Разработка методики мультииндексной обработки спектральных изображений подстилающей поверхности по комплексным данным дистанционного зондирования тема диссертации и автореферата по ВАК РФ 25.00.34, кандидат наук Фисенко Елена Вячеславовна

• Фисенко Елена Вячеславовна
• кандидат наук
• 2020

Оглавление диссертации кандидат наук Фисенко Елена Вячеславовна

ВВЕДЕНИЕ

1. Современное состояние вопроса по методам дешифрирования данных дистанционного зондирования почвенно- растительного покрова

1.1 Наземные методы дистанционного зондирования почвенно- растительного покрова

1.1.1 Спектрально-отражательные характеристики растительного покрова

1.1.2 Спектрально-отражательные характеристики почв

1.2 Методы аэрофотосъемки и дистанционного зондирования почвенно-растительного покрова

1.3 Космические методы дистанционного зондирования почвенно- растительного покрова (дешифрование данных)

1.4 Основные проблемы автоматизации распознавания и классификации почвенно-растительного покрова на снимках дистанционного зондирования

1.5 Выводы по разделу

2. Получение тестовых спектральных изображений подстилающей поверхности по комплексным данным дистанционного зондирования (ИСЗ, БПЛА, полевые)

2.1 Получение данных наземных исследований

2.2 Результаты спектральных отражательных свойств почвенно- растительного покрова

2.3 Проведение подспутниковых исследований синхронной аэрофотосъемкой с БПЛА

2.4 Обработка полученных данных с БПЛА и создание набора тестовых эталонов

2.5 Космическая съемка и выбор тестовых полигонов

2.6 Построение спектральных кривых тестовых эталонов

2.7 Технология получения спектральных изображений о подстилающей поверхности по комплексным данным дистанционного зондирования (ИСЗ, БПЛА, полевые), направленный на изучение спектральных характеристик подстилающей поверхности для целей проведения автоматизированной классификации

2.8 Выводы по разделу

3. Разработка методики мультииндексной обработки спектральных изображений подстилающей поверхности по комплексным данным дистанционного зондирования для классификации объектов по видовому составу и степени их состояния

3.1 Цель и задачи разработки методики

3.2 Обработка спектральных отражательных свойств почвенно- растительного покрова наземных данных

3.3 Разделение и классификации почвенно-растительного покрова мультииндексной обработкой наземных данных

3.4 Мультииндексная обработка данных БПЛА и космических данных

3.5 Выявление дополнительных свойств тестовых (эталонных) объектов почвенно-растительного покрова мультииндексной обработкой данных

3.6 Проведение распознавания и классификации почвенно-растительного покрова по спектрам тестовых (эталонных) объектов на космических снимках

3.7 Оценка точности классификации космического изображения WW-2 способом параллелепипедов с обучением

3.8 Алгоритмическое обеспечение мультииндексной обработки спектральных изображений, позволяющее усовершенствовать алгоритмическую составляющую в программном комплексе ENVI

3.9 Оценка точности распознавания и классификации для различных групп специально подобранных индексов, характеризующих текущее состояние изучаемых объектов

3.10 Выводы по разделу

4. Получение результатов исследования влияния атмосферы на спектральные отражательные свойства подстилающей поверхности по комплексным данным ДЗЗ

112

4.1 Цель и задачи исследования влияния атмосферы

4.2 Проведение исследования влияния атмосферы на экспериментальные данные

4.3 Выводы по разделу

5. Заключение и итоги

5.1 Итоговый результат выполнения диссертационной работы

СПИСОК СОКРАЩЕНИЙ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ №1

ПРИЛОЖЕНИЕ №2

ПРИЛОЖЕНИЕ №3

140

Введение диссертации (часть автореферата) на тему «Разработка методики мультииндексной обработки спектральных изображений подстилающей поверхности по комплексным данным дистанционного зондирования»

ВВЕДЕНИЕ

Актуальность темы. Развитие экономики Российской Федерации в условиях глобальных климатических изменений вызывает необходимость совершенствования методов мониторинга природной среды и техногенных объектов. Одним из наиболее оперативных, информативных и многофункциональных способов является многоспектральная дистанционная съемка поверхности Земли из космоса с помощью искусственных спутников Земли (далее - ИСЗ).

Для анализа большого количества дистанционных материалов требуются современные подходы и методы их обработки. Одним из таких подходов является изучение спектральных характеристик почвенно-растительного покрова, полученных по космическим снимкам, с целью проведения автоматизированной классификации.

Представленная в диссертационном исследовании разработанная методика, позволяет классифицировать растительность на основе изучения спектральных особенностей земных покровов с использованием космических данных, наземных данных спектрометрии и подспутниковых данных с беспилотных летательных аппаратов (далее - БПЛА).

Своевременное выявление растительности в угнетенном состоянии позволяет оценить возможные риски и помогает в принятии правильных решений в управлении сельским хозяйством, например, в предотвращении гибели посевных культур, пересыхании земель, лесов, ведущих к засухам и опустыниванию территорий, для предотвращения возникновения чрезвычайных ситуаций и экологических проблем.

Использование специальных индексов одновременной (мультииндексной) обработки для каждой точки замеров и дальнейшего применения разработанной методики способствует развитию теории и технологии дешифрирования изображений и получения количественных характеристик динамики природных процессов с целью их прогноза.

Изученность проблемы и степень ее разработанности. Теоретическими и практическими исследованиями спектральной отражательной способности природных объектов занимались отечественные и зарубежные ученые: Скворцов А.А., Кринов Е.Л., Толчельников Ю. А., Виноградов Б В., Кронберг П., Обухов А.И., Орлов Д.С., Поляков В.Г., Расположенский Н.А., Рачкулик В.И., Ситникова А.Ю., Кондратьев К.Я, Федченко П.П., Чапурский Л.И.

Отечественные работы по изучению спектральных свойств объектов по данным, полученным с космических летательных аппаратов: Филиппов Д.А., Вандышева H.M., Василенко Г.И., Гуров А.Ф., Барталев С.А., Савин И.Ю., Зверев А.Т., Негре Т., Нейштадт И.А., Королева Н.В., Сидько А.Ф., Пугачева И.Ю., Шевырногов А.П., Балтер Б.М., Егоров В.В., Калинин А.П., Родионова И.П., Стальная М.В., Клещенко А.Д., Балтер Б.М., Вирченко О.В., Егорова В.В., Плотников Д.Е., и зарубежные Muramatsu, K. Masugi, M. Daigo, S. Furumi, Lifu Zhang, M.Meroni, A.De Wit и др.

