Разработка методики тематической обработки спутниковых снимков таёжных лесов на основе структурного моделирования тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Алешко, Роман Александрович

• Алешко, Роман Александрович
• кандидат технических наук
• 2013

Оглавление диссертации кандидат технических наук Алешко, Роман Александрович

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ

1 АНАЛИЗ АЛГОРИТМОВ И МЕТОДОВ ТЕМАТИЧЕСКОГО ДЕШИФРИРОВАНИЯ СПУТНИКОВЫХ СНИМКОВ ТАЕЖНЫХ ЛЕСОВ

1.1 Особенности использования данных дистанционного зондирования на предприятиях лесопромышленного комплекса

1.2 Исследование понятия данных дистанционного зондирования

1.2.1 Понятие о данных дистанционного зондирования

1.2.2 Анализ областей применения данных дистанционного зондирования

1.2.3 Исследование характеристик данных дистанционного зондирования

1.2.4 Применение данных дистанционного зондирования для изучения растительности

1.3 Исследование понятия дешифрирование данных дистанционного зондирования

1.3.1 Понятие о дешифрировании

1.3.2 Анализ методов дешифрирования

1.4 Анализ методов автоматизированного дешифрирования аэрокосмических снимков

1.5 Исследование технологий дешифрирования лесных насаждений

1.6 Системный анализ при исследовании объектов и процессов дешифрирования лесных территорий

2 РАЗРАБОТКА МЕТОДОВ СТРУКТУРНОГО МОДЕЛИРОВАНИЯ ПРОЦЕССА ТЕМАТИЧЕСКОГО ДЕШИФРИРОВАНИЯ

2.1 Определение базовых структурных параметров насаждений

2.2 Установление дешифровочных признаков основных таксационных показателей

2.2.1 Характеристика исходных данных

2.2.2 Определение признаков дешифрирования на обзорных спутниковых снимках

2.2.3 Определение признаков дешифрирования на детальных спутниковых снимках

2.3 Формализация объектов системы тематической обработки спутниковых снимков лесных территорий

2.4 Выводы по главе 2

3 РАЗРАБОТКА МЕТОДИК ТЕМАТИЧЕСКОГО ДЕШИФРИРОВАНИЯ

3.1 Разработка методики определения породно-возрастного состава лесных территорий

3.1.1 Содержание методики

3.1.2 Оценка полученных результатов

3.2 Разработка методики лесопатологического анализа территории

3.2.1 Выбор исходных данных

3.2.2 Содержание методики

3.2.3 Оценка полученных результатов

3.3 Разработка методики выявления и оценки территорий, пройденных лесными пожарами

3.3.1 Выбор исходных данных

3.3.2 Содержание методики

3.3.3 Оценка полученных результатов

3.4 Выводы по главе 3

4 РАЗРАБОТКА СРЕДСТВ ПОДДЕРЖКИ МЕТОДИК ТЕМАТИЧЕСКОГО ДЕШИФРИРОВАНИЯ

4.1 Проектирование и реализация системы управления лесными ресурсами

4.2 Построение системы обновления данных о лесных ресурсах

4.3 Использование инструментальных программных средств для решения задачи тематического дешифрирования лесных территорий

4.4 Выводы по главе 4

ЗАКЛЮЧЕНИЕ

ПРИЛОЖЕНИЕ А

СПИСОК ЛИТЕРАТУРЫ

Введение диссертации (часть автореферата) на тему «Разработка методики тематической обработки спутниковых снимков таёжных лесов на основе структурного моделирования»

ВВЕДЕНИЕ

Получение актуальной информации о лесных территориях по материалам космической съемки при создании и обновлении цифровых карт информации баз данных выполняется на этапе тематической обработки спутниковых снимков. Временные затраты только на обработку визуальным или машинно-визуальным способом составляют до 80% времени реализации всей технологической цепочки обновления информации с использованием данных дистанционного зондирования. Начиная с 1970-х годов, вопросам разработки методов и средств автоматизированного дешифрирования уделялось существенное внимание. В 90-е годы 20 века, в связи с возросшими потребностями в точной информации о лесах, а также с развитием средств вычислительной техники вопросы автоматизации обработки спутниковых снимков приобрели приоритетное значение. Автоматизация процессов извлечения пространственной и атрибутивной информации из данных аэрокосмических изображений позволит значительно сократить временные и финансовые затраты на получение наиболее актуальной информации о лесных ресурсах территории.

Однако существует ряд причин, сдерживающих внедрение автоматизированных средств в области дешифрирования лесов. Среди них трудности формализации предметной области лесного дешифрирования, слабая адаптация существующих методов тематической обработки снимков для задач лесопромышленного комплекса. Одной из перспективных возможностей изменения сложившейся ситуации является внедрение автоматизированных программно-технологических средств, основанных на использовании структурных моделей.

Целью диссертационной работы является повышение достоверности дешифрирования спутниковых снимков таёжных лесов на основе разработки и реализации методики тематической обработки изображений с использованием методов структурного моделирования.

Для достижения цели были поставлены и решены следующие задачи:

1) Анализ технологий тематической обработки спутниковых снимков лесных территорий и определение перспективных направлений совершенствования технологий дешифрирования.

2) Определение состава дешифровочных признаков основных таксационных показателей лесных насаждений.

3) Исследование структурных взаимосвязей дешифровочных признаков и таксационных показателей лесных насаждений и разработка структурных моделей процесса тематической обработки спутниковых снимков лесных территорий.

4) Разработка методик и алгоритмов автоматизации дешифрирования спутниковых снимков лесных территорий.

5) Разработка информационной системы поддержки лесных ресурсов на основе свободно распространяемого программного обеспечения.

В работе приводится описание разработанных и апробированных методов и средств поддержки тематической обработки спутниковых снимков таежных лесов. Результаты работы использованы для создания автоматизированной информационной среды получения и актуализации данных о лесных ресурсах на основе геоинформационных технологий и данных спутниковой съемки.

Положения, выносимые на защиту:

1. Структурный анализ взаимосвязей основных таксационных показателей лесных насаждений и дешифровочных признаков обзорных и детальных спутниковых снимков.

2. Формализованное описание предметной области лесных насаждений таежного региона, данных спутниковой съемки, постановка задачи оптимизации существующих методов дешифрирования.

3. Критерий и показатель информативности определения основных таксационных параметров лесных насаждений с применением спутниковых снимков и состав спектральных каналов, используемых для тематической

обработки снимков.

4. Методика тематического дешифрирования спутниковых снимков таежных лесов на основе разработанных структурных моделей и продукционных правил.

Научная новизна заключается в следующем:

- разработана методика тематического дешифрирования спутниковых снимков лесных территорий, отличающаяся от подобных методик тем, что позволяет провести структурный анализ предметной области и выявить взаимосвязи системы наземных объектов и объектов на снимке;

- разработаны модели и продукционные правила процесса тематической обработки спутниковых снимков лесных территорий на основе структурных связей дешифровочных признаков и таксационных показателей лесных территорий;

- экспериментально доказано, что для повышения достоверности дешифрирования спутниковых снимков лесных территорий достаточно трех видимых и ближнего инфракрасного спектральных каналов;

- разработан комплекс методов и алгоритмов автоматизированной обработки спутниковых снимков лесных территорий для решения практических задач тематического дешифрирования лесных территорий.

Разработанная система проходит апробацию в Архангельском лесничестве Архангельской области. Учебный вариант разработанного программного обеспечения используется в Северном (Арктическом) федеральном университете при подготовке научных и инженерных кадров для лесопромышленного комплекса.

Теоретические и практические результаты работы докладывались на конференциях, в т. ч.: Десятой международной молодежной научной конференции «Севергеоэкотех-2009» (г. Ухта, 2009 г.); Четвертой международной конференции «Земля из космоса - наиболее эффективные решения» (г. Москва, 2009 г.); Всероссийской научной конференции «Перспективы и направления развития информационных технологий при

освоении лесов» (г. Архангельск, 2009 г.)Международной научно-технической конференции, посвященной 80-летию АЛТИ-АГТУ «Современная наука и образование в решении проблем экономики Европейского Севера (г. Архангельск, 2009 г.); Двадцать седьмой межведомственной научно-технической конференции космодрома «Плесецк» (г. Мирный, 2010 г.); Двенадцатой международной конференции Региональная информатика «РИ-2010» (г. Санкт-Петербург, 2010 г.);международной научно-технической конференции «Информационная поддержка принятия решений при управлении социальными и природно-производственными объектами» (г. Архангельск, 2011 г.); Четвертой конференции «Геоинформационные технологии и космический мониторинг»(г. Ростов-на-Дону, 2011 г.); Пятой международной конференции «Земля из космоса - наиболее эффективные решения» (г. Москва, 2011 г.); Второй всероссийской научно-практической конференции «Информационные технологии в исследовании Северных и Арктических территорий» (г. Архангельск, 2012 г.);научных конференциях и семинарах ФГАОУ ВПО Северного (Арктического) федерального университета имени М.В. Ломоносова.

Основные положения диссертации отражены в 25 публикациях, в том числе в 4 статьях в периодических научных и научно-технических журналах, в которых ВАК рекомендует публикацию основных результатов кандидатской диссертации; свидетельстве Роспатента на программы для ЭВМ и 21 статье в сборниках материалов международных, всероссийских научных конференций.

ГЛАВА 1. АНАЛИЗ АЛГОРИТМОВ И МЕТОДОВ ТЕМАТИЧЕСКОГО ДЕШИФРИРОВАНИЯ СПУТНИКОВЫХ СНИМКОВ ТАЕЖНЫХ ЛЕСОВ

1.1 Особенности использования данных дистанционного зондирования на предприятиях лесопромышленного комплекса

В последние годы на предприятиях лесопромышленного комплекса потребность в информации о лесных ресурсах уже не удовлетворяется использованием только специализированных цифровых карт и баз атрибутивных данных. На сегодняшний день существует потребность в регулярно обновляемых данных о лесных ресурсах в рамках единой информационной среды.

