПУ УКРА1НИ ЗА МАТЕР1АЛАМИ ДИСТАНЦ1ЙНОГО
ЗН1МАННЯ
Висвiтлено основш методи контрольовано! класифшаци космiчних зшмюв Landsat у програмному продукт ERDAS Imagine 8.5 на 0CH0Bi оригiнальних та пок-ращених зшмюв при рiзних комбiнацiях каналiв. Розглянуто питання покращення просторово! роздшьно! здатностi знiмкiв, фiльтрування класифiкованих тематичних карт. Результати проведено! класифшацп порiвнюються з картографiчними матерь алами люовпорядкування.
Ключов1 слова: покращення просторово! роздшьно! здатностi, комбiнацiя ка-налiв, контрольована класифшащя, медiанний фiльтр.
Post-graduateS.A. Havrylyuk, assist. prof. S.I. Myklush -NUFWTof Ukraine, L'viv
Classification of Forest Cover Types of Western Steppe of Ukraine Using Remote Sensing Data
This article consider main methods of supervised classification satellite images Landsat by means of ERDAS Image 8.5 software using original and merged images with different channel combinations. It is viewing resolution merge of images, thematic maps filtering. The results of classification are comparing with forest management's cartographical materials.
Keywords: resolution merges, channel combination, supervised classification, median filter.
Сучасний розвиток комп'ютерних технологш та програмного забезпе-чення дае змогу широко використовувати дат дистанцшного зондування Земл1 (ДЗЗ) у вЫх сферах д1яльност1 людини. 1снуюча база даних косм1чного зшман-ня залежно вщ мети та завдань дослщжень надае змогу використовувати р1зно-часов1 зшмки, зшмки р1зно! просторово! чи спектрально! роздшьно! здатносп, з р1зних зшмальних систем тощо. Основною перевагою даних дистанцшного зт-мання е !х об'ектившсть та оператившсть. Косм1чш зшмки зазвичай представ-леш у цифровому формат^ що дае змогу дешифрувати !х на основ1 поеднання фото-штерпретаци та кшьюсного анал1зу. Використання останнього дае змогу об'ективно визначити необхщш параметри дешифрування та кшьюсно оцшити його яюсть. До переваг косм1чних зшмюв вщносять !х перюдичшсть, що допо-магае прослщкувати динам1ку р1зних процес1в та прогнозувати !х розвиток. Кр1м цього, низькою е соб1вартють отримання супутникових зшмюв.
На сьогодш без косм1чних зшмюв не обштись у картографп, при оцш-щ природних ресурЫв та еколопчно! ситуаци, прогнозуванш р1зних процеЫв тощо. Найширше даш ДЗЗ використовують у л1совш та заповщнш справ1, рибному господарств1, екологи [1]. Для вир1шення певно! проблеми використовують вщповщш методики дешифрування косм1чних зшмюв. Для оцшки л1сових ресурЫв найчастше застосовують методики: сегментащя зображень, 1ерарх1чна класифжащя, класифжащя на основ1 бази знань, контрольована чи неконтрольована класифшащя тощо. Вщмшност у вибор1 методик для вирь шення однотипних задач р1зняться тому, що використовуються зшмки р1зних зшмальних систем, р1зно! просторово! роздшьно! здатносп, р1зно! якост тощо.
Тому актуальною е проблема автоматизацн дешифрування космiчних зтмюв для вирiшення певного кола питань.
Метою наших дослщжень е визначення найпридатшших методiв дешифрування космiчних знiмкiв Landsat для класифшацн земель лiсового фонду i вирiшення проблем лiсового господарства. Об'ект дослiджень - лiсовi на-садження Захiдного Лiсостепу Укра!ни. Наземними даними слугували 5 поль гошв (180 кругових пробних площадок) на територи Захiдного Лiсостепу Ук-ра!ни, планшети та плани лiсонасаджень територи дослщжень. Пробнi площадки закладалися всерединi полiгонiв розмiром 1x1 км через кожш 200 м.
