Без рубрики

Сравнительная характеристика лесных массивов с использованием дешифрирования снимков сверхвысокого разрешения

Ю.Ф. Рожков1, М.Ю.Кондакова2
DOI 10.31242/2618-9712-2020-25-2-10

Показать больше

1ФГБУ «Государственный природный заповедник «Олекминский», Олекминск, Россия
2ФГБУ «Гидрохимический институт», Ростов-на-Дону, Россия
[email protected]

Поступила в редакцию 26.03.2020
Принята к публикации 19.05.2020

УДК 57.036:504.064.37

Информация для цитирования
Рожков Ю.Ф., Кондакова М.Ю. Сравнительная характеристика лесных массивов с использованием дешифрирования снимков сверхвысокого разрешения // Природные ресурсы Арктики и Субарктики. 2020. Т. 25, № 2. С. 125–136. https://doi.org/10.31242/2618-9712-2020-25-2-10

АННОТАЦИЯ: Для целей мониторинга состояния лесных экосистем наиболее эффективно использование возможностей дистанционных методов. На мультиспектральных космических снимках DigitalGlobe территории государственного природного заповедника «Олекминский» выделены фрагменты площадью 0,819 км2 (масштаб 1:3200) с доминированием сосны обыкновенной (Pinus sylvestris L.) и лиственницы Гмелина (Larix gmelinii Rupr.). Затем были сохранены полигоны по четырем уровням детализации — 4, 16, 64, 256 с масштабами 1:1600,1:800, 1:400, 1:200 соответственно. При дешифрировании проводилась неуправляемая классификация фрагмента полигонов методом ISODATA (Iterative Self-Organizing Data Analysis Technigue) на 2, 4, 10 классов. По результатам классификации на 2 класса показана взаимосвязь между индексом лесистости и количеством деревьев, отмеченных на полигонах. Были построены кривые распределения значений индекса лесистости для полигонов 4 уровня детализации. Характер кривых близок к нормальному распределению. По результатам классификации на 4 и 10 классов была проведена статобработка с расчетом показателей разности и подобия полигонов — дисперсии генеральной совокупности и теста Фишера (F-тест). Выделены наиболее похожие пары полигонов на разных уровнях детализации. Рассмотрены результаты изменения дисперсии генеральной совокупности и F-теста на разных уровнях детализации.

Ключевые слова: дешифрирование космических снимков, классификация Isodata, индекс лесистости, дисперсия, F-тест.