В большинстве случаев случаях для правильной оценки выбранного варианта решения поставленной задачи необходимо иметь достоверную и актуальную информацию о лесах. Такую информацию могут предоставить материалы дистанционного зондирования Земли.

В связи с увеличением объемов данных спутниковой съемки, а также вычислительной мощности технических средств все чаще возникает потребность в автоматизации обработки значительного объема полученной информации. Анализ методик и алгоритмов автоматизированного дешифрирования лесных территорий показал, что, несмотря на значительные результаты исследований в данной области, применение автоматизированных информационных систем тематической обработки спутниковых снимков в лесопромышленном комплексе весьма ограничено. Это, как правило, связано с недостаточно развитым математическим аппаратом в данной области и сложностью формализации процесса дешифрирования лесов.

Поэтому работа, направленная на теоретическое обобщение подходов к тематической обработке спутниковых снимков лесных территорий и решение научно-технической задачи, связанной с созданием методик и алгоритмов тематической обработки спутниковых снимков лесных территорий с

использованием структурного моделирования является актуальной.

1.2 Исследование понятия данных дистанционного зондирования

1.2.1 Понятие о данных дистанционного зондирования

Дистанционное зондирование Земли - наблюдение поверхности Земли авиационными и космическими средствами, оснащёнными различными видами съемочной аппаратуры. Данные дистанционного зондирования (ДДЗ) - название данных, получаемых посредством съемочных аппаратов в различных диапазонах электромагнитного спектра, визуализируемых затем по определённому алгоритму. ДДЗ можно рассматривать как составную часть информационной системы. Во многих областях ДДЗ являются ключевым компонентом в процессе принятия решений.

Оптимальный способ использования данных наблюдения поверхности Земли со спутников заключается в том, чтобы анализировать их совместно с информацией из других источников, — в этом случае они становятся необходимой составляющей процесса принятия решений и моделирования в любой предметной области. Еще один важный принцип дистанционного зондирования — многокомпонентность — реализуется в виде различных методов съемки и анализа данных.

Подавляющее большинство ДДЗ имеет географическую привязку. Поскольку такие данные изучают, как правило, во взаимосвязи друг с другом, для каждодневной работы и принятия решений необходимо иметь эффективное средство манипулирования данными. Таким автоматизированным средством является географическая информационная система (ГИС) — инструмент единого подхода к управлению и обработке пространственной информации, включая и ДДЗ.

1.2.2 Анализ областей применения данных дистанционного зондирования

Области применения космических снимков можно разделить на пять категорий:

1) Снимок как простейшая карта (основа), на которую можно наносить данные из других источников в отсутствие более точных карт, отображающих обстановку.

2) Выделение пространственных границ и структуры объектов для определения их размеров и измерения площадей.

3) Инвентаризация пространственных объектов на определенной территории.

4) Оценка состояния территории.

5) Количественная оценка свойств земной поверхности.

ДДЗ является перспективным источником формирования баз данных для решения задач рационального использования природных ресурсов. Ресурсы Земли не бесконечны, и поскольку их эксплуатация увеличивается по мере роста количества и уровня жизни населения, все более насущной становится задача их своевременной оценки для разумного и бережливого использования. В этом отношении дистанционное зондирование является эффективным методом инвентаризации природных ресурсов и мониторинга их состояния [1].

1.2.3 Исследование характеристик данных дистанционного зондирования

Разрешающая способность систем дистанционного зондирования определяется следующими параметрами:

а) пространственное разрешение,

6) спектральное разрешение,

в) радиометрическое разрешение,

г) временное разрешение.

Пространственное разрешение цифровых снимков определяется размером мгновенного поля обзора. Параметрами, влияющими на пространственное разрешение, являются: высота расположения съемочной платформы, размер элементов сенсора и фокусное расстояние оптической системы. Другими словами, разрешающая способность сенсора определяется площадкой на поверхности Земли, соответствующей одной элементарной ячейке сенсора.

На снимках низкого разрешения видны только крупные объекты. На снимках высокого разрешения можно различить мелкие детали объектов.

Спектральное разрешение - способность системы дистанционного зондирования различать определенные интервалы длин волн. Чем выше спектральное разрешение, тем более узкий диапазон длин волн регистрируется определенным каналом. При оценке спектрального разрешения рассматривают две характеристики: количество спектральных каналов и ширину каждого спектрального диапазона. Более высокого спектрального разрешения добиваются за счет увеличения количества диапазонов и уменьшения ширины каждого из них.

Радиометрическое разрешение - чувствительность сенсора к вариациям интенсивности электромагнитного излучения, т.е. наименьшей разницей в уровнях энергии излучения, которую можно зарегистрировать с помощью данной аппаратуры. Эта характеристика указывает на количество полезной информации, содержащейся в изображении Она применима как к обычным фотографическим, так и к цифровым снимкам. В первом случае радиометрическое разрешение определяется возможностью определения малейших вариаций оттенков серого цвета, а во втором — конечным числом уровней дискретизации, на которые делится сигнал при аналогово-цифровом преобразовании.

Временное разрешение - периодичность сбора данных. Получение снимков одних и тех участков земной поверхности с определенной периодичностью является одной из основных областей применения

дистанционного зондирования. При этом от частоты съемки зависит возможность обнаружения тех или иных изменений, которые происходят на изучаемой территории. Абсолютная временная разрешающая способность системы дистанционного зондирования определяется периодом обращения спутника вокруг Земли, при котором возможна повторная съемка участка земной поверхности под тем же углом обзора [1].

1.2.4 Применение данных дистанционного зондирования для изучения растительности

Земная поверхность представляет собой совокупность элементов, различающихся по своим отражательным свойствам — спектральным и пространственным. Объекты земной поверхности изображаются на снимках в прямой зависимости от этих свойств.

Большинство природных образований обладает различиями в спектральной отражательной способности, т.е. по-разному отражает солнечное излучение в различных участках спектра электромагнитных колебаний. Поэтому они воспринимаются как различающиеся по цвету. Для характеристики отражательных свойств чаще всего используют коэффициент спектральной яркости (КСЯ), т.е. отношение яркости отражающей поверхности в определенном спектральном диапазоне (Вх) к яркости полностью отражающей поверхности (Во), при одинаковых условиях освещения:

Вя

В видимом диапазоне электромагнитных волн происходит наиболее сильное поглощение солнечной энергии. Только 2-3% процента отражается от поверхности листьев.

Рис. 1.1 - Обобщенная кривая спектральной яркости вегетирующей

растительности

На рис. 1.1 показано влияние растительности на спектральную яркость. Кривая имеет минимумы: в синем (0,45-00,47 мкм) и красном (0,68-0,69 мкм) спектральных участках; максимумы: в зеленом (0,54-0,58 мкм) и ближнем инфракрасном (0,7-1,3) спектральных участках.

Минимумы спектральной кривой объясняются поглощением солнечной энергии хлорофиллом и реализацией процесса фотосинтеза растений. Максимум отражения в зеленом спектре от поверхности листьев определяет их зеленый цвет. Максимум на участке спектра 0,7-0,8 мкм объясняется различными показателями в преломления света структуры листьев [2]. Падение яркости в спектрах 1,3 мкм, 1,45 мкм и 1,95 мкм связано с содержанием в листьях воды.

Согласно данным, приведенным И. А. Лабутиной [2], по мере роста и вызревания листьев меняется их отражательная способность. При изменении условий произрастания меняются оптические свойства листьев: повреждение вредителями, болезни леса, недостаток питательных веществ и т.д.

Все это вызывает необходимость многократного дистанционного зондирования в течение разных сезонных моментов и разных этапов вегетации, в отличие от однократного зондирования, расширяет возможности дешифрирования и повышает его результативность.

1.3 Исследование понятия дешифрирование данных дистанционного зондирования

1.3.1 Понятие о дешифрировании

Дешифрирование — это процесс распознавания объектов, их свойств, параметров и взаимосвязей по их изображениям на снимке. Свойства объектов, нашедшие отражение на снимке и используемые для распознавания, называют дешифровочными признаками.

В отечественной школе дешифрирования выделяют два подхода тематической обработки аэрокосмических снимков: ландшафтный и цифровой.

При первом подходе ландшафт рассматривается как композиция природных комплексов, определяемая физико-химическими и биологическими условиями в пределах однородного рельефа. Основные ландшафтные единицы, такие как фация, урочище и др. являются в данном подходе также единицами дешифрирования спутниковых снимков. В лесном деле их связывают с выделом - начальной единицей учета лесного фонда.

Цифровой подход к дешифрированию рассматривает аэрокосмический снимок как цифровую признаковую модель территории, преобразуемую затем в аналитическую и, в завершении, в образно-знаковую модель (тематическую карту). Все методы обработки при таком подходе базируются на восприятии снимка как цифровой модели. На сегодняшний день в России и в мире большее распространение получил цифровой подход.

Основными организациями, занимающимися проблемами дешифрирования лесных территорий, в нашей стране являются Центр по проблемам экологии и продуктивности лесов и Институт космических исследований РАН [3,4,5]. ЦЭПЛ, возглавляемый академиком A.C. Исаевым, решает ряд фундаментальных и прикладных проблем, включающих исследование крупномасштабных процессов в лесах России, сохранение биологического разнообразия, оптимизация лесопользования, моделирование

процесса лесообразования. Ярким представителем этой школы является д.с.-х.н., профессор Сухих В.И. - один из ведущих ученых в области применения аэрокосмических снимков в области тематического дешифрирования и ландшафтного проектирования. Продолжателями этой научной школы также являются Жирин В.М., Шаталов A.B. и др.

