CC BY
17
1. Л1СОВЕ ТА САДОВО-ПАРКОВЕ ГОСПОДАРСТВО
УДК 630*5:528.871 Доц. С.1. Миклуш, д-р с.-г. наук; асист. С.А. Гаврилюк,
канд. с.-г. наук - НЛТУ Украти, м. Rbeie
СТВОРЕННЯ ЦИФРОВО1 КАРТИ Л1С1В ЗАХ1ДНОГО Л1СОСТЕПУ УКРА1НИ НА ОСНОВ1 МАТЕР1АЛ1В КОСМ1ЧНОГО ЗН1МАННЯ
Висвгглено принципи створення цифрово! карти лiсiв Захiдного Лiсостепу Ук-ра!ни на основ1 космiчних зшмюв Landsat, в 0CH0Bi яко! лежить "люова маска" з просторовою роздiльною здатнiстю 30 м. Здшснено оцiнку точностi створено! цифрово! карти лiсiв на основi матерiалiв монiторингових пробних площадок за визначе-ними рiвнями "можливосп".
Ключов1 слова: цифрова карта, "люова маска", космiчний знiмок.
Assoc. prof. S.I. Myklush; assist. S.A. Havrylyuk - NUFWT of Ukraine, L'viv
The creation of the digital forest map of western forest-steppe of Ukraine based on satellite image data
This article consider the base of creation a digital forest map of Western Forest-Steppe of Ukraine using satellite image Landsat and "forest mask" with the spatial resolution ability 30 m. The accuracy estimation of digital forest map using monitoring ground truth sample plots with previous conducted different levels of "probability" was doing.
Keywords: digital map, "forest mask", satellite image
Важливою умовою усшшного виршення завдань з рацюнального ви-користання та вщновлення люових ресурЫв, шдвищення продуктивност i полшшення яюсного складу насаджень, шдвищення ефективност люового господарства е вдосконалення системи облжу та контролю за станом i дина-мжою лiсiв. Удосконалення системи облiку мае забезпечити об'ектившсть вь домостей про лiсовi масиви, пiдвищити точнiсть та оператившсть !х отриман-ня [7]. Ц завдання можна успiшно виконувати на основi матерiалiв дистан-цшного зондування Землi (ДЗЗ), оскiльки вони вщносно дешевi, об'ективнi, дають змогу ощнити динамiчнi процеси на значних територiях тощо.
Вирiшення бiльшостi практичних завдань люового господарства пот-ребують розроблення люово! геошформацшно! системи (Г1С). Основою тако! системи може бути цифрова карта люових насаджень певного репону, створена на основi матерiалiв ДЗЗ. Геоiнформацiйна система значно спростить прий-няття управлiнських ршень, здiйснення монiторингу та статистично! швен-таризацп лiсiв, здешевить виконання люошвентаризацшних робiт тощо [6].
Наземними даними створення цифрово! карти лiсiв Захiдного Люосте-пу Укра!ни слугують 180 кругових пробних площадок (5 пол^ошв) на тери-торп дослщжень. Круговi пробнi площадки закладали у пол^ош розмiром 1x1 км через кожш 200 м [9, 10]. Для перевiрки точностi отримано! цифрово! карти лiсiв використали монiторинговi пробш площадки (120 шт.), закладенi
Львiвською державною люовпорядною експедищею у 2003-2004 рр. на тери-торй держлiсфонду Львiвськоl та Тернопшьсько1 областей.
Основою створення цифрово! карти лiсiв е KOCMi4Hi знiмки Landsat-7 ETM+ та видшена на 1хнш основi "люова маска" [5], яка презентуе вкрит лiсовою рослиннiстю землi. За допомогою алгоритму mask.gmd створюеться нове зображення з спектральними характеристиками космiчного зшмка тшь-ки на вкритi люовою рослиннiстю землi. Це зображення включаеться у про-цес класифжацй.
