CC BY
45
космические изображения aster как источник данных для лесного хозяйства: характеристики, методика дешифрирования, перспективы использования
Н.А. ВЛАДИМИРОВА, ассистент каф. лесоустройства и охраны леса МГУЛ
nadiopt@yandex.ru
Для решения лесохозяйственных задач, перечисленных выше, как правило, используют КСС среднего пространственного разрешения (>10-250 м), характеристики которых представлены в табл. 1.
Традиционно на рынке КСС среднего разрешения доминировали данные Landsat (США), такие как Landsat 7, Landsat TM и Landsat ETM+. Однако в последнее время из-за неисправности сканера ETM+ изображения Landsat требуют корректировки, и поэтому растет спрос на конкурирующие изображения [2].
Согласно информации сайта ИТЦ СканЭкс [3], индийская космическая программа IRS (Indian Remote Sensing satellites) успешно функционирует c 1988 г. Оперативные космические аппараты IRS-1C/1D, действующие сегодня, находятся на орбите с 1995 и 1997 гг. Установленная на спутниках аппаратура обеспечивает съемку земной поверхности с пространственным разрешением 5,8 м в панхроматическом режиме (прибор PAN) и одновременную многозональную съемку с пространственным разрешением 23 и 188 м (приборы LISS-3 и WiFS).
Данные спутникового дистанционного зондирования находят 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 организации и порядка лесопользования, состояния лесовозобновления на вырубках, состояния насаждений в зоне промышленного загрязнения [1]. Космические сканерные снимки (КСС) позволяют оценивать площади, поврежденные пожарами, энтомовредителями, стихийными бедствиями и антропогенным загрязнением. Эффективность решения названных лесохо-зяйственных задач повышается, если наряду с данными спутникового дистанционного зондирования привлекаются другие источники информации, такие как аэрофотоснимки, картографические материалы и результаты наземных обследований.
На современном российском рынке данных дистанционного зондирования представлен широкий спектр КСС с самыми различными характеристиками охвата, пространственного и спектрального разрешения.
Т а б л и ц а 1
спутниковые изображения среднего разрешения и их сравнительные характеристики
Сравнительные характеристики Landsat ETM+ ALOS SPOT IRS ASTER
Пространственное 15-30 AVNIR 2,5-10 PAN LISS-3 WIFS VNIR SWIR TIR
разрешение, м/пиксель 10 5,8 23 188 15 30 90
Кол-во спектральных диапазонов 8 4 5 1 3 2 3 6 5
Охват, км2 185 70 60-80 70 142 810 60
120
Стоимость сцены, долл. 600 560 2180 1470 (PAN) 600 (LISS) 25 (для государственных научных и образовательных учреждений)
Стоимость 1 км2, долл. 6,40 8 36 21 (PAN) 8,60 (LISS) 0,42
Т а б л и ц а 2
основные характеристики радиометра ASTER [4]
Название диапазона Спектральные каналы и их границы, мкм Разрешение, м/пиксель Полоса обзора, км Повторяемость съемки одной территории
VNIR 1: 0,52-0,60
0,52-0,86 мкм 2: 0,63-0,69 15
(видимый и ближний инфракрасный) 3N: 0,76-0,86
SWIR 4: 1,600-1,700
1,60-2,43 мкм 5: 2,145-2,185
(средний инфракрасный) 6: 2,185-2,225 30
7: 2,235-2,285 8: 2,295-2,365 60 1 раз в 16 суток
9: 2,360-2,430
TIR 10: 8,125-8,475
8,125-11,650 мкм 11: 8,475-8,825
(дальний инфракрасный) 12: 8,925-9,275 13: 10,25-10,95 14: 10,95-11,65 90
Спутники SPOT 2/4 (Франция) находятся на орбите с 1990 и 1998 гг. Установленная на спутниках аппаратура обеспечивает съемку земной поверхности с пространственным разрешением 10 м в панхроматическом режиме и 20 м - в многоспектральном, в полосе шириной 60-120 км [3].