Эмпирические методы дешифрования и разделения природных объектов на многоспектральные космические снимки изучены зарубежными учеными: Birth and McVey, Rouse, Richardson and Wiegand, Huete, Jackson and Huete, Broge & Leblanc, Haboudane, D.

Современные методы автоматизированного дешифрирования космических снимков разрабатывали отечественные: Малинников В.А., Марчуков В.С., Зверев А.Т., Чабан Л.Н. и зарубежные ученые: Muramatsu К., Masugi K., Daigo M., Furumi S., Lifu Zhang, King M.D., Closs J., Spangler S., Xiong X., Chiang K., Esposito J., Zhang X., Friedl M.A., Schaaf C.B., Seelan S.K, baguette S., Casady G.M.,Hill J.M., Donald G.E., Doraiswamy Р.С., Hatfield J.L., Jackson T.J., South S., Qi J., Lusch D.P., Sultangazin U., Muratova N., Terekhov A., M.Meroni, A.De Wit.

Разработка методов автоматизации дешифрования почвенно-растительного покрова на спектрозональных космических изображениях поверхности Земли проводится во многих странах мира, как имеющих собственные орбитальные съемочные системы, так и в странах покупающих космические снимки в коммерческих архивах первых. Предпринимаются попытки синхронной

подспутниковой съемки изучаемых территорий как с различных летательных аппаратов, так и проведением наземной съемки. Наиболее сложным является подбор методик сопоставимости и обработки данных таких параллельных исследований. Одним из актуальных направлений для автоматизации дешифрование космических изображений является применение методов теории распознавания образов, с применением обучающих процедур по тестовым (эталонным) участкам, свойства и характеристики которых определяются синхронными под спутниковыми исследованиями. Различные подходы отрабатываются исследователями в ряде международных проектов (MARS, MOCCCASIN, JECAM).

Целью диссертационной работы является разработка методики мультииндексной обработки спектральных изображений подстилающей поверхности по комплексным данным дистанционного зондирования (ИСЗ, БПЛА, полевые).

Для достижения поставленой цели необходимо было решить следующие научные задачи:

1. Провести анализ современного состояния существующих методов дешифрования подстилающей поверхности (почвенно-растительного покрова) по космическим многоспектральным снимкам для выявления основных проблем автоматизации распознавания и классификации почвенно-растительного покрова.

2. Провести экспериментальные исследования с целью получения тестовых спектральных изображений подстилающей поверхности по комплексным данным дистанционного зондирования (ИСЗ, БПЛА, полевые) для проведения автоматизированной классификации.

3. Разработать методику мультииндексной обработки спектральных изображений подстилающей поверхности по комплексным данным дистанционного зондирования для классификации объектов по видовому составу и степени их состояния.

4. Исследовать влияние атмосферы на спектральные отражательные свойства подстилающей поверхности по комплексным данным ДЗЗ.

Объектом диссертационного исследования является методика мультииндексной обработки спектральных изображений подстилающей поверхности по комплексным данным дистанционного зондирования (ИСЗ, БПЛА, полевые).

Предмет исследования - спектральные изображения подстилающей поверхности, полученные по данным комплексного дистанционного зондирования, формализованные спектральные свойства, характеристики и образы изучаемых объектов: почв, посевов сельскохозяйственных культур, лесной растительности.

Исходные материалы. Первичные результаты исследования автора по наземной спектроскопии растительности и синхронной обработке с космическими зональными снимками среднего разрешения были использованы автором и руководителем в процессе дипломного проектирования в МИИГАиК.

Результаты диссертационного исследования были получены в результате участия автора в ряде проектов: научный проект МИИГАиК по государственному заданию Министерства образования и науки Российской Федерации по теме «Разработка теоретических и технологических решений космического геоэкологического мониторинга территорий Российской Федерации» №25.498.2011; научные гранты МИИГАИК и НГИЦ РАН при финансовой поддержке Российского Фонда Фундаментальных Исследований по №11-05-12034, № 11-04-00356, № 1305-00534, № 13-05-00534А. ИКИ РАН: Гос. Регистрация № 01.20.0.2.00164; научные работы ГУ «НИЦ «Планета»: Шифр: КА «МЕТЕОР-М» №3».

В проектах по международному сотрудничеству "SPA.2010.3.2-01 сотрудничества ЕС и России в GMES " в области 9.3.2 "Международное сотрудничество". Этап WP2: Сбор полевых и спутниковых данных MOCCCASIN contributes to area 9.3.2 "International coopération" under the specific topic "SPA.2010.3.2-01 EU-Russia cooperation in GMES". MOCCCASIN is a collaborative project funded by the European Union under the 7th Framework Programme (project number 262755).

Методология и методы. Использовались следующие методы: математической статистики и теории вероятности, теории обработки цифровых

изображений, вычислительной математики. Также использовались методы эмпирического исследования, основывающееся:

• на дистанционном измерении спектральных отражательных свойств изучаемых объектов как с поверхности Земли, так и из Космоса с летательного аппарата (искусственного спутника Земли);

• на получении фотографических образов изучаемых объектов из атмосферы - с воздушного беспилотного летательного аппарата (БПЛА); сравнении свойств изучаемых и эталонных объектов.

При обработке экспериментальных данных применялись методы теоретического познания основывающееся:

• на формализации и обработке количественных характеристик спектральных свойств изучаемых объектов методами статистического анализа и машинной графики;

• на выявлении, разделении и классификации изучаемых объектов методами обработки изображений и распознавания образов программными продуктами геоинформационного моделирования и обработки спектрозональных спутниковых снимков ERDAS IMAGINE 9.1 и ENVI 4.8.

При решении поставленных задач использовались данные о спектральных характеристиках природных образований, полученных известными авторами.

Научная новизна работы заключается:

1. В разработанной впервые методике мультииндексной обработки спектральных изображений подстилающей поверхности по комплексным данным дистанционного зондирования (ИСЗ, БПЛА, полевые), с помощью которой можно оценить динамику развития неблагоприятного абиотического воздействия на почвенно-растительный покров.

2. В получении нового вегетационного индекса развития растительности, позволяющего однозначно разделить растительность по степени биологического состояния.

3. В усовершенствовании технологии получения данных о подстилающей поверхности по комплексным данным дистанционного зондирования,

направленной на изучение спектральных характеристик подстилающей поверхности для целей проведения автоматизированного дешифрирования. 4. В усовершенствовании алгоритмического обеспечения мультииндексной обработки спектральных изображений, позволяющего дополнить алгоритмическую составляющую в программном комплексе ENVI. Научные результаты, выносимые на защиту:

1. Методика мультииндексной обработки спектральных изображений подстилающей поверхности по комплексным данным дистанционного зондирования, позволяющая классифицировать объекты по видовому составу и степени их биологического состояния.