Найпоширешшими методиками класифжацй космiчних зображень е контрольована та неконтрольована класифiкацiя, класифшащя на основi бази знань, сегментащя та кластерний аналiз тощо [1, 8]. Вибiр методики дешиф-рування визначаеться типом зшмально1 системи, характеристиками зтмюв, 1хньою рiзною просторовою роздшьною здатнiстю, якiстю тощо. Методика контрольовано1 класифжацй (англ. Supervised Classification) дае змогу здшснити дешифрування рiзними параметричними правилами: максимально: правдоподiбностi (англ. Maximum Likelihood), мшмально1 вiдстанi (англ. Minimum Distance) та вщсташ Махаланобюа (англ. Mahalanobis Distance). Найкращим параметричним правилом проведення контрольовано1 класифжа-цй е правило максимально1 правдоподiбностi [1, 9, 10]. Тому класифiкацiю насаджень Захщного Лiсостепу Украши виконували за цим правилом з роз-подшом всiх насаджень за групами порщ на 3 класи: листянi, мшат та хвойш. Насадження з часткою порiд 8 i бiльше одиниць хвойних чи листяних вщносили до вщповщного класу, iншi - до мшаних.
Важливим у дешифруваннi даних ДЗЗ е вибiр найiнформативнiших комбшацш каналiв. Найкращi результати отримують шд час класифжацй зображень Landsat, складених з 1-4-5 каналiв 15-метрово1 просторово1 роз-дшьно1 здатностi, покращених мультиплжативним методом [1]. Для охоплен-ня вЫе1 територй дослiджень потрiбно створювати моза1ку з кiлькох зображень, що веде до нагромадження похибок та значного збшьшення обсягу ш-формацй. Для зменшення об'ему зображення та пришвидшення процесу кла-сифжацй цифрову карту лiсiв Захiдного Люостепу створюють на основi зображення 30-метрово1 просторово1 роздшьно1 здатностi, складеного з 1, 4 та 5 каналiв космiчного знiмка.
Для здшснення класифжацй космiчних зображень потрiбно визначити параметри, за якими алгоритм буде вщносити пiкселi зображення до певного класу, визначеного користувачем. Цей процес називають створенням класо-вих сигнатур i виконують на основi польових даних (еталони, тренувальнi дат) та фотоштерпретацй. Сигнатури, якi вибираються iз простору ознак, е не-параметричними i потребують обчислення статистичних показниюв, пiсля чого вони стають параметричними. Параметричш сигнатури базуються на статистичних параметрах вибiрки-еталону (наприклад, середньому значенш або коварiацiйнiй матрицi). Залежно вiд розмiрiв зображення, яке аналь зуеться, тренувальнi данi мають становити вщ 1 до 5 % вЫх пiкселiв [11]. Кiлькiсть цих даних для кожного класу мае бути достатньою для коректного визначення основних критерйв проведення класифжацй. P.H. Swain i
8
36i|)iiiiK науково-технiчних праць
S.M. Davis [11] рекомендують вщ 10N до 100N (де N - кшьюсть KaHaniB) да-них для кожного класу.
Часто пiд час формування класових сигнатур можуть виникати помил-ки за рахунок вщнесення mкселiв до невластивого класу, що знижуе точнiсть класифжаци. Тому доцiльно здшснювати попередню оцiнку якостi створених класових сигнатур рiзними способами [4]: за правилом паралелешпеда, ви-падково! матрищ, створення маски, об'еклв сигнатур, пстограми, вщдаленос-тi клaсiв. Оскiльки як тренувальш дaнi використано круговi пробш площадки (попiксельнi пaрaметричнi сигнатури), для попередньо! оцiнки якостi створених сигнатур використали два способи: вщдаленосл клaсiв та випадково! мaтрицi. Перший споЫб передбачае обчислення спектральних вщстаней мiж сформованими користувачем класами (Евклщова вiдстaнь, просте чи тран-сформоване вдаилення, Jefferies-Matusita вiдстaнь). За абсолютним значен-ням показника можна судити про можливють коректного видiлення певного класу. Спошб випадково! мaтрицi показуе кшьюсть пiкселiв тренувального набору даних, яю вiднесенi до того чи шшого класу.
Попередня оцiнкa якост створених класових сигнатур на основi Ев-клщово! вiдстaнi (ED) показала, що найкраще рiзняться мiж собою класи хвойних та листяних насаджень (ED=28), нaйгiрше - листянi та мшат наса-дження (ED=9). За даними перевiрки якостi створених класових сигнатур способом випадково! мaтрицi понад 50 % пiкселiв клaсiв листяних та мша-них насаджень та 88 % пiкселiв класу хвойних насаджень дешифруються правильно.