В Поволжском государственном технологическом университете под руководством B.JI. Черных ведутся исследования по проблемам лесной таксации, математического моделирования, информационных и ГИС-технологий в лесном хозяйстве.

Разработкой методов обработки данных дистанционного зондирования применительно к задачам изучения лесных экосистем, учета, контроля и управления лесными ресурсами занимаются ученые Научно-исследовательского института лесоводства и механизации лесного хозяйства (ВНИИЛМ), Московского государственного университета леса.

Под руководством Книжникова Ю.Ф. создана научная школа аэрокосмического зондирования в исследованиях Земли в МГУ [2,6,7,8,9,10,11,12,13,14]. Ее исследовательская работа и научно-организационная деятельность способствовали становлению аэрокосмического зондирования как самостоятельной научной дисциплины. Им заложены основы нового научного направления на стыке картографии и наук о зрительном восприятии - нейрокартографии. Представителями этой научной школы являются Кравцова В.И., Лурье И.К., Лабутина И.А. и др.

При выполнении диссертационного исследования в области системного анализа и моделирования проанализированы работы ведущих ученых Санкт-Петербургского института информатики и автоматизации РАН: Юсупова P.M., Соколова Б.В., Зеленцова В.А. [15, 16, 17]; Института конструкторско-технологической информатики РАН: Соломенцева Ю.М., Павлова В.В.[18, 51, 52, 53]; Санкт-Петербургского государственный университета аэрокосмического приборостроения: Охтилева М.Ю., Яковлева С.А. [15, 19, 20], Балтийского государственного технического университета «ВОЕНМЕХ»:

Ипатова О.С., Касаткина В.В.

В иностранных научных школах дистанционного зондирования преобладает цифровой подход к тематического дешифрированию аэрокосмических снимков. Из иностранных источников, мировое признание получили труды американского ученого Джона Дженсена, обобщившего главные направления дистанционного зондирования Земли и тематического дешифрирования [21,22]. Значителен вклад в теорию обработки данных дистанционного зондирования Томаса Лиллесэнда [23] (Университет Винсконсин-Мэдисон, США) и Джеймса Кэмпбелла [24,25,25] (Колледж изучения природных ресурсов, Вирджиния Тех, США). Также известны труды Майкла Валдера (Канадский центр природных ресурсов, Канадская служба лесного хозяйства, Канада) представившего основные концепции и подходы к дешифрированию лесных экосистем в монографии [27,28].

Снимки дают полное изображение отчетливо различаемых на них элементов ландшафта, соответствующих определенному иерархическому уровню: детальному — на крупномасштабных снимках, обзорному — на мелкомасштабных изображениях. Благодаря этой полноте, изображению объектов в их взаимосвязях, в комплексе на снимках находят отражение процессы и явления, протекающие на изучаемой территории. Это позволяет рассматривать дешифрирование как метод изучения и исследования объектов, явлений и процессов на земной поверхности, который заключается в распознавании объектов по их признакам, определении характеристик, установлении взаимосвязей с другими объектами.

В [1] A.M. Чандра, С.К. Гош указывают на то, что качество результатов дешифрирования аэрокосмических снимков во многом зависит от применяемых методик и технологических процессов. Технология дешифрирования - это совокупность средств и приемов извлечения информации со снимков. Наиболее рациональной может считаться такая технологическая схема, при которой удается извлечь со снимков максимум информации при минимальной затрате средств и труда. Технологическая схема

процесса дешифрирования включает ряд операций (рисунок 1.2).

При любой технологической схеме процесс дешифрирования начинается с постановки общей задачи исследования [1]. При постановке задачи учитываются возможности получения материалов съемки, наличие соответствующего оборудования, квалификация дешифровщиков и т.д. Поставленной задачей во многом определяется выбор средств и методик извлечения информации.

Рис. 1.2 - Технологическая схема процесса дешифрирования

При любой технологической схеме обязателен подготовительный этап. Данный этап включает несколько процессов, первый из которых — подготовка съемочных материалов. На этом этапе необходимо выбрать снимки, подходящие по масштабу, разрешению, регистрируемой области спектра, времени съемки и т.д. Наиболее полно учесть условия поставленной задачи можно в случае, если есть возможность провести специальную съемку, отвечающую предварительно сформулированным требованиям. Эту часть работ завершает

просмотр полученных съемочных материалов, преследующий две основные цели: оценку качества снимков и общее знакомство с территорией. Сбор дополнительных материалов является необходимым звеном подготовительного этапа процесса дешифрирования, в зависимости от конкретных условий меняться может лишь объем собранных материалов, предпочтение одному или другому виду источников. Дополнительные материалы - это карты, ведомственные материалы, литературные источники.

Наилучшим материалом являются карты масштаба, сопоставимого с масштабом используемых снимков. Особое место при тематическом дешифрировании может быть отведено ведомственным картографическим материалам. Например, при дешифрировании растительности целесообразно использование планов лесоустройства, создаваемых в лесном ведомстве.

Необходимыми видами работ на подготовительном этапе являются разработка легенды карты, которую предполагается составлять по снимкам, а также создание эталонов дешифрирования. В качестве последних могут быть использованы материалы, полученные ранее: карты, отчеты и результаты экспедиционных работ и т.д.

Собственно дешифрирование может выполняться выполняется на местности (полевое дешифрирование) или в лабораторных условиях (камеральное дешифрирование).

Преимущество полевого дешифрирования — высокая степень достоверности получаемых результатов. Недостатком полевого метода дешифрирования является его невысокая производительность и очень высокая стоимость.

Камеральное дешифрирование требует значительно меньших затрат времени и труда, но при этом не может обеспечить полноты и достоверности результатов, достигаемых при полевом дешифрировании.

Выбор полевого или камерального метода дешифрирования или их сочетания зависит от поставленной задачи, характера объекта дешифрирования, географических условий территории, масштаба и точности

создаваемой карты, сроков выполнения работ, обеспеченности материалами, инструментами, кадрами соответствующей квалификации.

Процесс дешифрирования завершается оформлением результатов. Конечная продукция может быть представлена в разном виде, но чаще это оформленные в заранее согласованных условных знаках или дешифрированные снимки. В случае, когда аэрокосмические данные включены в ГИС и приведены к единой проекции, результатом дешифрирования снимков может служить карта местности различного тематического содержания, связанная с базой данных атрибутивного содержания (карта растительности, почвенная карта, карта распространения отдельных видов растений, карта распространения последствий неблагоприятных природных явлений или антропогенных воздействий, карта охотничьих угодий и др.)

Частным случаем применения методов дешифрирования аэрокосмоснимков в сочетании с натурными изысканиями является таксация леса при проведении лесоустройства. Полученные при этом данные должны быть интегрированы в геоинформационную систему.

Расширенное применение космических методов при инвентаризации лесов может кардинально решить проблему информационной поддержки процессов лесоуправления в условиях кризиса классического лесоустройства путем проведения упрощенного лесоустройства. Упрощенное лесоустройство должно проводиться в том случае, когда для проведения полномасштабного лесоустройства отсутствуют требуемые возможности (финансовые, трудовые), а обновление данных о лесных массивах становится безотлагательной необходимостью. Такие ситуации возникают в условиях резкого сокращения финансирования лесоустроительных работ, а также при других условиях, например: при включении в состав лесного фонда ранее не обследованных лесных территорий, при разработке крупных инвестиционных лесных проектов, при подготовке проектов договоров аренды лесных участков с устаревшими данными лесоустройства, при поражении лесных массивов

значительными стихийными воздействиями, при возникновении необходимости обеспечения конституционных прав граждан на достоверную и объективную информацию о лесах, произрастающих в местах их проживания.

1.3.2 Анализ методов дешифрирования

Все приемы и способы получения информации со снимков сводятся к двум основным методам: визуальному и автоматизированному. Визуальным дешифрирование - процесс, выполняемый исполнителем независимо от того, в каком виде представлен снимок: в виде фотоотпечатков или изображения на экране компьютера, в противоположность автоматизированному дешифрированию, т.е. программной обработке снимков на компьютере или на специально предназначенных для этого приборах.

Одно из основных преимуществ визуального метода дешифрирования перед автоматизированным заключается в использовании мощного интеллектуально-интуитивного потенциала подготовленного специалиста при визуальном восприятии пространственной информации. Дешифровщик без труда определяет форму, текстуру, цвет, контур, относительные размеры объектов и особенности их распределения. Другое несомненное преимущество визуального способа — одновременное использование всей совокупности дешифровочных признаков, в особенности косвенных признаков.

К преимуществам автоматизированного метода дешифрирования можно отнести возможность преобразования яркостей цифровых снимков для улучшения их восприятия, а также разнообразные математические операции. Операция наложения — одна из наиболее часто используемых. Несомненны преимущества этого метода при обработке многозональных снимков, но особенно велики они при сопоставлении разновременных съемочных и картографических материалов с целью изучения изменений объектов.

Сопоставление визуального и автоматизированного методов

дешифрирования показывает, что любой из них имеет свои преимущества и ограничения, поэтому в каждом конкретном случае в зависимости от поставленной задачи, географических особенностей и оптических свойств объекта изучения, имеющихся материалов и технических средств предпочтение отдается одному из них или оба используются совместно.

1.4 Анализ методов автоматизированного дешифрирования аэрокосмических снимков

Новые возможности для визуального и аналитико-измерительного дешифрирования появляются при использовании современных персональных компьютеров. Средства компьютерной техники позволяют осуществлять дешифрирование аэрокосмических изображений в интерактивном (автоматизированном, человеко-машинном) и автоматическом режимах. Эти методы дешифрирования в последние 10-20 лет получили мощное развитие в связи с появлением персональных компьютеров нового поколения и развитием на базе их геоинформационных технологий. В основе этих методов лежит разбиение (классификация) изображенной на снимке территории на однородные по спектральным и текстурным характеристикам классы.