2. Технология получения данных о подстилающей поверхности по комплексным данным дистанционного зондирования, направленная на изучение спектральных характеристик подстилающей поверхности для целей проведения автоматизированной классификации.

3. Алгоритмическое обеспечение мультииндексной обработки спектральных изображений, позволяющее дополнить алгоритмическую составляющую в программном комплексе ENVI.

4. Результаты исследования влияния атмосферы на спектральные отражательные свойства подстилающей поверхности по комплексным данным ДЗЗ.

Достоверность результатов подтверждается:

• Проведением оценки точности полученных результатов.

• Сравнением полученных характеристик спектральных свойств природных объектов с данными других авторов.

• Экспериментальными работами на тестовых участках. Теоретическая и практическая значимость.

Теоретическая значимость диссертационного исследования заключается в усовершенствовании теории и технологии дешифрирования космических изображений и получении уточнённых спектральных характеристик растительного

покрова для развития мониторинга Земли с использованием аэрокосмической информации.

Практическая значимость диссертационного исследования определяется применением разработанной методики и полученных результатов исследования в организациях, занимающихся космическим мониторингом подстилающей поверхности, в центрах оперативного мониторинга, занимающихся вопросами прогнозирования урожайности, оценкой неблагоприятных воздействий по сельскохозяйственной части, в научных центрах точного земледелия, в инновационных комплексах аграрного профиля, в центрах управления кризисными и антикризисными ситуациями территориальных органов, в подразделениях МЧС России.

Результаты диссертационного исследования используются в Национальном центре управления в кризисных ситуациях МЧС России (ФКУ НЦУКС МЧС России) и в Федеральном государственном бюджетном учреждении науки Научный геоинформационный центр Российской академии наук (НГИЦ РАН), а также могут использоваться в научных и образовательных учреждениях, для решения задач в области мониторинга и охраны окружающей среды.

Апробация.

Основные положения диссертационной работы доложены на 67, 68, 69, 70 научно-технических конференциях студентов, аспирантов и молодых ученых МИИГАиК, на 7-й Всероссийской открытой ежегодной конференций «Современные проблемы дистанционного зондирования Земли из космоса» ИКИ РАН, Международной научно-практической конференции молодых ученых МГУП «Природообустройство и геопространственные технологии в сельском хозяйстве». Получен Диплом 1 степени Союза машиностроителей России «За вклад в развитие производства продукции специального назначения и гражданской продукции» имени В.А.Ревунова в номинации «Лучший молодой технолог» в 2018 году.

Публикации.

По результатам исследований опубликованы 10 научных работ, в том числе 6 работ в журналах, включенных в текущий перечень ВАК.

Объем и структура работы.

Работа включает 144 страницы основного текста, 88 страниц иллюстративного материала, 10 страниц приложений. Состоит из введения, четырех основных разделов и пятого раздела в виде заключения и итогов, списка использованных источников (75 наименований, включая 38 иностранных), содержит 89 рисунков, 23 таблицы и 3 приложения.

1. Современное состояние вопроса по методам дешифрирования данных дистанционного зондирования почвенно- растительного покрова

1.1 Наземные методы дистанционного зондирования почвенно-растительного покрова

Теоретическими и практическими исследованиями спектральной отражательной способности природных объектов занимались отечественные и зарубежные ученые: Скворцов А.А. (1928), Кринов Е.Л., (1947) [1], Толчельников Ю. А. (1960), Виноградов Б В. (1966), Кронберг П. (1988) Обухов А.И., Орлов Д.С.(1966), Поляков В.Г., Расположенский Н.А. (1966), Рачкулик В.И., Ситникова (1981) [2], Кондратьев К.Я, Федченко П.П. (1982) Чапурский Л. И. (1986) [3].

Изучением теории радиационного режима растительного покрова с подробным описанием оптических свойств растительного покрова, оценкой влияния ориентации листьев и зеркальной составляющей отражения листа на индикатрису отражения растительности альбедо растительного покрова занимался Росс Ю.К. (1984) [4]. Влиянием типа отражающей поверхности (шероховатости) на индикатрису отражения - Шифрин К.С. (1953) [5].

Методы математического моделирования отражения системы «растительность и почва» разработаны в работах Выгодской Н.Н. и Горшковой И.И. (1987) [6].

Исследованиями зависимости коэффициента спектральной яркости (КСЯ) растительных покровов (лесов) от физиологических, структурных и внешних факторов занимались Рачкулик В. И., Ситникова М. В. (1981).

Вопросы влияния атмосферы на пропускание электромагнитного излучения в зависимости от длины волны отражены в работах Глаголева Ю.А. (1970) [7], Мишева Д.(1985) [8].

Современные исследователи уделяют значительное внимание вопросам соотношения параметров теоретических моделей развития с содержанием пигментов фотосинтезаа: хлорофиллов и каротиноидов и других характеристик развития биомасссы растительности в течение вегетации.

1.1.1 Спектрально-отражательные характеристики растительного покрова

Спектральные характеристики растений определяются, главным образом, оптическими характеристиками листвы, поглощением (в фиолетовой, синей, голубой и красной частях спектра) и пропусканием падающего излучения. Хлорофиллом поглощаются солнечные лучи в синей и красной зонах спектра (длины волн 0,4 - 0,48 мкм и 0,6 - 0,7 мкм соответственно) и очень слабо в зеленой зоне спектра.

Установлено Gitelson A.A., что при измерениях интенсивности отраженного света можно определить содержание хлорофиллов в листьях при определенных длинах волн, например, область около 550 нм. чувствительная к изменениям концентрации хлорофилла, а не в красной зоне спектра (как предполагалось ранее), где происходит максимальное поглощение пигментов [9]. Исследование динамики изменения в диапазоне (480-550-670) нм в спектре растительности [10] показали, что касательная к внутренней части спектральной кривой (рисунок 1) лучше отражает содержание хлорофилла.

Длина волны (нм)

Рисунок 1 - Полосы поглощения хлорофилла растениями [9].

Как было установлено Gitelson A.A, у листьев разных видов растений в некоторых спектральных областях коэффициенты отражения достаточно хорошо коррелируют между собой. Когда у них появляются дополнительные пигменты такая корреляция нарушается. Благодаря этому можно оценить степень побурения по спектрам отражения и удается обнаружить признаки заболевания листьев [11]. На рисунке 2а приведены четыре основные стадии, отражающие степень побурения для листьев, а на рисунке 2б соответствующие им спектральные кривые.