Японский спутник исследования Земли ALOS (Advanced Land Observing Satellite) был успешно запущен 24 января 2006 г. 24 октября, через девять месяцев орбитальных испытаний, спутник начал работу в полном режиме. На борту КА установлены три камеры, позволяющие получать как панхроматические (PRISM) и мультиспектральные (AVNIR-2) оптические данные, так и радиолокационные (PALSAR). Конечные пользователи могут заказывать данные ALOS из архива, однако возможность оперативного заказа новой съемки практически отсутствует [3].
Радиометр ASTER (Advanced Spaceborne Thermal Emission and Reflection Radiometer) установлен на борту TERRA, первого спутника серии EOS и функционирует с 18 декабря 1999 г. [3]. ASTER является совместным проектом NASA, японского Министерства экономики, торговли и промышленности (METI) и японского Центра анализа данных ДЗЗ Earth Remote Sensing Data Analysis Center (ERSDAC). Комплекс ASTER состоит из трех различных подсистем: VNIR (видимый диапазон и ближний ИК), позволяет получать данные с разрешением до 15 м, SWIR (корот-
коволновый ИК диапазон) с пространственным разрешением 30 м и TIR (тепловой ИК диапазон) с пространственным разрешением 90 м [4] .
При выборе данных дистанционного зондирования, которые будут использоваться для решения лесохозяйственных задач, необходимо в первую очередь учитывать соотношение информативность/цена. Как видно из табл. 1, по этому критерию лидируют изображения ASTER, полученные с американского спутника TERRA. Обладая сравнительно высоким пространственным разрешением 15 м/пиксель (в видимом и ближнем инфракрасном диапазоне) и охватом 60х60 км, они стоят 120 долл. за сцену или даже 25 долл. (стоимость архивных снимков для некоммерческих и научных организаций). Данные Aster не имеют ограничений на копирование и распространение.
К недостаткам КСС Aster можно отнести заказ съемки исключительно через оператора во США и Франции [2] . В России можно приобрести только архивные снимки.
Основные характеристики прибора Aster приведены в табл. 2.
Благодаря всем вышеназванным качествам КСС Aster могут стать важным источником информации для всех областей лесного хозяйства, связанных с дистанционным зондированием. Однако в России изображения Aster по-прежнему являются мало исследованным источником данных, что препятствует их широкому использованию.
Таблица 3
Материалы, использованные для экспериментальных работ
Источник данных Вежайское участковое лесничество (Республика Коми) Хотьковское участковое лесничество (Московская область)
КСС Aster, июнь 2000 изображение в видимом и ближнем инфракрасном диапазоне формат TIFF Aster, май 2001 изображение в видимом и ближнем инфракрасном диапазоне формат TIFF
Материалы лесоустройства Материалы лесоустройства, проведенного Центрлеспроектом в 2002 г., в виде бумажных копий планов лесонасаждений и распечаток таксационных описаний на ряд кварталов Вежайского участкового лесничества База картографических и лесотакса-ционных данных для двух цифровых планшетов масштаба 1:10000, подготовленных Мослеспроектом в 2002 г.
Дополнительные материалы Топографические карты Карта растительности Московской обл., топографические карты
Данная работа направлена на оценку информативности изображений Aster с целью определения их пригодности для решения ле-сохозяйственных задач.
Работа по дешифрированию космических сканерных снимков Aster и определению пригодности этих данных выполнена коллективом отдела дистанционных методов ВНИИЛМ [5]. Объектами экспериментальных работ выбраны участок Вежайского участкового лесничества Айкинского лесничества Республики Коми и участок Хотьковского участкового лесничества Дмитровского лесничества Московской области. До 2007 г. это были Вежайское лесничество Айкинского лесхоза и Хотьковское лесничество Сергиево-По-садского лесхоза. Данный выбор обусловлен следующими причинами: объекты исследований расположены в различных географических зонах; лесоустройство в обоих лесхозах проведено в 2002 г., но в Хотьковском участковом лесничестве с более высокой детальностью, что обеспечивает выбор надежных эталонов для отработки методики дешифрирования, которую затем можно опробовать на другом объекте (Айкинское участковое лесничество), данных по которому меньше.