Супутникова система Landsat - типу сенсор у поперечному напрямку [5] (рис. 1). Залежно вщ сканера, просторова роздшьна здатшсть знiмкiв ле-жить в межах вщ 15 до 120 м. Першi Landsat були оснащеш камерою типу RBV (Return Beam Vidicon) та мультиспектральним сканером MSS (Multis-pectral Scanner). Наступне поколшня, починаючи з 1982 р. мають додатковий модуль ТМ (Thematic Mapper).
Landsat-7 оснащено камерою типу ETM+1, яка поеднуе мультиспектральне, панхрома-тичне (зшмання з 15-метровою роздiльною здатшстю) та тер-мальне знiмання (6-ий канал з роздшьною здатнiстю 60 або 120 м подшений на 2 частини) [4]. К^м того, на борту супутника е запи-суючий пристрiй SSR , емшсть якого 378 Gb (500 повних сцен). Вс знiмки передаються на прий-мальнi станцп та включаються у процес обробки. Вони знаходять-ся у 8-бiтному формать При на-кладаннi рiзних каналiв одше! сцени можна отримати кольоро-ве RGB-зображення3. Представленiсть каналiв визначае зображення об'екпв земно! поверхнi [4].
Для кшьюсного дешифрування об,ектiв важливим е поеднання каналiв космiчного зшмка. За методикою Chavez та ш. [5] нами визначено, що для дешифрування об'екпв земно! поверхнi за супутниковими зшмками Landsat, найiнформативнiшими е поеднання каналiв 4-5-7, 1-4-5 та 3-4-5 [4]. Для опра-цювання методики дешифрування земель люового фонду, о^м цих комбша-цiй ми аналiзували супутниковi знiмки, складенi з 1 по 7 канали за винятком 6-термального.
Рис. 1. Схема зшмання супутниковою системою Landsat
1 Enhanced Thematic Mapper - noKpameHHH Bapianr Thematic Mapper)
2 Solid State Recorder
3 R-nepBOHHH, G-3e^eHHH Ta B-cnmn Ko^bopn
Поряд з яюстю космiчних 3HÏMKÏB важливе значення для ïx штерпрета-цiï мае роздшьна здатнiсть, оскiльки вища роздшьна здатнiсть дае змогу от-
римати бшьше iнформацiï. Пiдвищити просторову роздшьну здатнiсть можна
1 2
шляхом злиття зображень [2] . Актуальними залишаються питання покращення якост результуючого зображення та зменшення кольорових викрив-лень пiсля процесу злиття. Програмний продукт ERDAS Imagine 8.5 дае змогу використовувати таю методи покращення просторовоï роздiльноï здатнос-ri: принципових компонент (РСА перетворення), мультиплжативний та метод Бровея [6, 9].
Злиття зображення (fusion) чи штучне збшьшення просторово1' роз-дшьно1" здатностi (pan-sharpening) - це метод об'еднання геометричних деталей панхроматичного зображення (з високою роздшьною здатнiстю) i кольо-рово1' шформаци мультиспектрального зображення (з низькою роздшьною здатшстю) для отримання мультиспектрального зображення з високою роздшьною здатшстю [2]. Ефективний метод злиття зображень розширюе мож-ливостi використання даних ДЗЗ, забезпечуючи одночасно високу просторову i спектральну роздiльнi здатность Основними обмеженнями отримання мультиспектральних зображень високо1' роздiльноï здатностi е енерпя та об'ем даних, якi поступають на супутник [2].
Покращення просторово1' роздiльноï здатностi можна проводити на ос-новi даних з одного чи з рiзниx супутникiв. Злиття зображень проведено нами на основi мультиспектрального зображення та панхроматичного каналу зшмка Landsat. Залежно вщ роздiльноï здатностi вxiдниx зображень викорис-товують рiзнi методики ïx покращення: найближчого сусща (nearest neighbor - розглядае 4 найближчих шксел^, бшншну (bilinear - розглядае 8 найближчих пiкселiв) та кубiчного викривлення (cubic convolution - розглядае 16 найближчих пiкселiв). Для проведення злиття необхщно брати до ува-ги N пiкселiв, де N - роздшьна здатшсть. У нашому випадку мультиспек-тральне зображення мае просторову роздшьну здатшсть 28,5 м, панхроматич-ний канал Landsat-7 ETM+ - 14,25 м, отже N = 28,5/14,25 = 2; N2 = 4. Це озна-чае, що для покращення просторово1' роздшьно1" здатност знiмкiв Landsat не-обхщно брати до уваги 4 найближчих пiкселi та застосовувати теxнологiю найближчого сусща. Ця теxнологiя застосовуеться у тих випадках, коли необ-хщно, щоб виxiдне зображення мало ri ж значення спектрально:' яскравостi, що i оригшальний знiмок, змiнюються тшьки розмiри пiкселя [9].