Список литературы
  1. Мониторинг биологического разнообразия лесов России: методология и методы / Под ред. А.С. Исаева. М.: Наука, 2008. 453 с.
  2. Исаев А.С., Князева С.В., Пузаченко М.Ю. и др. Использование спутниковых данных для мониторинга биоразнообразия лесов // Исследование Земли из космоса. 2009. № 2. С. 1–12.
  3. Толкач И.В. Методы основных таксационно-дешифровочных показателей на цифровых снимках // Труды БГТУ. 2012. № 1. С. 63-65.
  4. Жарко В.О., Барталев С.А., Егоров В.А. Исследование возможностей оценки запасов древесины в лесах Приморского края по данным спутниковой системы Proba-V // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15,
    № 1. С. 157–168.
  5. Ховратович Т.С., Барталев С.А., Кашницкий А.В. Метод детектирования изменений лесов на основе подпиксельной оценки проективного покрытия древесного полога по разновременным спутниковым изображениям // Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16, № 4. С. 102–110.
  6. Денисова А.Ю., Кавеленова Л.М., Корчиков Е.С. и др. Пространственная классификация преобладающих древесных пород на территории Самарской области по данным Sentinel-2 и таксации леса // Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16, № 4. С. 86–101.
  7. Фомин В.В., Залесов С.В., Магасумова А.Г. Методики оценки густоты подроста и древостоев при зарастании сельскохозяйственных земель древесной растительностью с использованием космических снимков высокого пространственного разрешения // Аграрный вестник Урала. 2015. № 1. С. 125–129.
  8. Данилин И.М., Медведев Е.М., Абе Н.И. и др. Высокие технологии XXI века для аэрокосмического мониторинга и таксации лесов. Задачи исследований и перспективы использования // Лесная таксация и лесоустройство. 2005. Вып. 1(34). С. 28–30.
  9. Исаев А.С., Суховольский В.Г., Хлеборос Р.Г. и др. Моделирование лесоообразовательного процесса: Феноменологический подход // Лесоведение. 2005. № 1. С. 3–11.
  10. Козодеров В.В., Кондранин Т.В. Методы оценки состояния почвенно-растительного покрова по данным оптических систем дистанционного аэрокосмического зондирования. М: МФТИ, 2008. 222 с.
  11. Методика лесного стереоскопического дешифрирования аэрои космических снимков. СПб.: Леспроект, 2015. 23 с.
  12. Ожич О.С. Измерительное дешифрирование чистых сосновых древостоев на цифровых аэрои космических снимках: Автореф. дисс. канд. сель-
    скохозяйственных наук. Минск, 2017. 24 с.
  13. Малышева Н.В. Дешифрирование древесной растительности на сверхдетальных изображениях [Электронный ресурс]: методическое пособие: учебное электронное издание. М.: ФГБОУ ВПО МГУЛ 2014. 40 с.
  14. Терехин Э.А. Сезонная динамика проективного покрытия растительности агроэкосистем на основе спектральной спутниковой информации // Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16, № 4. С. 111–123.
  15. Жирин В.М., Князева С.В., Эйдлина С.П. Эколого-динамическое исследование лесообразовательного процесса по космическим снимкам // Лесоведение. 2013. № 5. С.76–85.
  16. Шовенгердт Р.А. Дистанционное зондирование. Модели и методы обработки изображений. М.: Техносфера, 2010. 560 с.
  17. Кочуб Е.В., Топаз А.А. Анализ методов обработки материалов дистанционного зондирования Земли // Вестник Полоцкого государственного университета. Сер. F. Строительство. Прикладные науки. Геодезия. 2012. № 16. С. 132–140.
  18. Шумаков Ф.Т., Толстохатько В.А., Малец А.Ю. Классификация космических снимков с использованием методов кластерного анализа // ВосточноЕвропейский журнал передовых технологий. 2011. Вып. 3/4 (51). С. 58–62.
  19. Рожков Ю.Ф., Кондакова М.Ю. Оценка возможности использования показателя симметрии распределения пикселей в мониторинге состояния лесов при дешифрировании космических снимков среднего и высокого разрешения // Nature Conservation Research. Заповедная наука. 2016. Вып. 1(1). С. 98–107. DOI: 10.24189/ncr.2016.008
  20. Рожков Ю.Ф., Кондакова М.Ю. Мониторинг состояния лесов с использованием кластерного анализа при дешифрировании космических снимков среднего и высокого разрешения // Наука и образование. 2016. № 3. С. 95–101.
  21. Рожков Ю.Ф. Мониторинг состояния лесных экосистем с использованием космических снимков высокого и сверхвысокого разрешения // Вестник СВФУ. Сер. Науки о Земле. 2019. № 4(16). С. 71–81. DOI:10.25587/SVFU.2020.16.49741
  22. Рожков Ю.Ф., Кондакова М.Ю. Оценка динамики восстановления лесов после пожаров в Олекминском заповеднике (Россия) по космическим снимкам Landsat// Nature Conservation Research. Заповедная наука. 2019. Вып. 4(1). С. 1–10. DOI:10.24189/ ncr.2019.014
  23. Рожков Ю.Ф., Кондакова М.Ю. Оценка структурных характеристик лесных экосистем с использованием дешифрирования космических снимков высокого и сверхвысокого разрешений // Вестник СВФУ. 2018. № 1 (63). С. 38–51. DOI:10.25587/ SVFU.2018.63.10539
  24. Мандельброт Б.Б. Фрактальная геометрия природы. М: Институт компьютерных исследований, 2002. 656 с.
  25. Mandelbrot B.B. The fractal geometry of trees and other natural phenomena // Lecture Notes in Biomathematics. 1978. Vol. 23. P. 235–249.

Добавить комментарий

Ваш адрес email не будет опубликован.