В качестве исходных материалов для дешифрирования использовались материалы, представленные в табл. 3.
Методика автоматизированного дешифрирования предусматривает определенные этапы, описанные в специальной литературе [6] и [7]. Мы работали по следующему усовершенствованному алгоритму:
1. Предварительная подготовка изображений к обработке
Предварительная обработка данных дистанционного зондирования имеет целью откорректировать эти изображения исходя из особенностей данных и задач анализа.
Приобретенные изображения прошли предварительную обработку в ИТЦ СканЭкс. Поставщиком, согласно условиям контракта, проведена первичная радиометрическая и геометрическая коррекция изображений и их трансформирование в проекцию Гаусса-Крюгера.
Как уже было сказано (табл. 3), для дешифрирования использовались только изображения в видимом и инфракрасном диапазоне (УМК).
2. Подготовка картографической базы данных и создание или присоединение к картографической базе данных атрибутивных таблиц с лесотаксационной информацией
Этот этап необходим для получения эталонных объектов, на основе которых проводится контролируемая классификация.
Как уже говорилось, материалы лесоустройства Вежайского участкового лесничества были предоставлены Центрлес-проектом в виде бумажных копий карт и таксационных описаний. Для перевода этой информации в цифровую форму использовались программы ArcView 3.2 и Торо1. В среде ArcView была проведена оцифровка части плана лесонасаждений по предварительно отсканированному растру. Кварталы на плане выбирались по принципу максимальной представленности насаждений разного состава и
иных категорий земель: болот, вырубок. Получившуюся электронную карту в среде Topol привязали к КСС Aster (ArcView, как и многие другие ГИС, не поддерживает функции привязки вектора к растру) и получившийся вектор экспортировали обратно в Shape-файл. Это было сделано для дальнейшей обработки данных в среде ArcView и ERDAS Imagine, поскольку ни одна из названных программ не поддерживает собственного формата векторных данных Topol.
Параллельно с оцифровкой плана насаждений происходило формирование базы таксационных данных в формате dbf, которая потом была присоединена к картографической базе данных с помощью встроенных средств ArcView. В таксационной базе данных представлены такие характеристики насаждений, как состав, полнота и группа возраста. С получившимся в результате проделанной работы shape-файлом возможно работать и в среде ERDAS Imagine.
Для Хотьковского участкового лесничества лесоустроительные планшеты были получены уже в электронном виде (блоки Topol) в условной системе координат, понадобилось только привязать их к снимку, как и в предыдущем случае, и экспортировать данные в shape-файл. Лесотаксационная база данных была предоставлена в формате СОЛИ, который несовместим с ArcView, и поэтому база данных была сформирована заново.
3. Отбор информации из совмещенных лесотаксационной и картографической баз данных для формирования эталонов
Для создания эталонов по запросам в программной среде ArcView были отобраны выделы по следующему критерию: в составе насаждений ель > 8 или осина > 7 или береза > 8 или ива > 6 или сосна > 8 или ольха > 8, и полнота которых > 0.6, а также вырубки, болота и другие категории земель. После этого были созданы электронные карты преобладающих пород и категорий земель для обоих объектов экспериментальных работ.
4. Предварительная обработка и улучшение изображений (коррекция, трансформирование и привязка к топографической основе)
Полученные из ИТЦ СканЭкс изображения уже имели географическую привязку,
поэтому они служили основой для всех дальнейших преобразований.
5. Совмещение картографических и лесотаксационных данных с изображениями
Программная среда Topol позволяет трансформировать карты в векторном формате в географическую систему координат, в которой находится откорректированный поставщиком космический снимок. Привязка вектора к растру осуществляется по опорным точкам, хорошо опознающимся и на карте, и на изображении. Преобразованный вектор средствами Topol экспортируется в shape-файл, с которым возможно работать как в ArcView, так и в ERDAS.
6. Классификация данных дистанционного зондирования и оценка ее точности
Цель классификации заключается в разнесении элементов изображения в несколько различных групп (классов) в соответствии с их спектральной яркостью. Каждый пиксель относится к определенному классу на основании решающего правила классификации, т.е. определенного алгоритма, заложенного в программу для обработки снимков.