На основi створених сигнатур виконано дешифрування космiчного зображення за правилом максимально! прaвдоподiбностi, внaслiдок чого от-римали цифрову карту лiсiв Зaхiдного Лiсостепу Укра!ни. На зaходi та швно-чi захщноукра!нського лiсостепового округу переважають хвойш та мiшaнi насадження, в центральнш та схiднiй частинах - листяш насадження, що вщ-повiдaе даним лггературних джерел [2, 3]. Проте, потрiбно оцiнити точнiсть створено! карти лiсiв. Серед рiзних методiв ощнки ми використали метод по-шксельно! перевiрки тематично! карти на основi монiторингових пробних площадок. Наклавши координати мошторингових пробних площадок на створену карту лiсiв з попереднiм !х розподiлом на вiдповiднi класи, встано-вили, що хвойнi та мшат насадження видшеш достовiрно, проте листяш насадження переважно класифжуються як мшат (табл. 1).
Табл. 1. nepeeipKa mo4Hocmi створеног цифровое карти лшв _Захiдного Л'шостечу Украгни_
Класи Класи
хвойт мшат листят
Хвойт 61,54 30,77 7,69
Мшат 33,33 55,56 11,11
Листят 19,30 61,40 19,30
Тому потрiбно здшснити провести повторну класифжацш iз застосу-ванням рiзних комбiнaцiй "можливостей" для кожного класу. Значення "можливостей" для вщповщного класу вибираеться вiзуaльно на основi оцiнки
представленостi даного класу на космiчному зображеннi. Оскшьки за спек-тральними характеристиками мшат насадження займають промiжне мiсце мiж хвойними та листяними насадженнями i вони часто класифiкуються як мшат, тому рiвень мможливостiм для останнього класу мшаних насаджень брався нижчим. Як базовi рiвнi "можливостей" апробоваш три варiанти: 4-2-4 (перше значення - рiвень мможливостiм класу листяних насаджень, друге -мшаних та трете - хвойних насаджень), 4-3-4 та 5-3-4. Ощнка точност кла-сифшаци космiчного зображення показала таю результати (табл. 2).
Табл. 2. Точшсть дешифрування груп порiд за рiзних рiвнiв "можливостУ"
Класи Класи
хвойш мшат листяш
Рiвень "можливостГ 4-2-4
Хвойш 76,92 0,00 23,08
Мiшанi 33,33 11,11 55,56
Листянi 35,09 7,02 57,89
Рiвень "можливостГ 4-3-4
Хвойш 69,23 15,38 15,38
Мшаш 33,33 44,44 22,22
Листянi 28,07 35,09 36,84
Рiвень "можливостГ 5-3-4
Хвойнi 69,23 7,69 23,08
Мiшанi 33,33 22,22 44,44
Листянi 19,30 22,81 57,89
Як видно з табл. 2, особливого покращення попередне задання рiвнiв "можливостей" для кожного класу не дае. Проте, шдвишуеться точшсть дешифрування крайшх клаЫв, тобто листяних та хвойних насаджень. М1шат насадження завдяки !х промiжному характеру класифжуються значно прше. Тому, на нашу думку, значно важлившим е вища точнiсть класифжацп для класiв хвойних та листяних насаджень. Найкрашд результати отримали за рiв-ня "можливост^' 4-2-4 (точшсть класифшаци хвойних насаджень становить 76,92 %, а листяних - 57,89 %.
Пiд час створення цифрово! карти лiсiв Захiдного Лiсостепу для змен-шення об'ему карти та пришвидшення процесу класифжаци доцiльно вико-ристовувати знiмки 30-метрово! просторово! роздшьно! здатностi. Для шдви-щення точност результуючо! карти та достовiрнiшого дешифрування вщпо-вiдних класiв потрiбно задавати рiзнi рiвнi "можливостГ. Для умов територи дослiджень найкрашi результати отримали шд час 4-2-4 комбшаци рiвнiв "можливостГ.
Отриманi результати е базою для подальших дослiджень з удоскона-лення методики дешифрування космiчних зтмюв ЬапёБа1 та створення люо-во! Г1С.
10
Збiрник науково-технiчних праць
Лгтература
1. Гаврилюк С.А. Класифшащя земель люового фонду Захiдного Лiсостепу Украши за матерiалами дистанцiйного знiмання / С. А. Гаврилюк, С.1. Миклуш // Науковий вюник НЛТУ Украши : зб. наук.-техн. праць. - Львiв : РВВ НЛТУ Украши. - 2007. - Вип. 17.3. - С. 26-35.