Обработка цифровых снимков — важнейшая составляющая дистанционного зондирования, назначение которой состоит в том, чтобы сделать цифровые снимки пригодными для большинства областей применения. В процессе обработки используют численные методы, основанные на анализе яркостных и спектральных характеристик.

Результатом обработки является новый снимок, который можно вывести на экран монитора и сохранить в цифровом формате для последующего использования. Основные этапы обработки цифровых снимков приведены на рисунке 1.3.

1) Расчет статистических показателей исходных данных

Статистические показатели используются для быстрой оценки поступивших со спутника исходных данных. Для каждой спектральной зоны

рассчитывают минимальное, максимальное и среднее значения, стандартное отклонение и дисперсию. Зависимость между данными в различных спектральных диапазонах определяют с помощью ковариационной и корреляционной матриц. Для наглядного представления данных служат гистограммы и диаграммы рассеяния. Всю полученную таким образом статистическую информацию используют на следующих этапах предварительной обработки.

2) Коррекция и восстановление снимков

Коррекция — это операция, которая применяется к исходным данным для устранения искажений. При сильных искажениях говорят о восстановлении снимков. К коррекции относятся такие операции, как устранение геометрических искажений, связанных с сенсором, внесение поправок на форму земной поверхности, трансформирование снимка к определенной проекции, радиометрическая калибровка и устранение шума. Тип коррекции во многом определяется характеристиками сенсора.

3) Улучшение визуального восприятия снимков

Улучшающие преобразования, которые применяют к снимкам, облегчают их дешифрирование и анализ. Как правило, для улучшения снимков используют методы, которые увеличивают видимые различия между объектами. Например, для подчеркивания тоновых различий используют методы увеличения контрастности, а для подавления определенных пространственных структур — пространственную фильтрацию. Для контроля качества результирующих изображений, которые могут быть как монохромными, так и цветными, их просматривают на экране монитора либо печатают на пленке или бумаге.

4) Классификация данных

Цель классификации состоит в замене визуального анализа снимка автоматизированной процедурой идентификации объектов, в процессе такой идентификации каждый пиксел цифрового снимка относят на основании некоторых критериев к одному из классов пространственных объектов. Если

классифицирующим признаком служит спектральная яркость, процесс классификации называют распознаванием спектральных образов. Если же статистический критерий основывается на геометрической форме, размерах и структуре объектов, говорят о распознавании пространственных образов. Результаты классификации можно использовать для создания тематических карт и статистических отчетов для территорий различного типа

Говоря о классификации, следует различать информационные и спектральные классы. Информационные классы — это те объекты, которые необходимо распознать на снимке: различные виды растительности, определенные геологические структуры, типы горных пород и т. д. В отличие от этого, спектральный класс — это группа пикселов, обладающих приблизительно одинаковой яркостью в некотором спектральном диапазоне. Одна из основных целей классификации состоит в том, чтобы совместить спектральные классы с информационными. Конечно, полное и взаимно однозначное соответствие между двумя типами классов наблюдается очень редко. Как правило, одному информационному классу соответствуют два или три спектральных, а некоторые выделенные спектральные классы вообще не соответствуют никаким объектам.

Выделяют два метода классификации — контролируемую и неконтролируемую.

Для контролируемой классификации используют эталонные области, которые выбираются оператором в соответствии с их принадлежностью к определенному информационному классу. При выборе этих областей оператор опирается на свое знание территории и расположенных на ней объектов. Значения пикселов эталонных областей в различных спектральных диапазонах используются в качестве обучающих выборок для настройки программы распознавания. Таким образом, при контролируемой классификации сначала определяются информационные классы, а затем соответствующие им спектральные.

Для распределения пикселов снимка по классам можно использовать

разные методы, причем выбор того или иного классифицирующего правила зависит от типа исходных данных и решаемой задачи. Среди наиболее часто используемых методов контролируемой классификации - алгоритм наименьшего расстояния, алгоритм параллелепипеда и алгоритм максимального правдоподобия.

При неконтролируемой классификации порядок действий — прямо противоположный: сначала, на основании только той информации, которая представлена в данных, выделяются спектральные классы, и лишь затем оператор пытается сопоставить их с реальными пространственными объектами. Группирование данных на первом этапе осуществляется с помощью программ кластерного анализа, при этом оператор обычно указывает, на какое количество групп (кластеров) можно, по его мнению, разделить весь набор исходных данных.

При использовании методов неконтролируемой классификации от оператора практически не требуется вводить каких-либо входных данных. Все операции выполняются автоматически, при этом программа анализирует пространство спектральных параметров и на основании определенных критериев разделяет пикселы на классы, рассчитывая для каждого из них средние значения признаков и ковариационные матрицы. После того как все данные распределены по спектральным классам, оператор старается сопоставить их с известными информационными классами пространственных объектов.

Самый распространенный алгоритм неконтролируемой классификации - ISODATA (Iterative Self-Organizing Data Analysis Technique А). Недостатком этого алгоритма является то, что для его использования требуются большие вычислительные ресурсы и очень высокая квалификация оператора. Помимо указанного алгоритма используют также ряд других алгоритмов, в частности АМЕОВА и FORGY.

5) Объединение данных и их интеграция в ГИС

Объединение данных космической съемки с другими данными возможно

на основании географической привязки к изучаемой территории, в частности, можно объединять данные, полученные в разное время с одного и того же спутника, или данные, полученные разными системами дистанционного зондирования. Для объединения ДДЗ с данными из других источников используют средства геоинформационных систем (ГИС) [3].

1.5 Исследование технологий дешифрирования лесных насаждений

В практике лесного дешифрирования материалов аэрокосмических съемок, как сканерных, так и фотографических, все большее место занимают цифровые методы обработки спутниковых снимков, базирующиеся на современных компьютерных технологиях.

Использование компьютеров вместе со специальным программным обеспечением позволяет обрабатывать в интерактивном или автоматическом режиме, объединять и совместно анализировать разнородную информацию -изображения, карты, табличные, текстовые и другие данные. Компьютерная техника позволяет получать различные варианты синтезированного многозонального изображения. Увеличивать многократно изображение дешифрируемого объекта (таксационного выдела или его части), осуществлять визуальное контурное и лесотаксационное дешифрирование, проводить в автоматизированном режиме различные измерения и определения, такие, как сомкнутость полога, диаметры и площади крон деревьев (групп) и их средние величины, число видимых на снимке деревьев, в том числе по породам или их группам, измерять длину теней деревьев или других объектов (на аэрокосмических снимках высокого разрешения).

Согласно данным, приведенным В.И. Сухих в [3], выделяют три уровня использования ДДЗ в лесном хозяйстве:

1) Мониторинг - широкий спектр космических снимков низкого, среднего и высокого пространственного разрешения, ежегодного, ежесезонного, ежемесячного и т.п.

2) Инвентаризация - снимки среднего разрешения (5 -20 метров)

3) Лесоустройство и таксация - снимки высокого разрешения (50 см -2,5 метра). В современных условиях могут быть более детальные.

На сегодняшний день модули, предназначенные для распознавания данных спутниковой съемки, существуют в нескольких известных программных продуктах (ERDAS Imagine, ScanEx Image Processor, ENVI и др.). Однако все они рассчитаны на решение широкого круга задач, не учитывая специфики распознавания состава лесных территорий.

В настоящее время специалистами применяются преимущественно ручные методы дешифрирования спутниковых данных. Этот процесс является достаточно трудоемким, учитывая, что лесные насаждения, подлежащие учету, занимают обширные территории. Реже применяются некоторые автоматизированные методы дешифрирования, основанные, как правило, на неуправляемой классификации (кластеризации) изображения. Нужно отметить, что данный метод не учитывает многие особенности, непосредственно влияющие на таксационные показатели лесных насаждений, такие как рельеф территории, почвенный состав и другие. Определение таких параметров, как класс бонитета, тип леса, полнота, запас древостоя, класс товарности является довольно сложной задачей с применением существующих технологий, но очень важно для задач инвентаризации лесных территорий.

Появление космических снимков со сверхвысоким разрешением (выше 1 м) открыло новые возможности в картографировании лесной растительности. Минимальным изучаемым объектом теперь может являться не выдел, а отдельные деревья. В изображениях со сверхвысоким пространственным разрешением, помимо спектральных, большое значение играют текстурные характеристики и пространственные взаимоотношения между объектами. Текстурный анализ подразумевает исследование распределение яркости в рамках участков изображения, включающих некоторое количество пикселей. Размер участка определяется в зависимости от размера и характеристик объектов на снимке.

При всей очевидной доступности, способ определения множества таксационных параметров по данным спутниковой съемки является достаточно трудоёмким и традиционными методами трудноразрешим. Углубление работ в области автоматизированной обработки спутниковых снимков лесных территорий позволит поднять эффективность используемых информационных систем мониторинга и управления природно-производственными комплексами на качественно новый уровень. Для выполнения поставленной задачи необходимо использовать целый комплекс алгоритмов обработки изображений, алгоритмов работы с неструктурированными данными.

1.6 Системный анализ при исследовании объектов и процессов дешифрирования лесных территорий

Для преодоления противоречия между экспоненциальным ростом количества информации и возможностями ее усвоения исследователи все больше внимания уделяют системной реорганизации знаний [23, 24]. Математические методы начинают широко использоваться не только в естественных науках, но и в социологии, экономике, медицине и др. Трудности использования математики при решении реальных задач заключаются в необходимости предварительного представления объектов и процессов на языке, который можно назвать структурным, системно-структурным [31]. Роль системно-структурного подхода заключается в представлении объекта исследования в виде системы и выделение структуры объекта для анализа, математической формализации и систематизации знаний [29, 30, 31]. Системные исследования могут быть не только предварительным этапом к разработке математической модели, но и создают концептуальную модель объекта. Практика использования системного анализа наглядно показывает это [32, 33, 34, 35, 36].