Для классификации снимков и дальнейшей оценки ее точности использовался программный пакет ERDAS Imagine 8.4. Этот пакет является одним из самых лучших для работы с данными дистанционного зондирования, особенно со спутниковыми изображениями, и включает огромное количество инструментов для всех этапов обработки КСС, начиная с предварительной подготовки изображений и заканчивая оценкой точности классификации и составлением карт на основе полученных данных. Единственным существенным недостатком пакета ERDAS является отсутствие русскоязычного интерфейса, поэтому в дальнейшем описании дешифрирования русские команды программного пакета будут дублироваться их английскими названиями.
В программном пакете ERDAS все операции по классификации снимков выполняются в модуле Classifier. Существуют два типа классификации - неконтролируемая и контролируемая. Неконтролируемая классификация (Unsupervised Classification) выполняется программой автоматически, пользователю необходимо только задать количество классов и цветовую гамму результирующего
изображения. Контролируемая классификация (Supervised Classification) выполняется на основе заранее выбранных эталонных участков. Основой для выбора эталонов в нашем случае стали карты преобладающих пород и категорий земель, подготовленные на предыдущих этапах работы.
При выборе эталонных участков необходимо соблюдать следующие условия [6, 7]: репрезентативность (эталоны должны отражать всю совокупность значений яркостей для данного класса), однородность (отсутствие нехарактерных для класса значений яркости), различимость (достаточное различие спектральных яркостей классов) и характер распределения значений яркости (не для всех решающих правил классификации).
ERDAS предоставляет пользователю различные способы выбора эталонных участков. В литературе чаще всего предлагается выбирать эталоны из пространства признаков (Feature Space) [8]. Однако мы при выборе эталонов руководствовались более простым способом - поиском однородных участков прямо на снимке.
Для Вежайского участкового лесничества применен такой подход: на основании априорных данных (в нашем случае карты преобладающих пород) выбраны участки размером в несколько пикселей с примерно одинаковой спектральной характеристикой, которые отнесены к определенному классу (рис. 1).
------Квартально-выдельная сеть
---------- Эталонные участки
Рис. 1. Выбор эталонов для объекта «Вежайское участковое лесничество»
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 Хотьковского участкового лесничества, 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 лесо-таксационных данных. В случае Хотьковского участкового лесничества снимок был сделан в очень хороших метеоусловиях (тогда как на КСС на участке Вежайского участкового лесничества наблюдается облачность), а лесоустройство проводилось с высокой детальностью.
После того как набрано достаточное количество эталонов по определенному классу, формируется его сигнатура (совокупность спектральных характеристик класса) с помощью инструмента Редактор Сигнатур (Signature Editor). Редактор дает сигнатуры по каждому эталонному участку отдельно, что позволяет обнаружить и удалить случайно попавшие в набор участки, не относящиеся к данному классу. Такие участки могут быть окрашены в совершенно иной цвет или путаться по цвету с участками из других классов. После проверки все сигнатуры нужно объединить в один класс, определить его (например еловые насаждения, вырубки, водные объекты, земли поселений) и сформировать набор сигнатур для всех классов. Затем на основе этого набора проводится контролируемая классификация.
ERDAS поддерживает 3 алгоритма параметрических контролируемых классификаций: по правилу максимального правдоподобия (maximum likelihood), минимального расстояния (minimum distance) и расстояния Махалонобиса (Mahalanobis distance).