До процесу класифжаци було включенiо рiзнi види зображень (рис. 2).
Для класифжаци космiчниx знiмкiв на основi контрольованоï класифь каци необxiдно провести попередню оцiнку представлення типiв земноï по-верxнi на зображеннi. Ця процедура називаеться створенням класових сигнатур. Вони створюються на основi наземних даних (тренувальш данi), рiзниx картографiчниx матерiалiв, фотоiнтерпретацiï тощо та призначеш для визна-
1 застосовуеться з середини 1980-их рок1в
2 опублшований у 1998 рощ в International Journal of Remote Sensing наводить близько 150 академшчних докуменпв на цю тему
чення спектральних властивостей для кожного класу, на 0CH0Bi яких буде проводитися класифжащя. Залежно вiд розмiрiв космiчного знiмка, який ана-лiзуеться, тренувальш данi повиннi становити вiд 1 до 5 % вЫх mкселiв [9]. Кiлькiсть цих даних для кожного класу мае бути достатньою для коректного визначення основних критернв проведення класифшацн (наприклад, для кла-сифшаци параметричним правилом максимально! правдоподiбностi такими критерiями е середнiй вектор та коварiацiйна матриця). Для ^-канального просторового мультиспектрального знiмка коректне обчислення коварiацiй-но! матрицi мае базуватись на N+1 тренувальних даних для кожного класу. Swain i Davis (за [9]) рекомендують вiд 10N до 100N тренувальних даних для кожного класу. Тренувальнi данi необхщно вибрати кiлькiсно достатньо для вЫх типiв земно! поверхнi, що представлен на знiмку, оскiльки будуть вини-кати помилки при класифжаци (т.з. збщнена класифiкацiя). У таких випадках доцшьно задавати пороговi значення спектральних характеристик для кожного класу, тодi шксел^ якi не належать до жодного класу, не будуть класифжоваш.
Рис. 2. Види знмкщ для яких проводили контрольовану класифкацЮ
Часто при формуванш класових сигнатур можуть виникати помилки за рахунок вщнесення пiкселiв до помилкового класу, що знижуе точшсть
класифшаци. Тому доцшьно проводити попередню оцiнку розподшу клаЫв. Програмний продукт ERDAS Imagine дае змогу попередньо оцiнити результата класифжацп двома способами: на оcновi вiдcтaнi мiж класами та класи-фшаци пiкcелiв, якi були включеш у процес формування сигнатур. Перший споЫб передбачае обчислення вщсташ мiж класами (Евклiдовa вiдcтaнь, просте чи трансформоване вiдхилення, вiдcтaнь Джешфер-Матушица тощо), якi були cформовaнi користувачем. За абсолютним показником вiдcтaнi мож-на судити про розподiл клашв. Так, чим бiльше абсолютне значення вщсташ, тим краще клacифiкуютьcя класи.
Другий cпоciб оцiнки класових сигнатур передбачае обчислення точност вiднеcення пiкcелiв до певного класу. Результатом е матриця помилок (рис. 3).
ERROR MATRIX
Reference Data
Classified Data Hardwood Mixedwood Conifera wood Forest culture NonForest Row Total
Hardwood 80.00 0.00 0.00 10.00 0.00 9
Mixedwood 0.00 100.00 0.00 0.00 0.00 10
Conifera wood 10.00 0.00 100.00 0.00 0.00 11
Forest culture 10.00 0.00 0.00 80.00 0.00 9
NonForest 0.00 0.00 0.00 10.00 100.00 11
Column Total 10 10 10 10 10 50
Рис. 3. Попередня ощнка класових сигнатур
Матриця помилок обчислюеться на ochobí пiкселiв, якi були вiднесенi до певного класу користувачем та ix класифшаци до цих класiв в процес комп'ютерного опрацювання.