При построении структуры объекта или процесса, пожалуй, нет более общих категорий, чем категории «вещи», «свойства», и «отношения» [29].

Любую систему живой и неживой природы можно определить, как множество вещей, свойств и отношений [29, 37].

8 = ({т},{п},{г}),

где т-вещи, п-свойства, г-отношения.

Свойства и отношения не могут существовать отдельно от вещей. Свойства характеризуют вещь, а отношения существуют в вещах. Установление свойств вещи не меняет саму вещь. Установление отношений приводит к образованию новой вещи. Таким образом, отличие свойств от отношений заключается в том, что свойства характеризуя вещь, не образуют новых вещей, а отношения, установленные между вещами, могут образовывать новые вещи.

В определение понятия системы прямо или косвенно входит понятие её структуры. Структура - совокупность устойчивых отношений между частями целостного объекта или процесса. Относительная выделенность частей системы и их взаимосвязь — это две противоположности. В связи с этим структуру необходимо рассматривать как единство противоположных сторон: расчлененности и целостности.

Под структурированием системы понимается переход к формализованному описанию системы, создание её структуры, с целью изучения поведения, функционирования системы и взаимосвязей её частей.

Методы системного анализа являются обобщающей методологией проектирования и совершенствования сложных технических, природных и социальных систем. Объектом изучения системного анализа являются сложные системы.

Основными задачами системного анализа считаются [34]:

- построение структуры системы, анализ ее элементов и компонентов;

- построение моделей;

- определение целей системного анализа и формирование критериев;

- генерирование альтернатив;

- реализация выбора и принятие решений.

Таким образом, структурирование является одним из способов изучения и рационализации сложного объекта или процесса. При структурировании строится структурная модель объекта или процесса, в которой отображаются элементы, из которых он состоит, и отношения между ними. Исходя из структуры или вариантов структур объекта, можно выделить наиболее слабые элементы и заменить их на более выгодные в конкретных условиях, из вариантов структур можно выбрать рациональный вариант.

Для того, чтобы повысить достоверность, необходимо изучить систему, её элементы, связи между ними, выполняемые ей функции, взаимосвязь с внешней средой. Для исследования системы по ней строятся модели, которые отображают реальную систему в упрощенном варианте и с определенной точки рассмотрения. В зависимости от вида модели можно отследить потоки и работы в системе на разных уровнях (функциональная модель), просмотреть работу системы при внесении в неё изменений (имитационная модель) и др.

Построенную структуру системы можно считать моделью этой системы.

Многие факторы, определяющие содержание и поведение сложных систем, плохо формализуемы, что вынуждает анализировать эти факторы на вербальном уровне с использованием понятийного аппарата обычной логики. Математический аппарат теории полихроматических множеств позволяет повысить уровень формализации логического анализа [33]. Если аппарат теории обычных множеств используется в логике только для анализа объемов понятий, то аппарат полихроматических множеств позволяет, моделировать одновременно и объемы, и содержание логических понятий. Используя аппарат полихроматических множеств и графов для структурирования объектов и процессов, можно описать не только структуру объекта, но и процесс изменения объекта при воздействии на него элементов внешней среды.

Предметной областью исследований являются объекты и процессы тематической обработки спутниковых снимков лесных территорий, интеграция их с распределенными базами пространственных данных.

Объектами системы тематической обработки снимков лесных территорий нами выделены единицы площади лесов (участковое лесничество, квартал, выдел) и соответствующие им объекты снимка лесов (полигоны, группы пикселей, пиксел). Единицы площади лесных территорий и соответствующие им объекты снимков обладают свойствами. Реальные объекты обладают таксационными характеристиками лесов, а объекты снимков - дешифровочными признаками. Для обзорных снимков объектами дешифрирования являются отдельные пиксели, а свойствами - величины яркости в различных спектральных каналах: синем, зеленом, красном и ближнем инфракрасном. Для детальных снимков объектами выступают группы пикселей, а свойствами их будут элементы рисунка изображения.

Процессы тематической обработки снимков должны обеспечить эффективное дешифрирование лесных территорий с использованием алгоритмов автоматизированной и автоматической обработки пространственных данных. Проблемной областью исследований являются задачи повышения достоверности дешифрирования снимков лесных территорий.

Таким образом, системно-структурный подход обеспечивает:

- создание взаимосвязанных моделей разнородных объектов (изделий, технологических процессов и т.д.);

- построение взаимосвязанных моделей, соответствующих разному уровню знаний и различной полноте представления данных;

- адаптацию других методов моделирования, моделей и алгоритмов с целью включения их в данную систему моделирования [32].

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Алешко, Роман Александрович

4.4 Выводы по главе 4

1. Разработана концептуальная схема системы мониторинга и управления лесными ресурсами.

2. Разработана информационная система «АрхлесГИС» для работы с атрибутивными и пространственными данными о лесных ресурсах.

3. На разработанную информационную систему получено свидетельство об официальной регистрации программы в реестре программ для ЭВМ, а также информационная система прошла внедрение.

ЗАКЛЮЧЕНИЕ

Одним из главных факторов, препятствующих повышению эффективности обновления атрибутивных и пространственных данных о лесных ресурсах является недостаточно высокая производительность тематической обработки спутниковых изображений, в том числе, применяемых методов автоматизированного дешифрирования.

Выполненные в данной диссертационной работе теоретические и прикладные исследования, направленные на разработку средств автоматизации процесса тематической обработки изображений с использованием структурных моделей, являются решением новой и актуальной научной задачи. Практическое внедрение полученных результатов позволяет существенно повысить достоверность получаемой актуальной информации о лесных насаждениях.

В процессе выполнения диссертационной работы были получены следующие научные и практические результаты:

1. Выполнен анализ научных и прикладных аспектов тематического дешифрирования лесных территорий, результат которого показал, что существующие методики и алгоритмы лесного дешифрирования выполняются, как правило, без привлечения автоматизированных средств, что значительно замедляет процесс получения новой и актуализации имеющейся информации о лесных ресурсах. Существует потребность в разработке методик автоматизированного дешифрирования спутниковых снимков, специализированных для определения таксационных параметров насаждений.

2. На основе анализа спектральных кривых и структурных характеристик спутниковых снимков определен состав дешифровочных признаков отдельных таксационных параметров лесных насаждений обзорных и детальных спутниковых снимков.

3. Установлены взаимосвязи основных дешифровочных признаков и таксационных показателей лесных территорий. Разработаны продукционные правила и структурные модели процесса тематической обработки спутниковых снимков лесных территорий, позволяющие автоматизировать процесс дешифрирования таежных лесов.

4. На базе проведенных исследований были разработаны методики и алгоритмы автоматизированного дешифрирования спутниковых снимков лесных территорий для решения практических задач лесопатологического анализа территории; выявления и оценки территорий, пройденных лесными пожарами; определения породно-возрастного состава лесных территорий.

5. Разработана расширяемая информационная система на основе отрытых программных компонентов, предназначенная для просмотра и редактирования атрибутивных таксационных данных о лесных ресурсах, а также пространственной информацией о лесных территориях.

6. Предложенная методика дешифрирования может быть использована для тематической обработки спутниковых снимков в других предметных областях.

7. Разработанные методики и алгоритмы автоматизации дешифрирования используются в учебном процессе при подготовке инженеров по специальности 230400.62 «Информационные системы и технологии», бакалавров по направлению 250100.01 «Лесное дело».

Список литературы диссертационного исследования кандидат технических наук Алешко, Роман Александрович, 2013 год

СПИСОК ЛИТЕРАТУРЫ

1. Чандра A.M., Гош С.К. Дистанционное зондирование и географические информационные системы. - М.: Техносфера, 2008. - 312 с.

2. Лабутина И.А. Дешифрирование аэрокосмических снимков: Учеб. Пособие для студентов вузов. - М.: Аспект Пресс, 2004. - 184с.

3. Сухих В.И. Аэрокосмические методы в лесном хозяйстве и ландшафтном строительстве: Учебник. - Йошкар-Ола: МарГТУ, 2005. - 392 с.

4. Сухих В.И., Жирин В.М., Шаталов A.B., Чумаченко С.И. Аэрокосмические средства и методы исследования лесных ресурсов на базе ГИС технологий - М.: МГУЛ, ЦЭПЛ РАН - 1999. - 304 с.

5. Сухих В.И., Синицын С.Г., Апостолов Ю.С. и др. Аэрокосмические методы в охране природы и в лесном хозяйстве - М.: Лесная промышленность, 1979. -288 с.

6. Книжников Ю.Ф. Аэрометоды в географических исследованиях / Ред. И.Р. Заитов. М.: Изд-во Моск. ун-та, 1972. 131 с.

7. Книжников Ю.Ф. Аэрокосмическое зондирование, методология, принципы, проблемы / Ред. В.И.Кравцова. М.: Изд-во Моск. ун-та, 1997. 127 с.

8. Книжников Ю.Ф., Кравцова В.И., Тутубалина О.В. Аэрокосмические методы географических исследований: Учеб. для студ. высш. учеб. заведений. М.: Издательский центр Академия, 2004. 336 с.

9. Книжников Ю.Ф., Кравцова В.И., Тутубалина О.В. Аэрокосмические методы географических исследований: Учебник для студ. учреждений высш. проф. образования. - 2-е изд., перераб. и доп. М.: Издательский центр "Академия", 2011. 416 с.