Таблица 4
Значения статистики каппа для снимка Aster
Название класса Значение статистики каппа для классификации по методу
максимального правдоподобия махалонобиса минимального расстояния
Объект «Хотьковское участковое лесничество»
Ель 0,85 0,59 0,65
Береза 0,86 0,56 0,79
Осина 0,62 0,73 0,47
Широколиственные (липа, дуб, вяз, тополь) 0,52 0,83 0,45
Ольха 0,47 0,83 0,27
Ель - лесные культуры 0,63 0,75 0,47
Земли, не покрытые лесом 0,86 0,94 0,91
Сельскохозяйственные угодья 1,00 0,85 0,96
Водоемы 1,00 1,00 1,00
Среднее по всем классам 0,77 0,75 0,71
Объект «Вежайское участковое лесничество»
Еловые насаждения 0,88 0,70 0,73
Сосновые насаждения 0,38 0,45 0,68
Березовые насаждения 1,00 0,68 0,62
Другие мелколиственные насаждения (осина, ольха) 0,74 0,60 0,62
Вырубки 0,76 0,70 0,76
Болота 1,00 1,00 0,47
Облака 1,00 1,00 1,00
Тени от облаков 1,00 1,00 1,00
Среднее по всем классам 0,67 0,60 0,67
Каждый из этих алгоритмов имеет свои преимущества и недостатки [6]. Так, классификация по методу максимального правдоподобия дает наиболее точные результаты, но требует максимального сходства распределения значений яркости эталонов с нормальным. Такой же недостаток и у алгоритма Махалонобиса. Алгоритм минимального расстояния не оставляет неклассифицированных пикселей, но зато не учитывает внутриклассовой изменчивости. Исходя из этого для получения надежных результатов необходимо использовать все три алгоритма классификации.
После получения результатов классификации необходимо исключить пиксели, которые классифицировались неправильно или неоднозначно. Для этого существует инструмент Пороговая Процедура (threshold) в наборе Классификация. Пороговую процедуру можно провести либо с помощью критерия Хи-квадрат, либо интерактивно, путем работы с гистограммами распределения значений яркости по каждому классу. После проведения
пороговой процедуры неклассифицированные пиксели будут показаны черным цветом.
Для оценки точности классификации с помощью встроенного инструмента ERDAS составляется матрица ошибок (error matrix). 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.
Недостатком такого способа оценки точности является его зависимость от опытности оператора, невозможность избежать субъективности при отнесении оператором пикселя к тому или иному классу.
После того как таблица заполнена, программным пакетом создается отчет о точности классификации, содержащий следующую информацию:
- собственно матрица ошибок;
- процент правильного отнесения пикселей к определенному классу;
- статистика каппа по каждому классу.
Рис. 2. Лесоустроительный планшет, окрашенный по преобладающим породам, и результаты классификации по методу максимального правдоподобия, совмещенные с цифровым планшетом. Объект «Хотьковское участковое лесничество»
Чем выше значение каппа, тем более достоверны результаты классификации. Формула для вычисления статистики каппа приводится в работе [6].
Значения статистики каппа по всем трем алгоритмам дешифрирования для снимка Aster приведены в табл. 4.
Для объекта «Хотьковское участковое лесничество» удалось выделить 9 классов (табл. 4), а для объекта «Вежайское участковое лесничество» - 8, но 2 из них - «облака» и «тени от облаков» - никак не влияют на информативность снимка. Средняя точность дешифрирования по всем классам достаточно высока (в специальной литературе [6] принято считать хорошим результат классификации с точностью выше 0,75). Невысокие значения точности по некоторым классам объясняются недостаточным числом эталонов и перепуты-ванием с другими классами (например, сосна часто путается с елью, а осиновые насаждения - с березовыми). Для объекта «Вежайское участковое лесничество» удалось выделить
меньшее количество классов, чем для объекта «Хотьковское участковое лесничество», но значения статистики каппа выше (кроме сосновых насаждений). Меньшее количество классов для Вежайского участкового лесничества объясняется более бедными по составу насаждениями, произрастающими на территории объекта обследований, а также худшим качеством самого снимка и меньшей детальностью лесоустроительной информации, служившей основой для выбора эталонов.
В процессе дешифрирования и оценки точности было замечено, что алгоритм, предоставляемый программой ERDAS, излишне формален, и поэтому для объективного суждения о пригодности тех или иных КСС для решения лесохозяйственных и экологических задач необходима разработка дополнительных методов оценки точности классификации. Нами была разработана следующая рабочая методика:
1. Результаты дешифрирования были автоматически оцифрованы в среде ArcView
3.2. Так была получена векторная карта с показанными на ней классами объектов.