Так, з рис. 3 видно, що Í3 10 пiкселiв, вiднесениx користувачем до класу листяних (Hardwood), 8 в результат класифжаци вiднесенi саме до цього класу, а 2 до шших. До класу мшаних (Mixedwood) вiднесенi всi пiкселi 3Í створених сигнатур i т.д. У наведеному прикладi показано тiльки один з варь антiв створених класових сигнатур. Аналопчно оцiнюються сигнатури для вЫх iншиx класифiкацiй.
На основi створених класових сигнатур проводиться контрольована класифшащя. Програмний продукт ERDAS Imagine 8.5 дае змогу проводити класифшацш за такими параметричними правилами: максимальноi правдо-подiбностi (Maximum Likelihood), мiнiмальноi вiдстанi (Minimum Distance) та вщстат Маxаланобiса (Mahalanobis Distance).
Правило максимальноi правдоподiбностi е найуживанiшим при класи-фшацй даних дистанцiйного знiмання [9]. Воно базуеться на статистичнш об-робцi спектральних яскравостей пiкселiв i проводиться за такою схемою:
х ею, якщо p(x |ю) p(a>i) > p(x |ю/) р(ю}) для всix j Ф i, (1)
де: x - позищя пiкселя; ю,i = 1..M - спектральнi класи (M - кiлькiсть кла-сiв); p(x|ю) - iмовiрнiсть того, що шксель з класу ю знаходиться у позици х; р(ю-) - iмовiрнiсть того, що клас ю представлений на знiмку.
1ншими словaми, пiксель x буде вщнесений до клaсу o, , якщо iмовiр-нiсть його нaлежностi до кгасу o, e нaйбiльшою.
Якщо кшьюсть тренувaльних дaних e лiмiтовaною, то крaще зaстосо-вувaти тaкi прaвилa, якi не вимaгaють великого чиста спостережень для кта-^ф^ци, нaприклaд, мiнiмaльноï вiдстaнi. У цьому витадку тренувaльнi дaнi використовуються тшьки для визнaчення клaсовоï середньо!'. Це прaвило e швидшим, проте менш гнучким тa основним його недолжом e те, що клaсовa модель e симетричною.
Припустимо, що m,,i = 1..M це середш для M кташв, якi визтачеш нa основi тренувaльних дaних тa x - позицiя клaсифiковaного шкселя. Обчисли-мо квaдрaтичнi Евклiдовi вiдстaнi, предстaвленi у векторнiй формi:
d(x, m,)2 = (x - mi)t(x - m¡) = (x - mi)(x - m¡) = x ■ x - 2m, ■ x + m, ■ m,. (2)
Kлaсифiкaцiя описуeться прaвилом:
x e coi якщо d (x, m,)2 < d (x, m) для вЫх j Ф i. (3)
Зaувaжимо, що x ■ x e одтаковим для всiх d (x, m y)2, тому може ^нору-вaтися. Якщо зaмiнити знaки, то отримaeмо вирaз:
x e a>i якщо gi(x) > gy(x) для вЫх j Ф i, (4)
де gi(x) = 2m, ■ x - m, ■ m, i визнaчae дискримiнaнт функцiï клaсифiкaцiï мшь мaльноï вiдстaнi. Для дaноï клaсифiкaцiï тaкож можнa зaдaвaти пороговi зта-чення та основi стaндaртного вiдхилення ктасових вaрiaнт вiд середнього.
Kлaсифiкaцiя та основi вiдстaнi Мaхaлaнобiсa подiбнa до клaсифiкaцiï мaксимaльноï прaвдоподiбностi, оскiльки бaзуeться нa середнiх знaченнях клaсiв тa ковaрiaцiйнiй мaтрицi тa описуeться вирaзом [9]:
d (x, m,)2 = (x - m,)t ^ -1(x - m¡), (5)
де ^ -1 - обернета ковaрiaцiйнa мaтриця спектрaльних яскрaвостей.