Ш *

к I

а) б)

Рисунок 2 - Спектры отражения при разном уровне содержания хлорофилла в

листе [11]

В интервале волн 0,7 -1,3 мкм, т.е. в ближнем ИК-диапазоне, большая часть солнечной энергии (40-50%) отражается от листа. В длинноволновой части ИК-диапазона свет поглощается содержащей воду мягкой тканью листа в диапазоне 1,3-2,5 мкм. В этой зоне кривая коэффициента спектральной яркости имеет минимумы около 1,45, 1,96 и 2,6 мкм.

Как было установлено Haboudane D., у лиственных деревьев в вегетационный период спектральные характеристики выражены более четко, чем у хвойных. В результате процессов, происходящих внутри листьев, осенью появляется желтый или красный цвет (рисунок 3). Также, изменение водного питания растения вызывает обезвоживание листьев и старые и поврежденные засухой (больные) растения выглядят ярче в ближнем инфракрасном канале на спутниковом снимке [12].

Длина волны (нм)

Длина волны (нм)

LAI-индекс листовой поверхности для сезона (июнь, июль, август).

Ваге Soil-спектр почвы.

Рисунок 3 - Сезонное изменение спектра отражения листьев растений [12]

Как было установлено Broge N. в красной зоне спектра (0,6-0,7 мкм) поглощение падающего света обусловлено не только хлорофиллом листьев, но и рассеянием листьев при увеличении плотности растений и в итоге уменьшается спектральная яркость в этом диапазоне [13].

В работе Daughtry показано, что изменения содержания хлорофилла и других пигментов, а также влаги в листве, приводят к различию спектральных характеристик на разных стадиях вегетации. Например, прогнозы урожайности зерновых культур основываются на сравнении спектрально - отражательных свойств растительности в разных спектральных каналах на протяжении вегетационного периода. Для оценки содержания хлорофилла в растении разработаны индексы [14].

Как известно (Athos Agapiou) на состояние растительности влияют различные факторы. На изменении условий произрастания среды растительность

реагирует накоплением/разрушением пигментов в листьях и спектры отражения также различаются. На спутниках, предназначенных для изучения природных ресурсов используют дополнительные каналы: красный крайний (0,705-0,745 мкм) и второй ближний ИК (0,86-1,04 мкм), которые совокупно расширяют возможности анализа состояния растительности, облегчают оценку биомассы и классификацию растительных сообществ. В настоящее время применяется более 70 индексов [15].

1.1.2 Спектрально-отражательные характеристики почв

Как известно, содержания многих тяжелых металлов в почвах влияют на процессы, протекающие в растениях, и это изменяет отражательные свойства листьев растений. Причиной избытка определенных металлов в растениях может быть техногенное загрязнение почв, либо внесение минеральных удобрений.

Это указывает на возможность применения дистанционных исследований растительности, для предсказывания урожайности, для выявления условий наступления засухи [65] и ее влияния на развитие растений [64].

к

к

К

<и *

ев Он Н О

н

X

<и

к к

т

о «

Длина волны (нм)

Рисунок 4 - График спектра в ближней инфракрасной и красной области всех пикселей почвенно-растительного покрова [15].

Все пиксели почв и растений находятся в серой затененной области (рисунок 4). Поле обнаженной почвы расположены вдоль линии почвы. Чем

больше биомассы в покрывающей почву растительности, тем ближе расположение к ближней инфракрасной области.

Авторами Nikolaos G. Silleos, Thomas K. Alexandridis, Ioannis Z. Gitas, Konstantinos Perakis, проанализирован 30 летний опыт применения методов дешифрования природных объектов на многозональных космических снимках путем вычисления различных вегетационных индексов (на примере исследований по оценке ущерба пшеницы в Северной Греции) и он показывает, что яркость фона почвы создает «загрязняющий эффект» правильной оценки яркости, биомассы, ограничивающий применение методов статистического анализа, нацеленных на количественную оценку надземной зеленой биомассы [16].

В работе Выгодской Н.Н. методами математического моделирования системы растительность - почва установлены закономерности влияния спектральной яркости почв на отражение радиации растительностью, полученные из анализа теоретических моделей отражения. Влияние коэффициентов спектральной яркости почвы гф на коэффициенты спектральной яркости растительного сообщества rS учитывается через величину спектрального контраста СК* между ними [17]:

CK* = (гф - rS)/rS.

Как было установлено авторами Cervena, L., Kupkova, L., при проявлении старения (пожелтения листьев) коэффициенты спектральной яркостей растений на нормальной и минерализованной почве различны [18]. Спектральный коэффициент отражения зависит от свойств почвы: шероховатости поверхности, содержания влаги, органических веществ, текстуры, минералогического состава, содержание карбонатов, железа и растворимых в воде солей.

1.2 Методы аэрофотосъемки и дистанционного зондирования почвенно- растительного покрова

Основные виды дистанционных исследований из космоса были первоначально разработаны и опробованы в аэрометодах, поэтому весь арсенал

космических методов дистанционного зондирования Земли (далее - ДЗЗ) применяется в группе аэрометоды.

Развитие беспилотных авиационных систем (далее - БПЛА) получило широкое применение в военной сфере эксплуатации, т.к. будучи беспилотными, БПЛА может выполнять задачи, которые пилотируемым системам не под силу, либо в целях безопасности или по экономическим причинам (рисунок 5).

Рисунок 5 - Вариант БПЛА[19]

Интенсивное развитие аэросъемочных технологий и услуг отмечается во всем Мире. В Европе и Америке 60% всего рынка контролируют три крупных аэрогеофизические фирмы: Аег^еП (Канада), CGG (Франция), Geoscience (Канада). Остальной сегмент рынка обеспечивается многочисленными мелкими компаниями, имеющими 1-3 самолета (вертолета).

В СССР в конце 1940 и до 1991 существовала мощная индустриальная база аэросъемочных работ. Объединение «Аэрогеология» имело 10 научно-исследовательских лабораторий и 50 подразделений (аэропартий) при территориальных геологических объединениях.

В настоящее время аэросъемочные работы и спектрозональную (гиперспектральную) съемку способны выполнять только отдельные сохранившиеся или вновь создаваемые фирмы, имеющие специализированные беспилотные авиационные системы для выполнения таких работ.