10. Лурье И.К. Геоинформатика. Учебные геоинформационные системы. М.: Изд-во Моск. ун-та, 1997.

11. Кравцова В.И. Космические методы изучения природной среды. Современный фонд космических снимков / Ред. А.П.Капица, Ю.Ф. Книжников. М.: Изд-во Моск. ун-та, 1992. 135 с.

12. Кравцова В.И. Космические методы картографирования / Ред. Ю.Ф. Книжников. М.: Изд-во Моск. ун-та, 1995. 240 с.

13. Кравцова В.И. Генерализация аэрокосмического изображения: континуальные и дискретные снимки / Под ред. Ю.Ф.Книжникова. М.: Изд-во Моск. ун-та, 2000. 255 с.

14. Кравцова В.И. Космические методы исследований почв: Учеб. пособие для студентов вузов. М.: АспектПресс, 2005. 190 с.

15.Соколов Б.В. Охтилев М.Ю. Юсупов P.M. Интеллектуальные технологии мониторинга и управления структурной динамикой сложных технических объектов // М.: Наука, 2006.

16. Майданович О.В. Каргин В.А. Мышко В.В. Охтилев М.Ю. Соколов Б.В. Теория и практика построения автоматизированных систем мониторинга технического состояния космических средств // BKA, 2011.

17. Зеленцов В.А. Охтилев М.Ю. Соколов Б.В. Хименко В.И. Интеграция информационно-телекоммуникационных ресурсов глобальных систем мониторинга на базе единой интеллектуальной платформы // Информационно- управляющие системы. - № 1, 2012.

18.Соломенцев Ю.М. Современное автоматизированное производство // Вестник МГТУ "Станкин". 2008. №4. С. 125-132.

19. Советов Б.Я., Яковлев С.А. Моделирование систем - 7-е изд. - Учебник с грифом МО РФ. - М: Юрайт, 2012. Серия: Бакалавр.

20. Советов Б.Я., Яковлев С.А. Моделирование систем. Практикум - 4-е изд. -Учебное пособие с грифом Минобра РФ. - М: Юрайт, 2012. Серия: Бакалавр.

21. John R. Jensen Introductory Digital Image Processing: A Remote Sensing Perspective // Prentice Hall, 2004 - 544 c.

22. John R. Jensen Remote Sensing of the Environment: An Earth Resource Perspective // Pearson Prentice Hall, 2006 - 608 c.

23. Thomas M. Lillesand, Ralph W. Kiefer, Jonathan W. Chipman Remote sensing and image interpretation // John Wiley & Sons, 2007 - 804 c.

24. James B. Campbell Introduction to Remote Sensing, Fifth Edition // The Guilford Press, 2011 - 667 c.

25. James B. Campbell "The Geospatial Workforce Development Project On-Line Aerial Photointepretation Course" in Sensors, Systems, and Next-Generation Satellites, VII, edited by R. Meynart, S. Neeck, H. Shimoda, J. Lurie, and M. Aten. Proceedings of SPIE 5234: 724-730.

26. Zacharais, S., C.D. Heatwole, and J.B. Campbell. "Spatial Trends in Texture, Moisture, and pH of a Virginia Coastal Plain Soil." Transactions of the ASAE. Vol. 40, pp. 1277-1284.

27. Michael A. Wulder, Steven E. Franklin Remote sensing of forest environments: concepts and case studies // Springer, 2003 - 552 c.

28. Michael A. Wulder at al. Digital high spatial resolution aerial imagery to support forest health monitoring: the mountain pine beetle context, 2012

29. Уемов А.И. Вещи, свойства и отношения. - М.: Изд-во АНССР, 1963. — 184 с.

30. Уемов А.И. Системный подход и общая теория систем. - М., «Мысль», 1978.-272 с.

31. Тюхин B.C. Отражение, системы, кибернетика. Теория отражения в свете кибернетики и системного подхода. - М., «Наука», 1972. - 256 с.

32. Павлов В.В. Структурное моделирование производственных систем: Учеб. пособие. - М.: Мосстанкин, 1987. - 80 с.

33. Павлов В.В. Структурное моделирование в СALS-технологиях / В.В. Павлов; [отв. ред. Ю.М. Соломенцев]; Ин-т конструкторско-технологической информатики РАН. - М. Наука, 2006. - 307 с.

34. Антонов В.А. Системный анализ: Учеб. для вузов / A.B. Антонов. - 3-е изд., стер. - М.: Высш. шк., 2008. - 454 с.

35. Рыков A.C. Системный анализ: модели и методы принятия решений и поисковой оптимизации. - М.: Издательский дом МИСиС, 2009. - 608 с

36. Зарубин B.C. Математическое моделирование в технике: учеб. для вузов / под ред. B.C. Зарубина, А.П. Крищенко. - М.: Изд-во МГТУ им. Н.Э. Баумана, 2001.-496 с.

37. Острейковский В.А. Теория систем: учеб. для вузов. - М.: Высш. шк., 1997.

38. Ипатов Л.Ф. Таксация древостоев — Л., 1979. — 48с.

39. Гурьев А.Т. Система автоматизации проектно-производственной среды лесопромышленного комплекса на основе структурного моделирования. Диссертация на соискание ученой степени доктора технических наук. М.-2012.

40. Древесные породы и их лесоводственные свойства. Электронный ресурс: http://www.oneplat.ru/obshhaya-xarakteristika-nasazhdeniya

41. Справочник лесничего. Кн. I. - М 1994 Электронный ресурс: http://www.derev-grad.ru/lesnye-kultury/gruppa-tipov-lesa.html

42. Landsat Handbook. Электронный ресурс: http://landsathandbook.gsfc.nasa.gov/

43. Возможности тематического дешифрирования ДДЗ с использованием искусственных нейронных сетей, Добрынин Д., Савельев А http://gisnews.icc.ru/digest/art2.html

44. Лопатин, Е.В. К вопросу об автоматизированной актуализации информации о лесном фонде по космическим снимкам [Текст]: - Статья. - Сыктывкар: СЛИ, 2002.

45. Гурьев А.Т., Алешко P.A. К вопросу автоматического дешифрирования аэрокосмических снимков лесных территорий // Современная наука и образование в решении проблем экономики Европейского Севера:

материалы Междунар. науч.-техн. конф., посвященной 80-летию АЛТИ-АГТУ. - Архангельск, 2009. - С. 231-233.

46. Определение масштабов усыхания хвойных лесов Европейского Севера по данным спутниковых наблюдений / Н.В. Девятова [и др.] // Современные проблемы дистанционного зондирования Земли из космоса. - Т. II.-Москва, 2007.-С. 204-211.

47. Оценка повреждений лесов сибирским шелкопрядом в Центральной Якутии по данным спектрорадиометра MODIS-TERRA / H.B. Девятова [и др.] // Современные проблемы дистанционного зондирования Земли из космоса. - Т. П. - Москва, 2006. - С. 306-314.

48. Черепанов A.C. Технология выявления медленных изменений в лесах по мультиспектральным космическим снимкам (на примере вымокания лесов) // Геоматика. - 2009. -№3.-С. 66-75.

49. Черепанов А.С, Дружинина Е.Г. Спектральные свойства растительности и вегетационные индексы // Геоматика. - 2009. - № 3. - С. 28-32.

50. Варфоломеев Ю.А., Гурьев А.Т., Алешко P.A. Методические и технические аспекты космического мониторинга биоповреждения и усыхания еловых лесов // Лесн. журн. -2010. -№ 5. -С. 149-156. -(Изв. высш. учеб. заведений).

51. Барталев С.А., Егоров В.А. Детектирование сгоревших территорий РФ в 2010: результаты ИКИ РАН, электронный источник, режим доступа: http://gis-lab.info/qa/fires-iki.html

52. Барталев С.А., Егоров В.А., Лупян Е.А. Адаптивный пороговый алгоритм детектирования повреждений растительности пожарами на основе многолетней статистической «нормы» сезонной динамики коротковолнового вегетационного индекса // // Седьмая всероссийская открытая ежегодная конференция "Современные проблемы дистанционного зондирования Земли из космоса". Москва. ИКИ РАН. 1620 ноября 2009. Сборник тезисов конференции., 2009. С.272.

53. Микелл, Д.Г., Мурзин, A.A., Хетте, М. (2004). Пожары и их влияние на популяцию дальневосточного леопарда на юго-западе Приморского края. Владивосток: Дальнаука

54. Гурьев А.Т., Алешко P.A. Обновление совмещенной базы данных картографической и атрибутивной информации лесных насаждений путем автоматизации дешифрирования данных дистанционного зондирования // Земля из космоса - наиболее эффективные решения: сб. тез. 4-й Междунар. конф. (1-3 дек. 2009 г.). - М.: Инженерно-технол. центр «СканЭкс»; НП «Прозрачный мир»; ООО «Издательство БИНОМ», 2009. - С. 233-234.

55. Гурьев А.Т., Алешко P.A. Тематическая обработка ДДЗ лесных территорий для обновления распределенной базы данных лесных ресурсов // IV конференция «Геоинформационные технологии космический мониторинг» (6-8 сентября 2011 г.) / Сб. статей, Ростов-на-Дону: Издательство Южного федерального университета, 2011. - С. 110111.

56. Гурьев А.Т., Трубин Д.В., Алешко P.A. Технологии обновления данных о лесах // «Земля из космоса - наиболее эффективные решения», пятая международная конференция 29 ноября - 1 декабря 2011 г. / Сборник тезисов. - М.: Инженерно-технологический Центр СканЭкс, НП «Прозрачный мир», Издательство Бином, 2011 - С. 78-79.

57. Алешко P.A., Гурьев А.Т., Пугин М.С., Цветков В.Ф., Торхов C.B. Распознавание спутниковых снимков лесных территорий с учетом рельефа // Наука-северному региону. Сб. научных трудов. Выпуск 83. -Архангельск: Северный (Арктический) федеральный университет, 2010. -С. 185-189.