Вiдстaнь Maxana^6^a e дуже чутливим aлгоритмом до велико!" вaрi-aцiï тренувaльних дaних. До перевaг дaного прaвилa можта вiднести те, що нa його основi можнa кiлькiсно aнaлiзувaти подiбнiсть мiж двомa нaборaми дaних. Ha вщмшу вiд клaсифiкaцiï 3a прaвилом мaксимaльноï прaвдоподiб-ностi, де розподш пiкселiв можнa описaти зaконом нормaльного розподiлу тa мiнiмaльноï вiдстaнi (прямолшшта зaлежнiсть), клaсифiкaцiя нa основi вщ-стaнi Мaхaлaнобiсa описуeться елiпсом (коли взято двa кaнaли) чи елшсо-1'дом, гiперелiпсоïдом (при бiльшiй кшькосп кaнaлiв).
Перед оцiнкою точностi клaсифiкaцiï необхiдно провести попереднe фiльтрувaння клaсифiковaноï темaтичноï кaрти, що зумовлено таявшстю вкрaплень пiкселiв iз вiдмiнною спектрaльною яскрaвiстю вiд сумiжних. Вкрaплення можуть винигати у нaсaдженнях iз куртинним розмщенням де-ревних порiд у тaксaцiйному видiлi. Зaзвичaй через невисоку роздшьну здaт-нiсть (3G чи 15 м), та клaсифiковaному зобрaженнi межi клaсiв вiдобрaжa-ються ступiнчaсто (неприродно). Процес фiльтрувaння може усунути дaнi не-долiки i тдвищити точнiсть. Hеобхiдно зaувaжити, що процес фiльтрувaння приводить до втрaти певно!' iнформaцiï.
Розв'язок матрищ фiльтрування базуеться на спектральних яскравос-тях кожного пiкселя. Сумування значень яскравостей у матрищ при певному 11 розмщенш на зображеннi дасть розв'язок матрищ. Як правило, для фшьтрування використовуються матрицi розмiром 3*3, 5*5 чи 7*7 пiкселiв. Так, для матрищ розмiром M*N пiкселiв розв'язком у позицп i, j буде:
1 M N
^MN^,!), (6)
m =1 n=1
де: M, N - розмiри матрищ; ф(, j) - значення яскравостей пiкселiв вiдповiдно до положення матрищ на зображенш.
На основi формули (6) обчислюеться значення яскравостi для центрального шкселя матрищ. Фшьтрування проходить на основi визначено! матрищ, яка рухаеться iз рядка в рядок та iз колонки в колонку по шкселях зображення. Ми використали медiанний фiльтр, оскiльки вш зберiгае високо-частотну iнформацiю та згладжуе кра! без значно! втрати шформаци. В осно-вi даного фшьтра лежить визначення медiани на основi спектрально! яскра-востi сусщтх пiкселiв. Нове значення центрального шкселя буде шсля фiльтрацi! рiвне значенню медiани, тобто значення, частота якого 0,5. Медь анний фiльтр може створювати певнi викривлення, але тшьки у граничнш зо-нi чи бшя не!, якщо розмiри об'екта бiльшi за розмiри матрицi [3].
Необхщною умовою проведення класифiкацi! е перевiрка створених моделей розподiлу тишв земно! поверхнi на основi космiчних знiмкiв. Оцiнку точностi проведено! класифжацп необхiдно проводити на основi наявних картографiчних матерiалiв (топографiчнi карти, аерофотозшмки, тощо). Ре-зультати перевiрки представляються у виглядi матрицi помилок, яка порiв-нюе данi з картографiчних матерiалiв (мiстиннiм данi) з даними проведено! класифiкацi!. Матриця помилок використовуеться для визначення повно! точ-носл, точностi користувача та точностi виробника [8].