1.З Космические методы дистанционного зондирования почвенно-растительного покрова (дешифрование данных)

Разработка различных методов дешифрования зональных спутниковых снимков нашла отражение в работах зарубежных ученых К. Muramatsu, K. Masugi, M. Daigo, S. Furumi, Lifu Zhang [20] и российских Д. А. Филиппова, Вандышева H.M., Василенко Г.И., Гурова А.Ф., Барталева С.А., Савина И.Ю., Зверев А.Т., Негрэ Т., Нейштадта И.А., Королевой Н.В., Сидько А.Ф., Пугачева И.Ю., Клещенко А.Д., Б.М. Балтер, Вирченко О.В., Егорова В.В., Плотникова Д.Е. и др.

Эмпирические методы дешифрования и разделения природных объектов на многоспектральные космические снимки изучены зарубежными учеными: Birth and McVey [20], Rouse J.H.[21], Richardson and Wiegand [22], Huete A.R [23], Jackson and Huete A.R.[24], Driss Haboudanea, John R. Miller, Elizabeth Patteyc, Pablo J. Zarco-Tejadad, Ian B. Strachane [25].

Современные методы автоматизированного дешифрирования космических снимков разрабатывали отечественные ученые: Сурин К.Г., Сурин Г., Моисеев К.Г.[26], Малинников В.А. (1997) [27], Марчуков В.С. [28] и зарубежные ученые Zhang, (2007), Olthof I (2006), Fraser R (2011) [29]. Задачи классификации и мониторинга изменений в растительном покрове решали «методом декомпозиции моделей», основанном на линейном спектральном смешивании наземных объектов для N-мерных спутниковых данных К. Muramatsu, K. Masugi, M. Daigo, S. Furumi, (2010) [30].

Значительный прогресс в изучении спектральных свойств объектов по дистанционной информации произошел за рубежом в последнее десятилетие, это подтверждают работы авторов^^ M.D., Closs J., Spangler S. et al. [31], Xiong X., Chiang K., Esposito J. et al. [32]; Savin I., Negre T. [33]; Zhang X., Friedl M.A., Schaaf C.B. [34]; Seelan S.K, baguette S., Casady G.M. et al. [35]; Hill J.M., Donald G.E. [36]; Doraiswamy Р.С., Hatfield J.L., Jackson T.J. et al. [37]; South S., Qi J., Lusch D.P. [38]; Sultangazin U., Muratova N., Terekhov A. [39].

Отечественные работы по изучению спектральных свойств объектов по данным, полученным с космических летательных аппаратов: Филиппов Д.А. [40]; Вандышева Н.М., Василенко Г.И., Гуров А.Ф. и др. [41]; Савин И.Ю., Зверев А.Т., Негре Т. [42]; Нейштадт И.А. [43]; Королева Н.В. [44]; Сидько А.Ф., Пугачева И.Ю., Шевырногов А.П. [45]; Балтер Б.М., Егоров В.В., Калинин А.П., Родионова И.П., Стальная М.В. [46] и др.

1.4 Основные проблемы автоматизации распознавания и классификации почвенно-растительного покрова на снимках дистанционного зондирования

Как известно, многозональные космические изображения могут быть расклассифицированы (рисунок 6), как и любые многослойные растровые изображения. Под классификацией понимается процесс присвоения каждому пикселю изображения индекса соответствующего определенной категории (классу) объектов земной поверхности [47]. В рассматриваемом случае это могут быть: лес и отдельные виды деревьев в лесу; почва; луг; посевы сельскохозяйственных культур; водные объекты; объекты промышленной и транспортной инфраструктуры и т.п.

Список литературы диссертационного исследования кандидат наук Фисенко Елена Вячеславовна, 2020 год

СПИСОК ЛИТЕРАТУРЫ

1. Кринов Е.Л. Спектральная отражательная способность природных образований:учебное пособие/ М.-Л.: АН СССР. - 1947. C.30-45.

2. Рачкулик В.И., Ситникова М.В. Отражательные свойства и состояние растительного покрова:учебное пособие/ Л.: Гидрометеоиздат. - 1981. C.45-50.

3. Чапурский Л.И. Отражательные свойства природных объектов в диапазоне 400-2500 нм:учебное пособие/ М.: Министерство обороны СССР. -1986. C.25-40.

4. Росс Ю.К., Маршак А.Л. Оценка влияния ориентации листьев и зеркальной составляющей отражения листа на индикатрису отражения растительности //Оптика атмосферы и океана// -1988. - № 4. C.76-85.

5. Шифрин К.С. К теории альбедо/ М.Труды ГГО. -1953. C.244-257.

6. Горшкова И.И.,Выгодская Н.Н. Теория и эксперимент в дистанционных исследованиях растительности: учебное пособие/Л., Монография. Гидрометеоиздат. - 1987. C.248.

7. Глаголев Ю.А. Справочник по физическим параметрам атмосферы:учебное пособие/ Л.: Гидрометеоиздат. - 1970. C.30-34.

8. Мишев Д. Дистанционные исследования земли из космоса:учебное пособие/ М.Мир. - 1985.C.27.

9. Gitelson A.A., Merzlyak M.N.Remote sensing of chlorophyll concentration in higher plant leaves //Remote sensing of Environment - 1998. - №22. P.50-62.

10. Dongyan Zhang. Retrieval of maize leaf chlorophyll content using peak-valley characteristic parameters from imaging hyperspectra in Beijing Research Center for Information Technology in Agriculture Beijing //Institute of Agricultural Remote Sensing & Information Technology Application. Zhejiang University. China.Hangzhou. -2012. P.109-115.

11. Gitelson A.A., Kaufman Y.J., Merzlyak M.N. Use of a Green Channel in Remote Sensing of Global Vegetation from EOS-MODIS//Remote Sensing of Environment. - 1996. - №58. P.289-298.

12. Haboudane D.Hyperspectral Vegetation Indices and Novel Algorithms for Peredicting Green LAI of Crop Canopies: Modeling and Validation in the Context of Precision Agricultur //Remote Sensing of Environment. - 2004. - №90. P.337-352.

13. Broge N.H., Leblanc E.Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density //Remote Sensing of Environment. - 2001. - №2 .vol. 76.P.156-172.

14. Daughtry C. S. T., Walthall C. L., Kim M. S. Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance //Remote Sensing of Environment. -2000. - №74. P.229-239.

15. Jensen John R. Small Unmanned Aerial Systems (sUAS) for environmental remote sensing: challenges and opportunities revisited// GIScience & Remote Sensing.-2018.-№°56.P.309-322.

16. Athos Agapiou, Diofantos G.Hadjimitsis and Dimitrios D.Alexakis. Hadjimitsis and Dimitrios D. Alexakis, Evaluation of Broadband and Narrowband Vegetation Indices for the Identification of Archaeological Crop Marks. //Remote Sensing.Department of Civil Engineering and Geomatics.Cyprus University of Technology. - 2012. - №4.P. 3892-3919.