58. Гурьев А.Т., Абрамова JI.B., Бачурин И.В., Алешко P.A., Пугин М.С., Головин В.А., Трубин Д.В., Торхов C.B. Экспериментальная распределенная база данных лесных насаждений Архангельского

лесничества // Региональная информатика «РИ-2010». XII Санкт-Петербургская международная конференция. Материалы конференции. -Санкт-Петербург, 2010. - С. 299.

59. Варфоломеев Ю.А., Гурьев А.Т., Плехов О.Г., Алешко P.A. Высокотехнологичное проектирование строительства и реконструкции дорог с непрерывным жизненным циклом в лесах с биоповреждениями // Лесн. журн. - 2011. -№ 2. - С. 145-152. -(Изв. высш. учеб. заведений).

60. Павлов В.В. Полихроматические графы и гиперграфы в структурном моделировании систем. /Межотрасл. науч.-технический сб. "Техника. Экономика. Сер. Автоматизация проектирования."-М.:ВИМИ,1995,№3-4,с.30-35.

61. Павлов .В.В. Структурное моделирование в CALS-технологиях / В.В. Павлов; [отв. ред. Ю.М. Соломенцев ]; Ин-т конструкторско-технологическо й информатики РАН. М.: Наука, 2006. - 307с.

62. Павлов В.В. Структурное моделирование производственных систем: Учеб. пособие. - М.: Мосстанкин, 1987 г., 80 с.

63. Калянов Г.Н., Козлинский A.B., Лебедев В.Н. Сравнительный анализ структурных методологий. Системы Управления Базами Данных №5-6/97 стр. 75-78

64. Калянов Г.Н. CASE: структурный системный анализ (автоматизация и применение). // М.: Лори, 1996, 242с.

65. Нечипоренко В.И. Структурный анализ систем (эффективность и надежность). -М.: Сов. Радил, 1977. -216 с.

66. Цветков В.Д. Системно-структурное моделирование и автоматизация проектирования технологических процессов.-Минск: Наука и техника, 1979, 260 с.

67. Воронин A.B., Шегельман И.Р. Интегрированные структуры в лесной промышленности. СПб.: Изд-во СПбГЛТА, 2003. - 160 с.

68. Уемов А.И. Вещи, свойства, отношения. М.: изд. Академии наук СССР, 1963.- 184 с.

69. Уемов А.И. Логические основы метода моделирования. М.: Мысль, 1971. -311 с.

70. Уемов А.И. Системный подход и общая теория систем. М.: Мысль, 1978. - 272 с.

71. Анучин Н. П., Лесная таксация. М.: Лесная промышленность, 1971. 512 с.

72. Анучин Н. П., Лесоустройство. М.: Сельхозиздат 1962. 568 с.

73. Байтин А. А., и др. Лесоустройство. М.: Лесная промышленность, 1974. 350с.

74. Верхунов П.М. Черных В.Л. Таксация леса: Учебное пособие. Йошкар-Ола: МарГТУ, 2007.-396 с.

75. Верхунов П. М., Моисеев Н. А., Лесоустройство. Учебное пособие. Йошкар-Ола: МарГТУ, 2002.

76. Гиряев М. Д., Лесоводственные и экономические аспекты организации лепользования // Лесное хозяйство № 2, 2002. 2-5 с.

77. Гиряев М. Д., Лесоустройство и лесоуправление // Лесное хозяйство № 6, 1999. 2-7 с.

78. Данилин И.М., Медведев Е.М., Мельников С.Р. Лазерная локация земли и леса: Учебное пособие. Красноярск 2005, 182 с.

79. Демидов Е. С., Непрерывное лесоустройство: цели, задачи, технология // Лесное хозяйство №1, 1992. 51-54 с.

80. Мурахтанов Е. С., Лесоустройство. Учебник для вузов. М.: Лесная промышленность, 1983. 344 с.

81. Неволин О.А., Третьяков C.B., Ердяков C.B., Торхов C.B. Лесоустройство: Учебное пособие для вузов. - Архангельск: Изд-во Арханг. гос. техн. ун-та, 2005. 588 с.

82. Нефедьев В. В., Лесоустройство в новых экономических условиях // Лесное хозяйство № 4, 2001. 26-30 с.

83. Писаренко А. И., Экологические проблемы управления лесами России // Лесное хозяйство № 3, 2002. 8-10 с.

84. Сухих В.И. Состояние лесных ресурсов России // Деловая слава России II выпуск, 2007. - с.28-36

85. Трубин Д.В., Третьяков C.B., Коптев C.B., Любимов А.В., Пяйвинен Р., Пуссинен А. Динамика и перспективы лесопользования в Архангельской области. - Архангельск: Изд-во Арханг. гос. техн. ун-та, 2000. 96 с.

86. Черных В.Л. Геоинформационные системы в лесном хозяйстве: Учебное пособие. Йошкар-Ола: МарГТУ, 2007.-200 с.

87. Черных В.Л., Сысуев В.В. Информационные технологии в лесном хозяйстве: Учебное пособие. Йошкар-Ола: МарГТУ, 2000. 387 с.

88. Государственное управление лесным хозяйством: учеб. пособие / под ред. А.П. Петрова. - М.: ВНИИЛМ, 2004. - 264 с.

89. Петров А.П. Интенсификация использования и воспроизводства лесных ресурсов: сб. науч. тр. / А.П. Петров. - М., 2003. - 256 с.

90. Вуколова И.А. Геоинформатика в лесном хозяйстве: Учебник. М.: ВНИИЛМ, 2002. 216 с.

91. Герасимов Ю.Ю., Кильпеляйнен С.А., Давыдов Г.А. Геоинформационные системы. Йоэнсуу, изд. Университета Йоэнсуу, 2001. 201 с.

92. Герасимов Ю.Ю., Давыдков Г.А., Кильпеляйнен С.А., Соколов А.П., Сюнев B.C. Перспективы применения новых информационных технологий в лесном комплексе // Лесной журнал №5, 2003. - С. 123-129.

93. Малышева Н.В. Дистанционное зондирование для изучения лесных экосистем, учета, контроля и управления лесными ресурсами //Лесохоз. информ.. М.: ВНИИЛМ, 2002. 31-61 с.

94. ГИС и базы данных на их основе для лесного сектора Северо-Запада Европейской части России. Финляндия, университет Йоэнсуу, факультет лесных наук, 1999.

95. Герасимов Ю.Ю., Сюнев B.C. Экологическая оптимизаця технологических процессов и машин для лесозаготовок. Йоэнсуу, изд. Университета Йоэнсуу, 1998. 187 с

96. Страхов В. В., Сысуев В. В., Перспективы использования географических информационных систем для устойчивого управления лесами //лесное хозяйство № 3, 1998. 19-22 с.

97. Воронин A.B., Шегельман И.Р. Интегрированные структуры в лесной промышленности. СПб.: Изд-во СПбГЛТА, 2003. - 160 с.

98. Гурьев А.Т., Бачурин И.В. «Распределенная информационная система лесного фонда». Материалы Всероссийской научной конференции «Перспективы и направления развития информационных технологий при освоении лесов». - Архангельск: Арханг. гос. техн. ун-т, 2009. - С. 142148

99. Гурьев А.Т., Бачурин И.В., Абрамова Л.В., Трубин Д.В., Торхов C.B. Разработка экспериментальной базы данных лесных насаждений архангельского лесничества // Наука - Северному региону / Сборник научных трудов. Выпуск 83. - Архангельск: Северный (Арктический) федеральный университет, 2010. - С. 192-195

100. Гурьев А. Т., Бачурин И. В., Суханов М. В. «Проектирование базы данных лесных насаждений». Информационная поддержка принятия решений при управлении социальными и природно-производственными объектами: материалы междунар. науч.-техн. конф. 24-25 марта 2011 года, Архангельск. Архангельск: Северный (Арктический) федеральный университет, 2011. - С. 160-163

101. Арсеньев, Б.П.; Яковлев, С.А. Интеграция распределенных баз данных. -Лань, 2001.-464 с.

102. Коннолли, Томас; Бегг, Каролин; Страчан, Анна Базы данных: проектирование, реализация и сопровождение. - Вильяме, 2000. - 1120 с

103. Хансен, Генри; Хансен, Джеймс Базы данных: разработка и управление. -БИНОМ, 1999.-704 с.

104. Карпова, Т.С. Базы данных: модели, разработка, реализация. - Питер, 2002. - 304 с.

105. Гурьев А.Т., Гурьев Т.А. Казнин А.А., Пугин М.С., Торхов С.В. Распределенная информационная система лесных ресурсов // Современное состояние и перспективы применения ГИС-технологий и аэрокосмических методов в лесном хозяйстве и садово-парковом строительстве. Особенности преподавания данных дисциплин в высших и средних учебных заведениях: Сб. статей. - Йошкар-Ола: Марийский государственный технический университет, 2008 г. -С.111-117.

106. Гурьев А.Т., Ермолин А. Е. Мультиагентная система обработки данных дистанционного зондирования земли для актуализации БД лесных ресурсов// Материалы X Санкт-Петербургской международной конференции «Региональная информатика-2006 (РИ-2006)» (Санкт-Петербург, 24-26 октября 2006 г.). - СПб.: СПОИСУ, 2006. - С.267.

107. Hamlyn G. Jones, Robin Antony Vaughan Remote Sensing of Vegetation: Principles, Techniques, and Applications. - Oxford University Press, 2010 -400 c.

108. Michael Kohl, Steen Magnussen, Marco Marchetti Sampling methods, remote sensing and GIS multiresource forest inventory. - Springer, 2006. - 392 c.