Повна точшсть (overall accuracy) - сума значень головно! дiагоналi (тобто правильно класифiкованих елементiв вибiрки) подiлена на загальну
кiлькiсть елеменпв вибiрки у повнiй матрицi помилок:
1 к
Poverall = — ^ Пи X 100%, (6)
N i=1
де: Poverall - повна точшсть класифшаци, %; к - кшьюсть клаЫв, включених у процес класифiкацi! (з врахуванням класу некласифжованих пiкселiв); nii -кшьюсть правильно класифшованих пiкселiв для i -го класу; N - загальна кiлькiсть пiкселiв на космiчному знiмку.
Повна точнiсть оцiнюе проведену класифжащю на основi всiх клаЫв, створених у класових характеристиках. Для ощнки точностi окремо по кла-сах використовуються двi наступнi види точность
Точшсть виробника (producer's accuracy) - iмовiрнiсть того, що певний шксель, який належить до вщповщного класу, правильно класифiкований. Тобто, це кшьюсть правильно класифжованих елементiв вибiрки вщповщно-го класу подiлена на загальну кшьюсть елеменпв вибiрки даного класу:
Pprod. = — х 100%, (7)
де: Pprod. - точтсть виробника, %; mi - кiлькicть елементiв вибiрки i -го кла-
су за кaртогрaфiчними мaтерiaлaми.
Точтсть виробника показуе частку правильно класифжованих тксе-лiв вiдноcно кaртогрaфiчних мaтерiaлiв, з якими порiвнюютьcя клacифiковaнi зображення. Необхщною умовою кaртогрaфiчних мaтерiaлiв е те, що вони мають бути у цифровому формат^ мати щентичну просторову роздiльну здaтнicть та мютити тi класи, якi включенi в процес класифжаци.
Точнicть користувача (user's accuracy) - це iмовiрнicть того, тксель, який клacифiковaний до певного класу, правильно клacифiковaний. Це юль-кicть правильно клacифiковaних елементiв вибiрки подiлене на загальну юль-юсть елементiв вибiрки, клacифiковaних до даного класу:
Puser = — X 100%, (8)
n
де: Puser - точтсть користувача, %; ni - юльюсть пiкcелiв, клacифiковaних до i -го класу.
Точнicть користувача показуе вaрiaбельнicть класифшаци певного
класу. С i iншi методи ощнки точноcтi проведено! класифжаци. Серед них
можна вщзначити Каппа та /-квадратний aнaлiз.
В результaтi проведених дослщжень цiкaво визначити тi пaрaметричнi
правила, зшмки та комбшаци кaнaлiв, як дають найвищу точнicть. Так, якщо
розглянути отримaнi точноcтi для рiзних параметричних правил, можна вщ-
значити, що точтсть виробника порiвняно з даними люовпорядкування для
вciх полтотв становить: для класифжаци на оcновi вiдcтaнi Мaхaлaнобica ±1 8 • ±1 8 54,8 ' %, для мшшально! вiдcтaнi - 55,1 ' % та для правила максимально!
±1 8
прaвдоподiбноcтi - 55,5 ' %. Отже, найвищу точтсть при клacифiкaцi! кос-мiчних знiмкiв Landsat отримали при використант правила максимально! прaвдоподiбноcтi.
Якщо взяти до уваги рiзнi види зтмюв, то точнicть виробника порiв-няно з даними лicовпорядкувaння для вшх полiгонiв становить: для оригь нального знiмкa з 30-метровою просторовою роздiльною здaтнicтю 55,5 ' %, для зтмка, покращеного на оcновi методу Бровея - 55,2±18 %, мультиплжа-
±1 7 ±17
тивним методом - 55,9 ' %, методом принципових компонент - 54,0 ' %. Отже, найкрашд результати отримаш при викориcтaннi зтмюв, покращених до 15-ти метрово! роздшьно! здaтноcтi на оcновi мультиплiкaтивного методу.
Якщо розглянути проведену класифжацш на зтмках, складених з рiз-них кaнaлiв, то отримуемо, що: для комбшаци кaнaлiв 1-4-5 точнicть становить 55,6±18 % порiвняно з даними люовпорядкування, для складеного зi вciх кaнaлiв знiмкa точнicть становить 54,7 ' %, комбiнaцiя 3-4-5 дае точтсть
±1 8 ±17
55,3 %, комбiнaцiя 4-5-7-55,0^'' %
точноcтi. Отже, нaйкрaщi результати от-римaнi при клacифiкaцi! зтмюв, складених з 1, 4 та 5 кaнaлiв знiмкiв Landsat.