17. Nikolaos G. Silleos.Vegetation Indices: Advances Made in Biomass Estimation and Vegetation Monitoring in the Last 30 Years, University of Thessaloniki Greece. //Geocarto International Centre. Geocarto International. - 2008.№ 21.v.4. P.21-28.

18. Выгодская Н.Н., Горшкова И.И.Теория и эксперимент в дистанционных исследованиях растительности/ Л.: Монография. — Гидрометеоиздат. - 1987. C. 248.

19. [Электронный ресурс]/URL:http://anna-news.info/prodolzhayutsya-ispytaniya-rossijskogo-udarnogo-bespilotnika-orion-e/

20. Birth, G.S. and McVey, G.R. Measuring the Color of Growing Turf with a Reflectance Spectrophotometer. //American Society of Agronomy.№60.1968.P 640643.

21. Rouse J. H..Monitoring the vernal advancement and retrogradation (green wave effect) of natural vegetation, US: //Greenbel. -1974.P.28-36.

22. Richardson A.J., Wiegand C.L. Distinguishing Vegetation From Soil Background Information//Photogramnetric Engineering and Remote Sensing. -1977№43.vol. 12. P.1541-1552.

23. Huete A.R.A Soil-Adjusted Vegetation Index (SAVI)//Remote Sensing of Environment -1988. - №25.vol. 3. P.295-309.

24. Huete A.R., Justice C., W. van Leeuwen.MODIS Vegetation Index (MOD13) Algorithm Theoretical Basis Document/US: NASA Goddard Space Flight Center.P. 1991.P.120.

25. Driss Haboudanea, John R. Miller, Elizabeth Patteyc, Pablo J. Zarco-Tejadad, Ian B. Strachane. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modeling and validation in the context of precision agriculture// Remote Sensing of Environment.- 2004.№90.P.337 - 352.

26. Сурин К.Г., Сурин Г., Моисеев К.Г.,.Курашвили А.Е.Возможности использования гипероспектрометра «лептон» для мониторинга состояния почвенно-растительного комплекса//Агрофизика. - 2012.-№ 8.т. 4.P.34-44.

27. Малинников В.А., Савиных В.Т. География из космоса/М.:МиигаиК. -2000.C.38.

28. Марчуков В.С. Теория и методы тематической обработки аэрокосмических изображений на основе многоуровневой сегментации/ М.: Геодезия и Картография. -2011.C.27.

29. Olthof I, Fraser R. Mapping northern land cover fractions using Landsat ETM+[Электронный ресурс] / http://adsabs.harvard.edu/abs/2007RSEnv.107..4960 (дата обращения:19.08.2019).

30. К. Muramatsu, K. Masugi, M. Daigo, S. Furumi,Pattern decomposition method in the albedo space for Landsat TM and MSS data analysis//International Journal of Remote Sensing. -2010. -№ 21.vol.1.P.99-119.

31. King J., Closs al., Spangler S. Earth Observation System (EOS) Data Products/ US: Greenbelt Maryland: NASA Goddard Space Flight Center. - 2000.P.17-30.

32. X. Xiong, K. Chiang, J. Esposito, B.Guenther, and W. Barnes MODIS on-orbit calibration and characterization/Metrologia. - 2003.-№40. vol.1.P.89-93.

33. Savin I., Negre T. Relative time NDVI mosaics as an indicator of crop growth/Proceedings of SPIE - The International Society for Optical Engineering. -2003. -№44.P.129-134.

34. Zhang X., Friedl M.A.,Schaaf C.B. Monitoring vegetation phenology using MODIS// Remote Sensing of Environment. -2003. -№84.vol. 3.P.471-475.

35. Seelan, Santhosh and Laguette, Soizik and Casady, Grant and Seielstad, George/Remote sensing applications for precision agriculture: A learning community approach. //Remote Sensing of Environment.-2003.№ 88.vol.1. P.157-169.

36. Hill J.M., Donald G.E.Estimating spatio-temporal patterns of agricultural productivity in fragmented landscapes using AVHRR NDVI time series//Remote Sensing of Environment.- 2003.-№ 84.vol.3.P.367-384.

37. Doraiswamy Р.С., Hatfield J.L., Jackson T.J. et al. Crop condition and yield simulations using Landsat and MODIS//Remote Sensing of Environment.- 2004.№ 92.vol.4.P.548-559.

38. South S., Qi J., Lusch D.P. Optimal classification methods for mapping agricultural tillage practices// Remote Sensing of Environment. - 2004.-№ 91.vol.1.P.90-97.

39. Султангазин У.М., Муратова Н.Р., Терехов А.Г.Контроль севооборота пахотных земель северного Казахстана по данным Terra/Modis//Cовременные проблемы дистанционного зондирования земли из космоса.- 2005.- № 2.т.5Р.302-307.

40. Филиппов Д.А. Изучение особенностей спектрально-отражательных характеристик растительного покрова и почв в зонах углеводородных аномалий. - 2003. [Электронный ресурс] / URL:http://www.dissercat.com/content/issledovanie-osobennostei-spektralno-otrazhatelnykh-kharakteristik-rastitelnogo-pokrova-i-po (дата обращения:19.08.2019).

41. Вандышева H.M., Василенко Г.И., Гуров А.Ф. Мониторинг сельскохозяйственных земель на базе разномасштабных спутниковых данных. -2003. [Электронный ресурс] / URL:http://peisv.viniti.ru/showa.php?id=145648(дата обращения:20.04.2016).

42. Савин И.Ю., Негре Т.О новом подходе к использованию NDVI для мониторинга состояния посевов сельскохозяйственных культур. - 2003. [Электронный

ресурс]/URL:http://smiswww.iki.rssi.ru/files/publications/savin/earth_res_2003_4. pdf (дата обращения:20.04.2016).

43. Нейштадт И.А.Создание методов обработки данных спутниковых наблюдений MODIS для мониторинга пахотных земель. - 2007. [Электронный ресурс] /URL:http://www.dissercat.com/content/metody-obrabotki-dannykh-sputnikovykh-nablyudenii-modis-dlya-monitoringa-pakhotnykh-zemel (дата обращения:19.08.2019).

44. Королева Н.В.Алгоритмы обработки космических снимков для оценки степени повреждения лесов. - 2009. [Электронный ресурс]/URL:http://www.dissercat.com/content/razгabotka-i-issledovanie-metodov-i-algoritmov-obrabotki-kosmicheskikh-snimkov-s-tselyu-otse (дата обращения:19.08.2019).