2. На данную карту в среде ГИС был наложен цифровой лесоустроительный планшет (рис. 2). Внутри выделов средствами программной среды ArcView 3.2 была подсчитана площадь, занимаемая каждым из представленных классов в пределах каждого из выделов, и процент занимаемой площади по отношению к общей площади выдела.
3. Исходя из полученных данных были выведены формулы состава насаждений. При этом в случае, если более 60 % лесного выдела по результатам дешифрирования занимал класс «земли, не покрытые лесом», то такой выдел считался рединой (рис. 2).
В результате дешифрирования получилось соотношение древесных пород на выделе по площади проективного покрытия крон. Для того чтобы перейти к классическому составу насаждений, были применены таблицы хода роста [9]. При этом из таблиц брался запас чистых насаждений, а из результатов дешифрирования - примерная доля соответствующей породы на выделе. Затем рассчитывалось соотношение запасов разных пород на выделе, и из этих расчетов выводился состав древостоя по запасу.
Минусом такого подхода является невозможность учета при дешифрировании ярусов древостоев, отличных от первого. Поэтому получившийся состав справедлив только для первого яруса насаждений.
Пример получившихся результатов дешифрирования представлен в табл.5 (необходимо заметить, что Л в формулах, полученных в результате дешифрирования, означает не только липу, а широколиственные породы в целом).
Табл. 5 показывает, что все алгоритмы контролируемой классификации позволяют определять состав насаждений, но с различными ограничениями. Метод максимального правдоподобия, характеризующийся наибольшей достоверностью (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 имеющихся на выделе пород, но практически не добавляют незначительных по площади.
Расхождения в породном составе по результатам дешифрирования и по данным лесоустройства можно объяснить не только неточностями дешифрирования, но и высокой неоднородностью и большим количеством древесных пород, произрастающих на территории Хотьковского участкового лесничества. Задача определения состава пород в таких насаждениях требует хорошей профессиональной подготовки даже при наземной таксации.
Из всего вышесказанного можно сделать вывод, что изображения Aster пригодны для первичного определения породного состава насаждений (т.е. наличия той или иной породы в составе древостоя). При наличии серии разновременных снимков можно выявлять динамику породного состава - смену лиственных пород хвойными и наоборот, обнаруживать гари, крупные ветровалы и оценивать их параметры.
Кроме того, по снимкам Aster с высокой точностью (значение статистики каппа 0.70-0.75, полученное при дешифрировании КСС на объекте «Вежайское участковое лесничество», табл. 5) возможно выявлять площади, пройденные рубками, и отслеживать стадии их зарастания или заболачивания (рис. 3).
К важным лесохозяйственным задачам можно отнести оконтуривание земель поселений и сельскохозяйственного назначения и дальнейший контроль освоения прилегающих лесных массивов. Эта задача актуальна для лесов густонаселенных регионов России, где нередки случаи незаконной застройки. К таким регионам относится и объект «Хотьковское участковое лесничество». По результатам дешифрирования можно сказать, что нелесные земли надежно распознаются (кап-па=1), отличаются от лесных и четко оконту-риваются на снимке (рис. 4).