Анaлiзуючи дaнi попередньо! оцiнки створених класових сигнатур, можна побачити точтсть видшення рiзних створених користувачем клaciв, яю включенi у процес клacифiкaцi! (табл. 1).
Табл. 1. Попередня ощнкаmo4Hocmiстворенихкласовихсигнатур для ecixпол'шт'ш
Ha3Ba KnaciB Точшсть
Hardwood (nucTam Hacag^eHHa) 77,0
Mixedwood (MimaHi Hacag^eHHa) 59,4
Conifera wood (xbohhl Hacag^eHHa) 89,2
Forest culture (nicoBi Kynbiypu) 94,3
Non Forest (HeBKpmi nicoBoro pocnHHHicTro 3eMni) 86,7
Oak (gy6oBi Hacag^eHHa) 66,0
Hornbeam (rpa6oBi Hacag^eHHa) 68,1
Beech (6yKOBi Hacag^eHHa) 65,6
Mixed Oak (MimaHi gy6oBi Hacag^eHHa) 73,8
Young forest (MonogHaKH) 74,8
MiddleAge forest (cepegHboBiKoBi Hacag^eHHa) 69,2
Зпдно з попередньою ощнкою, найкраще створеш класовi сигнатури для лiсових культур, хвойних насаджень, невкритих люовою рослиншстю земель, гiрше для мшаних та середньовiкових насаджень через перекриття спектральних характеристик з iншими сумiжними класами. Загалом точнiсть створених класових сигнатур можна вважати задовшьною для вЫх класiв.
Порiвняно з даними люовпорядкування точнiсть класифiкацiï рiзних клаЫв значно вiдрiзняеться вiд попередньоï ощнки (табл. 2).
Табл. 2. Ощнка mo4Hocmi проведеноïкласифпкац'йклас'ш для ecix пол1гон1в
Ha3Ba KnaciB Точшсть користувача Точшсть виробника
Hardwood (nucTam Hacag^eHHa) 41,1 38,4
Mixedwood (MimaHi Hacag^eHHa) 41,8 42,8
Conifera wood (xbohhl Hacag^eHHa) 64,1 61,4
Forest culture (nicoBi Kynbiypu) 38,5 48,5
Non Forest (HeBKpmi nicoBoro pocnHHHicTro 3eMni) 18,4 18,3
Oak (gy6oBi Hacag^eHHa) 49,9 42,5
Hornbeam (rpa6oBi Hacag^eHHa) 61,2 64,8
Beech (6yKoBi Hacag^eHHa) 73,4 67,0
Mixed Oak (MimaHi gy6oBi Hacag^eHHa) 39,7 47,2
Young forest (MonogHaKu) 51,3 54,1
MiddleAge forest (cepegHboBiKoBi Hacag^eHHa) 81,7 63,7
Unclassified (HeKnacu^moBaHo) 97,9 98,4
Найменше змшуються з iншими класами буковi (73,4 %) та середньо-вiковi (81,7 %) насадження, дещо бiльше хвойш, грабовi насадження та мо-лодняки (зпдно з точшстю користувача). Задовшьно вдалося класифiкувати хвойнi, буковi, грабов^ середньовiковi насадження та молодняки. Вс iншi класи класифiкуються з меншою точнiстю. Якщо врахувати данi попередньо1' оцiнки, низька точнiсть отриманих результапв виникла завдяки великiй кшь-косп операцiй, що проводилися з даними люовпорядкування, недосконалостi картографiчних матерiалiв люовпорядкування та методiв класифiкацiï.
Формування класових сигнатур проводиться на основi польових дос-лiджень у поеднанш з фотоштерпретащею. Попередня оцiнка сигнатур дае задовiльнi результати, що вказуе на придатшсть створених класiв для подаль-шоï класифiкацiï.