45. Сидько А.Ф., Пугачева И.Ю., Шевырногов А.П. Мониторинг периода вегетации сельскохозяйственных культур в Красноярском крае. - 2009. [Электронный ресурс] / URL:http://www.elib.sfu-kras.ru/bitstream/2311/1276/1/8_sid_shev.pdf (дата обращения:20.04.2016).

46. Балтер Б.М., Егоров В.В., Калинин А.П., Родионова И.П., Стальная М.В.Применение многочастичного фильтра Калмана и модели растительности PROSAIL в обработке данных гиперспектрального ДЗ. - 2000. [Электронный ресурс]/ URL:http://d33.infospace.ru/d33_conf/2009_conf_pdf/metod/Balter.pdf (дата обращения:19.08.2019).

47. Чабан Л.Н.Тематическая классификация многозональных (многослойных) изображений в пакете ERDAS IMAGINE/М: МИИГАиК. - 2006.C.20-85.

48. Чабан Л.Н. Теория и алгоритмы распознавания образов/ М.: МИИГАиК. -2004.C.18-26.

49. Чабан Л.Н., Березина К.В.Анализ информативности спектральных и текстурных признаков при классификации растительности по гиперспектральным аэроснимкам//Известия ВУЗов.Геодезия и аэрофотосъемка//МИИГАиК. -2018.- № 62.т.1.C.85-95.

50. Jiraporn Kongwongjun, Chanida Suwanprasit, Pun Thongchumnum. Comparison of vegetation indices for mangrove mapping using THEOS data /Phuket Campus, Thailand: Faculty of Technology and Environment. Prince of Songkla University. -2012.P.80-92.

51.1 Muramatsu K., Masugi K., Soyama N.,Furumi S.Vegetation types mapping using . Alos/Avnir-2 and prism data using universal pattern decomposition method, international archives of the photogrammetry//Remote Sensing and Spatial Information,-2010.№ 38.vol.8, Р.902-907.

52. Markus Immitzer, Clement Atzberger and Tatjana Koukal. Tree Species Classification with Random Forest Using Very High Spatial Resolution 8-Band WorldView-2 Satellite Data// Remote Sens. -2012. №4.P.2661-2693.

53. Кондратьев К.Я., Федченко П.П.Спектральная отражательная способность и распознавание растительности/Л.:: Гидрометеоиздат, 1947.C.19-26.

54. Тищенко И.П.Алгоритмическое и программное обеспечение мультипроцессорных систем для распознавания графических образов на основе нейросетевого подхода, Автореферат диссертации на соискание ученой степени кандидата технических наук. -2009. [Электронный ресурс]/URL:http://www.dissercat.com/content/algoritmicheskoe-i-programmnoe-obespechenie-multiprotsessornykh-sistem-dlya-raspoznavaniya-g

(дата обращения:19.08.2019).

55. Alice G. Laborte, Aileen A. Maunahan, and Robert J. Hijmans.Spectral Signature Generalization and Expansion Can Improve the Accuracy of Satellite Image Classification/International Rice Research Institute, Los Baños, Laguna, Philippines, Purdue University//Plosone. - 2010. -№5.P.1-9.

56. Latif H.Farouk and Abdel B.M.Classification Based Approach for Spectral Signature of Remotely Sensed Temporal Data//IJCSNS (International JouInternational Journal of Computer Science and Network Security.-2013.-№13.vol. 11.P.8-17.

57. Eetu Puttonen, Anttoni Jaakkola, Paula Litkey and Juha Hyyppa.Tree Classification with Fused Mobile Laser Scanning and Hyperspectral Data/Department of Photogrammetry and Remote Sensing// PublMed.-2011.№ 11.vol.5. P.5158-5182.

58. Жирин В.М., Князева С.В.Применение элементов зарубежной технологии лесоинвентаризации в лесном фонде северо-востока страны//Современные проблемы исследования Земли из космоса//ИКИ РАН. - 2013. - Т.1.№ 1.С.270-273.

59. [Электронный ресур^/URL: https://ww.google.com/maps/place/%D0%9E%D0%B4%D0%BE%D0%B5%D0%B2+%D0% A2%D 1%83%D0%BB%D 1%8C%D 1%81%D0%BA%D0%B0%D 1%8F+%D0%BE%D0%B 1 %D0%BB..+301440/@53.9326701.36.6647341.5153m/data=!3m1!1e3!4m5!3m4!1s0x41338448 18145ec7:0x1cd0d496131a2c4c!8m2!3d53.9384912!4d36.6848996?hl=ru-RU

60. [Электронный ресур^/URL: https://www.google.com/maps/place/%D0%9F%D0%BB%D0%B0%D0%B2%D1%81%D0%B A,+% D 0%A2% D 1%83%D0%BB%D 1%8C%D 1%81%D0%BA%D0%B0%D 1%8F+%D0%BE %D0%B1%D0%BB./@53.7117731.37.2682211.4337m/data=!3m1!1e3!4m5!3m4!1s0x4133fa58 be285d1d:0x6dbfe060854c665!8m2!3d53.7111077!4d37.29209?hl=ru-RU

61. Raymond Hunt E., Jr., Long Daniel S.,Eitel Jan U.H.Remote sensing of leaf chlorophyll content at multiple scales using red, green and blue bands//SPIE.Digital Library.- 2010.-№ 7.P.2828-2836.

62. Генерозова И.П.Ингибирование метаболической активности митохондрий этиолированных проростков гороха, подвергнутых водному стрессу// Физиология растений.- 2009. -.№ 1.т.56.С45-52.

63. Тарчевский И.А.Элиситор-индуцируемые сигнальные системы и их взаимодействие//Биология и медицина.- 2000. - № 2t.47.C.321-331.

64. Зверев А.Т., Горохова И.Н., Фисенко Е.В.Изучение почвенно-растительного покрова городских экосистем по материалам с беспилотного летательного

аппарата и космическим снимкам высокого разрешения//Изв.ВУЗов. Геодезия иаэрофотосьемка//МИИГАиК. - 2014.-№ 3. C.52-56.

65. Зверев А.Т., Фисенко Е.В.Специфика получения данных с беспилотного летательного аппарата//Изв.ВУЗов.Геодезия и аэрофотосьемка//МИИГАиК. -2014.-№ 5. C.27-30.

66. Савин И.Ю., Зверев А.Т., Фисенко Е.В.Разработка метода оценки и прогноза повреждения сельскохозяйственных посевов по космическим снимкам// Изв.ВУЗов. Геодезия иаэрофотосьемка//МИИГАиК. - 2013.-№ 2. C.81-84.

67. Зверев А.Т., Фисенко Е.В.Современные методы определения засушливых земель по космическим снимкам// Изв.ВУЗов. Геодезия иаэрофотосьемка//МИИГАиК. - 2012.-№ 3. C.53-63.