Т а б л и ц а 5
состав насаждений по результатам дешифрирования. дмитровское лесничество, Хотьковское участковое лесничество, квартал 28
№ выдела Состав по результатам классификации по методу Состав по таксационному описанию
максимального правдоподобия махалонобиса минимального расстояния
1 5Олс3Е2Л 9Е1Олс 10Е+Ос 5Е1Б1Ос3Олс
2 6Е4Олс 9Е1Б 10Е 6Е2Б2Ос
3 4Е4Олс2Л 8Е2Олс 5Е3Олс1Л1Ос 5Е2Б1Ос1Олс1Лп
4 4Олс3Л2Е1Ос 8Е1Б1Л 9Е1Олс+Л 6Е2Б2Ос
5 9Е1Олс 10Е 10Е 8Е1Ос1Б+Олс
6 7Е3Олс 10Е 10Е 4Б3Ос3Е
7 5Е3Олс2Л 8Е2Олс 10Е 6Е3Б1Ос
8 5Ос3Л2Е+Олс 6Б2Е2Ос+Л+Олс 6Б2Ос 1Е1Олс+Л 7Б1Ос2Е
9 5Ос3Л2Олс+Е 6Б2Е2Ос+Л+Олс 3Б3Ос2Л1Е1Олс 4Б2Ос4Е+Олс
10 5Ос3Л1Е 1Олс 6Е4Б 7Е2Л1Б 5Е1Б1Ос2Олс1Е+Лп+ДН
11 5Ос3Б2Е+Л 6Е4Б 7Б2Л1Ос 6Б2Ос2Е+Лп+Олс
12 5Олс3Л1Ос1Е 4Б3Е3Олс 4Олс2Л2Е1Б1Ос 5Б2Ос3Е
13 6Е4Олс 9Е1Б 6Е4Б 5Е2Ос3Б+Олс
14 5Е3Ос2Олс Ред 5Е5Б 4Е4Б2Олс 7Олс1Б1Ос1Е
15 8Ос2Л+Е 8Б1Е1Ос 5Б3Л2Ос+Олс Лесные культуры 5Е5Б+Л+ИВД+Олс
16 5Е5Олс 6Е3Олс1Б 6Е4Олс 6Олс2Б2ОС+Е
17 Лесные культуры 4Л3Ос2Олс1Е 4Е4Б2Олс Лесные культуры 7Олс3Е Лесные культуры 6С2Е2Б+Ос+Олс
18 Поляна Поляна Поляна Поляна
19 9Е1Олс 10Е 10Е 7Е2Ос1Б
20 8Е2Олс 10Е 10Е 6Ос2Б2Е
21 5Олс4Е1Л 8Е2Б 9Е1Олс 6Ос2Б2Е
22 6Л4Ос 8Б2Е+Олс 4Ос3Л2Б1Олс Лесные культуры 7Т1Б2Е
23 4Е3Л1Б 1Ос1Олс 7Е3Б 9Е1Б 7Б3Ос
24 6Е3Олс1Л 6Б2Е2Олс 9Е1Олс Вырубка
25 7Е3Б Ред 10Б Ред 10Б 5Б2Ос3Е
26 8Е2Олс 10Е 10Е 6Е2Б2Ос+Олс
27 7Е3Олс 6Е3Олс1Б 9Е1Олс 6Е2Ос1Б1Олс
28 5Л3Ос2Олс 5Б2Л2Олс1Е 4Олс3Л3Ос+Б 6Ос2Б2Е
29 5Л2Ос2Олс+Е 5Е3Л2Олс 4Олс2Ос2Е1Л1Б 7Б1Ос2Е
30 Поляна Поляна Поляна Поляна
31 6Е2Л2Олс 8Е2Б 8Е2Олс Лесные культуры 8С2Е+Б
32 3Е3Олс1Л1Ос 6Е3Б1Олс 7Е2Олс1Л+Б 5Е3Ос2Б+Е+Дн
33 Поляна Поляна Поляна Поляна
34 4Е4Ос2Б Редина 10Б 9Е1Ос 8Е1Б1Ос+Дн
35 9Е1Олс 10Е 10Е 4Е2Е1Б1Ос1Б1Ос+Олс
36 6Л4Олс+Е 4Е3Л3Олс 6Е4Олс 6Ос2Б2Е
37 3Е3Л3Олс1Ос 6Е2Б1Л1Олс 8Е2Олс 6Б2Ос2Е
38 8Е2Олс+Л 10Е 10Е 6Е2Ос2Б+Дн
39 6Л3Ос1Е+Олс 6Б3Е1Л 3Е2Л2Ос2Олс1Б 6Ос2Б2Е
40 4Е6Ос 5Е2Л2Б1Олс 8Е2Олс 5Е3Ос2Б+Дн
41 4Е6Ос Поляна 10Б Поляна
42 5Л4Олс1Е 6Олс3Е1Л 7Е3Л 6Б3Ос1Е
43 6Е3Б1Л 8Е2Б 5Олс4Е1Л 5Б3Ос2Е+Дс+Олс
44 5Е2Л2Олс1Ос 8Е2Б+Л 10Е Вырубка
45 4Е4Л1Ос1Олс 8Е1Л1Б 9Е1Л 5Е3Ос2Б+Е+Дн
46 7Ос3Е 9Б1Е 5Б2Е2Ос1Олс 6Ос2Б2Е
47 8Е2Б+Л+Олс 6Е3Олс1Л 10Е 5Е3Ос1Б1Дн
Окончание таблицы 5
№ выдела Состав по результатам классификации по методу Состав по таксационному описанию
максимального правдоподобия махалонобиса минимального расстояния
48 4Е3Л2Ос1Олс 6Е3Л2Б 10Е+Л+Б Вырубка
49 4Е4Л2Олс+Ос 8Е2Л+Б 8Е2Олс 6Е2Ос1Б1Дн