2. Генс1рук С.А. Люи Захщного репону Украши / С.А. Генарук, М.С. Нижник, Л.1. Ко-пiй // Наукове товариство iM. Шевченка. - Львiв : УкрДЛТУ, 1998. - 408 с.
3. Генс1рук С.А. Люи Украши / С.А. Генарук // Наукове товариство iM. Шевченка. -Львiв : УкрДЛТУ, 2002. - 496 с.
4. Методологический аппарат ERDAS IMAGINE для классификации изображений. [Електронний ресурс]. - Доступний з: http://www.gis-lab.info/qa/genclass-erdas.html.
5. Миклуш С.1. Видшення "люово'1' маски" для Захщного Люостепу Украши / С.1. Миклуш, С.А. Гаврилюк // Лiсiвництво i агролiсомелiорацiя : зб. наук. праць. - Харюв : Вид-во С А М. - 2006. - Вип. 110. - С. 60-66.
6. Ткач В.П. Сучасний стан i перспективи розвитку галузево'1' лшвничо'1' науки / В.П. Ткач, Г.В. Бондарук // Лiсiвництво i агролiсомелiорацiя : зб. наук. праць. - Харюв : Вид-во С.А.М. - 2002. - Вип. 101. - С. 3-8.
7. Цурик C.I. Окомiрна та вибiркова таксацiя лiсу : навч. поаб. / G.I. Цурик. - Львiв : УкрДЛТУ, 2002. - 240 с.
8. Classification Techniques. [Electronic resources]. - Access mode: http://www.profc.udec. cl/~/tutoriales/rsnote/cp11/11-1.htm.
9. Nonparametric Assessment of Forest Attributes by Combination of Field Data of the Austrian Forest Inventory and Remote Sensing Data. Dissertation zur Erlangung des Doctorgrades an der Universität fur Bodenkultur Wien. [Electronic resources] / T. Koukal. - Access mode : http://www.rali.boku.ac.at/fileadmin7_/H85/H857/diss/Koukal_Dissertation.pdf.
10. Potential of Remote Sensing and GIS as Landscape Structure and Biodiversity Indicators. Inaugural-Dissertation zur Erlangung der Doctorwurde der Facultat fur Forst-und Umweltwissenschaften der Albert-Ludwigs-Universitat Freiburg I. Brsg. [Electronic resources] / Ivits-Wasser E. - Access mode : http://portal.uni-freiburg.de/felis/data/evapub/thesis.
11. Richards J.A. Remote sensing digital image analysis: an introduction / J.A. Richards, X. Jia. - Berlin; Heidelberg; New-York; Barcelona; Hong Kong; London; Milan; Paris; Singapore; Tokyo: Springer, 1999. - 363 p. _
УДК582.28:630*18:631.445.2 Ст. наук. ствроб. А.€. Червонный,
канд. бюл. наук -ВПНУБШ Украты "Боярськалкова domidHa станщя"; ст наук. ствроб. Н.М. Волощук, канд. бюл. наук - Укратська лабораторш
якостг i безпекы продукцИ' АПК НУБШ Украты
М1КРОМЩЕТИ, ВИД1ЛЕН1 3 ПОДР1БНЕНО1 ДЕРЕВИНИ Г1ЛОК 13 ЛИСТЯМ ТВЕРДОЛИСТЯНИХ ПОР1Д
Розглянуто результата дослщжень видового складу та поширення мшромще^в ПДГ шести деревних порщ. Проаналiзовано частоту трапляння, вщмшнють i подiб-нють окремих видiв грибiв. Дослщжено !хш еколого-бюлопчш властивосп в чистш культура
Senior research officer A. Ye. Chervonnyj - VP NUBiP of Ukraine; senior research officer N.M. Voloshchuk - Ukraine laboratory of produce
quality and safety, APK NUBiP of Ukraine
Micromycetes isolated from ramial chipped wood with leaves
of hard deciduous trees
Species structure and distribution of micromycetes of six trees RCW were showed. Occurrence of frequency, difference and similarity of define fungal species were analyzed. Their ecological-biological properties were studied in pure culture.