109. Monica Goigel Turner, R. H. Gardner, Robert V. O'Neill Landscape ecology in theory and practice: pattern and process. - Springer, 2001 -416 c.

110. Pete Bettinger, Michael G. Wing Geographic information systems: applications in forestry and natural resources management. - McGraw-Hill, Higher Education, 2003. - 240 c.

111. Steven E. Franklin Remote sensing for sustainable forest management. -Lewis, 2001.-424 c.

112. Маслов А.А.Дистанционный мониторинг лесов России: концепция и практическая организация. - Земля из космоса. Наиболее эффективные решения, №1, 2009. - С. 5-9.

113. Аксенов Д.Е., ЯрошенкоА.Ю. Космические снимки для задач лесного хозяйства. - Земля из космоса. Наиболее эффективные решения, №1, 2009.-С. 10-15.

114. Зенкевич Ю.Э., Антонова Т.А., Глушков И.В. Мониторинг лесохозяйственной деятельности: опыт применения данных космической съемки высокого и сверхвысокого разрешения. - Земля из космоса. Наиболее эффективные решения, №1, 2009. - С. 17-21.

115. Черненькова Т.В., Козлов Д.Н. Динамика лесов Подмосковья по материалам космической съемки. - Земля из космоса. Наиболее эффективные решения, №1, 2009. - С. 22-26.

116. Потапов П.В., Хансен М., Стеман С. Спутниковый мониторинг таежных лесов мира - Земля из космоса. Наиболее эффективные решения, №1, 2009.-С. 27-33.

117. Грешнов С.П. Средства дистанционного зондирования и геоинформационные технологии в лесном хозяйстве и лесоустройстве. -Земля из космоса. Наиболее эффективные решения, №1, 2009. - С. 34-35.

118. Паламарчук М. Дистанционное зондирование леса. - Геопрофиль №2, 2011.-С. 35-44.

119. Волков А.В. Автоматизированное дешифрирование изображений топографических объектов с использованием нейрометодов// Тезисы докладов на VI Всероссийской конференции «Нейрокомпьютеры и их применение».- М., 2000.-С 16-18.

120. Волков A.B. Метод автоматического распознавания изображений площадных объектов растительного покрова и грунтов с использованием нейросети // Информация и космос- 2004,- № 2. - С. 37-30.

121. Волков A.B. Способ автоматизированного распознавания изображений топографических объектов с использованием элементов экспертной системы, построенной на основе нейросети // Информация и космос-2004,- №1.- С. 58-61.

122. Живичин А.Н., Соколов B.C. Дешифрирование фотографических изображений,- М.: Недра, 1980.- 253 с,

123. Журкин И.Г. Классификационные особенности элементов содержания карт. Теоретический анализ существующих методой распознавания изображений в итоговом НТО по теме "Модсль-98М",- М: МИИГАнК, 1979,- 60 с.

124. Исследование путей создания системы автоматизированного дешифрирования изображений компактных, линейных и площадных объектов по материалам космической съемки: Итоговый НТО по теме НИР "Ритмичность",- Екатеринбург, 1994,- 93 с.

125. Кирсанов Э.Ю. К задаче классификации и анализа путем построения памяти на элементах пороговой логики // Техника средств связи.- 1981 .Вып. 2.-С. 44-52. - (Системы связи).

126. Кохонен Т. Ассоциативная память.- М: Мир, 1980.- 239 е.: ил.

127. Прэтг У. Цифровая обработка изображений: Кн.2 / Пер. с англ,- М: Мир, 1982,-2 кн.- 480 с: ил.

128. Рыбак И.А. и др. Нейронные сети в задачах обработки и анализа изображений и распознавания зрительных образов/ И.А. Рыбак, НА. Шевцова, В.И. Сандлер // Итоги науки к техники / ВИНИТИ.- 1992.- № 4. - С. 96- 135.-(Физ. и мат. модели нейронных сетей).

129. Харалик P.M. Статистический и структурный подходы к описанию текстур / ТИИЭР. - 1979.- Т. 67.- № 5.- С. 98-120.

130. Хрущ P.M. Автоматизация фотограмметрической обработки фотоснимков при создании цифровых карт,- СПб: ФВИУ(СПб), 1999.237 с.

131. Хрущ P.M. Использование теории образов для идентификации одноименных областей и точек стереопары // Записки Горного института / СПГГИ.- СПб: СПГГИ, 2001 - С.201- 205.

132. Хрущ P.M. Этапы становления и развития отечественной фотограмметрии // Научно-технический сборник / ФВИУ(СПб).- СПб: ФВИУ(СПб), 2000.- С. 144-148.

133. Цыпкин ЯЗ. Адаптация, обучение и самообучение в автоматических системах // Автоматика и телемеханика,-1966.- № 1.- С. 23- 62.

134. Цыпкин Я.З. Обучающиеся автоматические системы // Автоматика и телемеханика.- 1970,- № 4.- С. 55-71.

135. Цыпкин Я.З. Оптимальные гибридные алгоритмы адаптации и обучения // Автоматика и телемеханика.- 1968.- №9.- С. 30- 34.

136. Шабанов ПА. Состояние цифрового дешифрирования изображений объектов местности за рубежом // Информационный бюллетень по зарубежным материалам.- М, 1986.- № 94.- С. 13- 21.

137. Шевцова H.A. Исследование и моделирование алгоритмов первичной обработки зрительной информации в нейросетях: Аотореф. дисс. / НИИ нейрокибернетики им. Когана,- Ростов н/Д, 1996.- 22 е.: ил.

138. Экспертные системы. Принципы работы и примеры: Сб. ст. / Под ред. Р. Форсайта,- М: Радио и связь, 1987,- 62 с.

139. Экспертные системы: состояние и перспективы: Сб. науч. тр. / Под ред. Д.А. Поспелова - М: Наука, 1989,- 152 с.

140. Ярославский Л.П. Введение в цифровую обработку изображений,- М.: Сов. радио, 1979.-312 с.

141. Burke L.I. Introduction to artificial neural systems for pattern recognition // Comput. and Oper. Res,- 1991,- Vol. 18. - № 2.- P. 211-220.

142. Kannelopulos J., Vartis A., J. Megier Classification of remotely - sensed satellite images using multi-layer perceptron networks // Artifical neural networks,-1991.-P. 1067-1070.

143. Muhamad A.K. Neural networks for the classification of image texture // End. Appl. Artif. Intell.-1994.- Vol. 7,- № 4.- P. 381-393.

144. Аковецкий В.И. Дешифрирование снимков. - M.: Недра, 1983.

145. Гарбук СВ., Гершензон В.Е. Космические системы дистанционного зондирования Земли. - М.: А и Б, 1997. - 296 с.

146. Геоиндикационное моделирование (с использованием материалов аэро- и космических съемок).- Д.: Недра, 1984.

147. Геоинформационные системы и дистанционное зондирование в экологических исследованиях: Учебное пособие для вузов / Трифанова Т.А. и др. - М.: Академический Проект, 2005. - 352 с.

148. Информационные технологии в управлении качеством среды обитания: Учеб. пособие для студ. высш. пед. учеб. заведений / В.Е. Гершензон, Е.В. Смирнова, В.В. Элиас; Под редакцией В.Е. Гершензона. - М.: Издательский центр «Академия», 2003.-288 с.

149. Кондратьев К.Я и др. Оценка параметров почвенно-растительного покрова по многоспектральным спутниковым данным // Исследование Земли из Космоса. 1992. -№.3. С. 88-95.

150. Космическая съемка Земли. Космическая оптоэлектронная съемка земной поверхности с низким и очень низким разрешением. Справочно-аналитическое издание / Под ред. Ю.А. Сорокина. М: Радиотехника, 2006. - 62 с.

151. Кравцова В.И. Космические методы картографирования. М.: Изд-во МГУ, 1995.

152. Кравцова В.И., Балдина Е.А. Изучение динамики природных и хозяйственных объектов на основе цветового синтезирования разновременных снимков // Тез. докл. 2-й междунар. конф. «Земля из

космоса - наиболее эффективные решения», Москва, Â0 ноября - 2 декабря 2005 г. - М.: Бином, 2005. - С. 189-190. /

153. Любимова, В.А. Спиридонов. Методика обработки материалов ДЗЗ в задачах природопользования. Геоинформатика, №3, 1999, с. 18-21.

154. Моисеенко А.Е. Современное состояние и перспективы использования средств дистанционного зондирования Земли из космоса в целях изучения природных ресурсов и экологии. - М.: 1994, 103 с.

155. Савиных В.П., Масленников В.А., Сладклопевцев С.А., Цыпина Э.М.. География из космоса. Учебное методическое пособие. М.: Изд-во «Московский государст-венный университет геодезии и картографии», 2000.

156. Снакин В.В. Природные ресурсы и окружающая среда. Словарь-справочник/ под ред. В.Н. Лопатина, Н.Г. Рыбальского. - М.: НИА Природа, РЭФИА, 2001.

157. Сухих В.П., Синицин С.Г., Апостолов Ю.С. и др. Аэрокосмические методы в ох-ране природы и в лесном хозяйстве.-М.: Лесная промышленность, 1979. - 288 с.

158. Толчельников Ю.С. Оптические свойства ландшафта. - Л.: Наука,1974.

159. Фуряев В.В., Киреев Д.В. Изучение послепожарной динамики лесов на ландшафтной основе. - Новосибирск: Наука, 1979. - 160 с.

160. Ярошенко А.Ю., Потапов П.В. О возможностях использования космических снимков в российском лесном хозяйстве // Тез. докл. 2-й междунар. конф. «Земля из космоса - наиболее эффективные решения», Москва, 30 ноября - 2 декабря 2005 г. - М: Бином, 2005. - С. 189-190.