68. Фисенко Е.В^овершенствование методов автоматизации дешифрования почвенно-растительного покрова на основе расширения признакового пространства с использованием мультииндексной обработки эталонных спектральных признаков объектов для данных синхронного наземного и ДДЗ// Изв .ВУЗов .Геодезия и аэрофотосьемка//МИИГАиК. - 2015. -№ 6. C.81-86.

69. Куцаева О.А.Технология и точность автоматизированного дешифрирования площадных объектов в программном комплексе ENVIZ/Вестник полоцкого государственного университета.-2012.-№ 8.C.160-165.

70. Jiang Z.Development of a two-band enhanced vegetation index without a blue band// Remote Sensing of Environment.-2008.№112.P.3833-3845.

71. Фисенко Е.В.Анализ результатов использования методики мультииндексной обработки спектральных изображений подстилающей поверхности по комплексным данным дистанциооного зондирования// Изв.ВУЗов.Геодезия и аэрофотосьемка//МИИГАиК. - 2019. -№ 3. C.324-332.

72. Cervena, L., Kupkova, L. Classification of vegetation above the tree line in the Krkonose Mts. National Park using remote sensing multispectral data//AUC Geographica. -2016.№51. P.113-129.

73. Zhang L., Mitsushita Y., Furumi S., Muramatsu K., Fujiwara N., Zhang L. Pattern Expand Method for Satellite Data Analysis// J-STAGE.-1996.№4. P.219-236.

74. Gerald S. Birth, George R. McVey.Measuring the color of growing turf with a reflectance spectroradiometer//Agronomy Journal Abstract. -1968.- №60.vol. 6.P.640-643.

75. Haboudane D.Hyperspectral Vegetation Indices and Novel Algorithms for Predicting Green LAI of Crop Canopies: Modeling and Validation in the Context of Precision Agriculture//Remote Sensing of Environment. - 2004. № 90.vol.4.P.337-352.

Таблица 1 Приложения 1 - Фотографические образы посевов на тестовых участках

Тестовый участок в районе г.Одоев

Тестовый участок в районе г. Плавск

Тестовый участок в районе г.Одоев

Тестовый участок в районе г.Одоев

Тестовый участок в районе г. Плавск

Тестовый участок в районе г. Плавск

Таблица 2 Приложения 1 - Результаты наземной спектрофотометрии

Таблица 3 Приложения 1 - Карты полей Одоева с нанесенной маской на значения КОУ1

Условные обозначения:

-нет данных;

значения NDVI в диапазоне от 0,1-0,4; значения NDVI в диапазоне от 0,4-0,7;

1-значення NDVI в диапазоне от 0,7-1,0.

Таблица 4 Приложения 1 - Итоговая карта полей с ухудшением состояния посевов. Одоев (Тульская область)

Таблица 5 Приложения 1- Итоговая карта полей с ухудшением состояния посевов. Плавск (Тульская область)

Таблица 1 Приложения 2 - Итоговые эталонные изображения БПЛА

1)Ель

2)Ель

3)Ель

4) Высохшая ель

5) Высохшая ель

6) Дуб

7) Дуб

8)Дуб

9)Дуб

л * J I .

10)Дуб

11)Береза

12)Береза

13)Береза

14)Береза

15)Береза

25) Осина

26) Осина

27) Осина

Таблица 1 Приложения 3 - Проверка LPI для разделения эталонов типов деревьев в смешанном лесу

о

Лиственный лес. Дуб-эталоны

0,70 0,60

I

0,50 0,40 0,30 0,20

/

0,10 0,00 —11

ДУ 66 ду 67 ДУ 63 ДУ 69 дубЮ

— GREEN YELLOW -RED ■NIR

Лиственный лес. Береза-эталоны

0,60 0.50 0.40 0.30 0,20 0,10 0.00

береза!! 6ереза12 6ереза13 6ереза14 6ереза15 6ереза!б GREEN YELLOW — RED -MIR

Дуб -эталоны

0,45 0.35 0,25 0,15 0,05 -0,05 (У

а > -

А— —* е— —? '—1 о— —4 я— —5- й— -«0

• дуб* •Дуб 7

• дуб 8 •дуб 9

• дубЮ

ТЖ

Береза -эталоны

0.45 0,35 0,25 0,15 0,05 -0,05 О

1 ы >

)— —1 о— —? 9- —=» й— —4 0— —ч 9- —в

• 6ереза11

• 6ереза12

• береза!3

• береза!4

• 6ереза15

• 6ереза16

ТЯ1

1.00 0,80 0,60 0,40 0,20 0,00

Лиственный лес. Клен-эталоны

клен17 клен18 клен19 клен20 — GREEN YELLOW RED -NIR

0.60 0,50 0.40 0.30 0.20 0,10 0,00

Лиственный лес. Осина-эталоны

осина24 —GREEN

оспна25 YELLOW

осина27 — RED

осина2б • NIR

Клен -эталоны

045 0.35 0,25 0.15 0,05 -0,05 0

тт

> < » 1

• клен17

• кл« н13 « клен!9 •клен20

ю

0,45 0.35 0.25 0.15 0.05 -0.05

Осина -эталоны

£ 1 ( >

1 >

— —л 6— —9 о— -1 в— —4 0— —5 3— —«

• осина24

• осина25

• осина2б в осина27

Тт

Структура эталонов смешанного леса

ООО

0.50

1.00 1.50 Уго<1,рад

2.00

250

• ель1

• ель2

• ельЗ

• ельД засохшая

• ель5засо«шая

• дубб

•ДУ® 7

• дуб 8

• Д>69

• дубЮ

• березаН

• береза12

• берез al3

• 6ереза14

• берез al5

• 6ереза16

• клен17 клем18

• клен19

• клен20 осина24

• осина25 осина27

Структура эталонов леса

О 38

0.00

0.50

100 1.50

Угоград

2.00

250

Структура эталонов хвойного леса

0.36

0.34

0 32

0.30

0.28

0.26

0 24

~дв

0.20

0.00 0.50

1.00 Уго.1,рад

>

• ель1

• ель2

• ельЗ

• ель4 засокш»

• ель5эасохшэя

1.50 2.00

Структура эталонов лиственного леса

• Д/66

• Д>67

• А, 68

• Дуб 9

• дубю

• бер» аХ1

• береза12

• береэа13

• 6ере*а14 береэа15

• берез а1б

• кле м17 клеи18 кле и19 клен20

0.00

0.50

1,00 1.50

Угол,рад

2.00

2.50