50 5Л3Олс1Е1Ос 4Е4Л1Б1Олс 7Е2Л1Олс 4Ос2Б1Лп1Дн2Е
51 4Е4Олс1Л1Ос 4Е4Б2Л 6Е4Олс 6Е2Ос1Б1Дн+Лп
52 9Ос1Е+Б 9Б1Е 9Б1Ос 6Б2Ос2Е
53 5Ос5Л+Олс 7Б3Л 6Б2Ос2Л 5Ос2Б1Лп2Е
54 9Ос1Л 10Б 7Б3Ос 6Б2Ос1Лп1Е
55 4Ос3Л3Олс+Е 6Б4Е 7Е1Л1Ос1Б 5Е2Б1Ос1Лп1Дн
56 5Л4Ос1Е 6Б2Е2Л 6Б4Олс 9Б1Е+Ос+Дн+Лп
Рис. 3. Фрагмент отдешифрированного снимка Aster, объект «Вежайское участковое лесничество»: 1 - признаки заболачивания вырубок; 2 - признаки зарастания вырубок
Рис. 4. Фрагмент КСС Aster, совмещенного с лесоустроительным планшетом. Хорошо видны границы между лесными и нелесными землями
Таким образом, имея серию разновременных снимков, можно обнаружить изменение границ нелесных земель.
Описываемую в данной работе методику можно применять и для любых других космических изображений.
В целом можно сказать, что для успешного применения описываемых КСС требуются достоверные и репрезентативные эталоны, а это напрямую зависит от качества материалов, используемых для дешифрирования. При соблюдении этого условия космические изображения Aster перспективны для лесного хозяйства. Конечно, они не могут заменить аэрофотоснимки, но в классах задач, описанных в начале данной работы, КСС Aster в комбинации с результатами наземных обследований, картографической и иной информацией не хуже более дорогих конкурентов.
Библиографический список
1. Малышева, Н.В. Дистанционное зондирование для изучения лесных экосистем, учета, контроля и
управления лесными ресурсами / Н.В. Малышева // Лесохозяйственная информация, № 1. - 2002 -С. 31-62.
2. Гершензон, О.Н. Космические программы ДЗЗ, доступные в России / О.Н. Гершензон // Пространственные данные, № 3. - 2005 - С. 47-51.
3. Сайт ИТЦ СканЭкс: http://www.scanex.ru/ru/data/ index.html.
4. ASTER User's Guide (Ver.3.1) March, 2001. ERSDAC.
5. Отчет ВНИИЛМ о научно-исследовательской работе за 2005 г. по теме 3.25 сводного плана НИР лесохозяйственного направления.
6. Книжников, Ю.Ф. Аэрокосмические методы географических исследований: учебник / Ю.Ф. Книжников, В.И. Кравцова, О.В. Тутубалина - М.: Академия, 2004. - 336 с.
7. Лурье, И.К. Основы геоинформационного картографирования: учеб. пособие / И.К. Лурье - М.: МГУ, 2000.- 143 с.
8. ERDAS Field Guide - fifth edition, revised and expanded - ERDAS inc, Atlanta, Georgia, 1999 -672 c.
9. Третьяков, Н.В. Справочник таксатора / Н.В. Третьяков, П.В. Горский, Г.Г. Самойлович - М.: Го-слесбумиздат, 1952. - 854 с.