У межах окремих пол^ошв практично вс класи можна доcтовiрно клacифiкувaти. Найкраще класифжовано:
• полiгон 1 - хвойт насадження та лicовi культури;
• полiгон 2 - точтсть видiлення вciх клaciв лежить в межах 50 %;
• полкюн 3 - грaбовi насадження, молодняки та cередньовiковi насадження;
• полкюн 4 - доcтовiрно видiляютьcя хвойт насадження, задов1льно буковi насадження та лicовi культури;
• полкюн 5 - хвойнi насадження та лicовi культури.
Таким чином, для отримання кращих результaтiв необхiдно покращи-ти просторову роздiльну здaтнicть коcмiчних знiмкiв на оcновi мультиплжа-тивного методу. Добрi результати тематичного картографування можна отри-мати при використанш правила максимально! прaвдоподiбноcтi на зшмках, складених з 1, 4 та 5 кaнaлiв. Для зменшення вкраплень пiкcелiв на класифь ковaнiй тематичнш кaртi необхiдно проводити фiльтрувaння.
Лггература
1. Готинян В.С., Дронова 1.С. Деякi тенденци в диcтaнцiйному зондуванш Землi (за за-рубiжними мaтерiaлaми)// Коcмiчнa наука i технология. - 2002, т.8, № 2/3. - С. 65-69.
2. Занг Я. Увеличение пространственного разрешения мультиспектральных космических снимков (Fusion). - [Цит. 2006, 31 января]. - Доступен с: <www.sovzond.ru/articles/artic-le_enlarge.html>.
3. Кашкин В.Б., Сухинин А.И. Дистанционное зондирование Земли из космоса. Цифровая обработка изображений: Учебн. пособие. - М.: Логос, 2001. - 264 с.
4. Миклуш С.1., Гаврилюк С.А. 1нформатившсть канашв коcмiчних зшмюв Landsat-7 ETM+ для дешифрування роcлинноcтi// Наук. вicник НЛТУУ: Зб. наук.-техн. праць. - Львiв: НЛТУУ. - 2006, вип. 16.7. - С. 8-13.
5. David S. Wilkie, John T. Finn Remote Sensing Imagery for Natural Resources Monitoring: A Guide for First-Time Users. - New York: Columbia University Press, 1996. - 295 p.
6. Ivits Eva, Koch Barbara. Object-Oriented Remote Sensing Tools for Biodiversity Assessment: a European Approach. - 2002. - [Cited 2006, 8 February]. - Available from: <www.wsl.ch/land/~/bioas-sess_earsel2002.pdf>.
7. John A. Richards, Xiuping Jia. Remote sensing digital image analysis: an introduction. -Berlin; Heidelberg; New York; Barcelona; Hong Kong; London; Milan; Paris; Singapore; Tokyo: Springer, 1999. - 363 p.
8. Koukal T. Nonparametric Assessment of Forest Attributes by Combination of Field Data of the Austrian Forest Inventory and Remote Sensing Data. Dissertation zur Erlangung des Doctorgra-des an der Universität für Bodenkultur Wien. - [Cited 2006, 30 January]. - Available from: <www.rali.boku.ac.at/fileadmin/_/H85/H857/diss/Koukal_Dissertation.pdf>.
9. Sanjeevi S., Vani K., Lakshmi K. Comparison of conventional and wavelet transform techniques for fusion of IRS-1C LISS-III and PAN images. - [Cited 2006, 23 February]. - Available from: <www.crisp.nus.edu.sg/~/acrs2001/pdf/176sanj.pdf>_
УДК 582.623:66.091.2:57.017.5 Доц. 1.Д. Василенко, канд. с.-г. наук -
БЫоцертвський ДАУ
ПРОГНОЗУВАННЯ СТАТ1 У С1ЯНЦ1В ТОПОЛЬ ЗА ДОПОМОГОЮ Б1ОХ1М1ЧНИХ РЕАКЦ1Й
Приведет даш по статевому диморфiзму аянщв тополь. Морфолопчш та фе-нолопчш вщмшносп рiзностатевих молодих рослин тдтверджуються бiохiмiчними методами шших авторiв, а також 1х цвтнням у 35^чному вщь Ключов1 слова: топол^ стать, бiохiмiчнi реакцп.
