Архив
Том 21, 2024
Том 20, 2023
Том 19, 2022
Том 18, 2021
Том 17, 2020
Том 16, 2019 г.
Том 15, 2018 г.
Том 14, 2017 г.
Том 13, 2016 г.
Том 12, 2015 г.
Том 11, 2014 г.
Том 10, 2013 г.
Том 9, 2012 г.
Том 8, 2011 г.
Том 7, 2010 г.
Выпуск 6, 2009 г.
Выпуск 5, 2008 г.
Выпуск 4, 2007 г.
Выпуск 3, 2006 г.
Выпуск 2, 2005 г.
Выпуск 1, 2004 г.
Поиск
Найти:
Подписка/отписка
на рассылку новостей
ISSN 2070-7401 (Print), ISSN 2411-0280 (Online)
Современные проблемы дистанционного зондирования Земли из космоса
физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений
и объектов

  

Современные проблемы дистанционного зондирования Земли из космоса. 2023. Т. 20. № 1. С. 176-188

Влияние детальности аэрокосмических изображений на результаты классификации растительных сообществ тундры

В.В. Елсаков 1 
1 Институт биологии Коми НЦ УрО РАН, Сыктывкар, Россия
Одобрена к печати: 24.01.2023
DOI: 10.21046/2070-7401-2023-20-1-176-188
Выполнено сравнение набора разномасштабных тематических карт растительного покрова, полученных при обработке спутниковых (Quickbird (Qb), Landsat/TM5 (L5)) изображений и аэросъёмок (квадрокоптер DJI Phantom 2 (англ. unmanned aerial vehicle — UAV)), для модельного участка востока Большеземельской тундры. Тождественность характеристик фитоценозов при сравнении спутниковых снимков достигнута близостью дат и условий съёмки, сходством диапазонов спектральных каналов. Съёмка UAV позволила выделить однородные по составу участки изображений Qb и L5 для формирования выборок спектральных сигнатур пикселей-эталонов. Сопоставление аэро- и спутниковых изображений показало, что половина изображения Qb модельного участка содержит комплексные по составу пиксели по UAV с преобладанием в них доминирующего класса ниже 50 %. Только у 14,6 % пикселей доля доминирующего класса превышала 80 %. Большая часть (53,8 %) таких гомогенных элементов изображения приходилась на классы водных поверхностей (39,2 %) и массивы ивняков (24,6 %). Для L5 количество однородных пикселей (более 50 % поверхности относится к одному классу по Qb) не превышало 14,1 %. Коэффициенты спектральной яркости (КСЯ) для однородных по составу пикселей имели высокую сходимость. Комплексные по составу пиксели способны формировать итоговые спектральные сигнатуры с показателями даже отсутствующих в них классов. Смешивание сигнатур классов растительного покрова и водных поверхностей в мозаичных пикселях создавало показатели, близкие к эталонам эродированных торфяников. Снижение степени детальности изображений увеличивало присутствие класса обнажённого торфа от UAV к Qb в 1,6–2,2 раза, от Qb к L5 — в 3,1–4,4 раза, от UAV к L5 — до 6,9 раз. Показатели сходимости результатов классификаций разномасштабных снимков, полученные разными способами выделения классов-эталонов, существенно различались. Отмечено наличие слабой степени сходства между классификациями UAV и Qb (общая — 30,3 %, каппа — 20,7 %), Qb и L5 (44,5 и 30,3 %) и незначительной — между UAV и L5 (28,5 и 15,5 %). В качестве основных факторов, влияющих на величины сходимости и соотношение площадей классов на разномасштабных классификациях, выступали как радиометрические особенности выделяемых страт и способы выделения эталонных сигнатур, так и мозаичность ландшафтов территории.
Ключевые слова: классификация спутниковых изображений, растительные сообщества тундры, спектральные свойства фитоценозов, разномасштабное картографирование
Полный текст

Список литературы:

  1. БарталевС. А., ХовратовичТ. С., ЕлсаковВ. В. Использование спутниковых изображений для оценки потерь углерода лесными экосистемами в результате вырубок // Современные проблемы дистанционного зондирования Земли из космоса. 2009. Т. 2. № 6. С. 343–351.
  2. ГрибоваС. А., ИсаченкоТ. И. Картирование растительности в съемочных масштабах // Полевая геоботаника. 1972. Т. 4. С. 137–331.
  3. ДейвисШ. М., ЛандгребеД. А., ФиллипсТ. Л., СвейнФ. X., ХофферР. М., ЛанденлаубД. С., Ле Сиева Р. Ф. Дистанционное зондирование: количественный подход: пер. с англ. М.: Недра, 1983. 415 с.
  4. Елсаков В. В. Спектральные различия характеристик растительного покрова тундровых сообществ сенсоров Landsat // Современные проблемы дистанционного зондирования Земли из космоса. 2021. Т. 18. № 4. С. 92–101. DOI: 10.21046/2070-7401-2021-18-4-92-101.
  5. Зольников И. Д., Лямина В. А., Королюк А. Ю. Комплексная технология картографирования и мониторинга гетерогенного растительного покрова // География и природные ресурсы. 2010. Вып. 2. С. 126–131.
  6. Каверин Д. А., Пастухов А. В. Генетическая характеристика мерзлотных почв оголенных пятен на плоскобугристых торфяниках Большеземельской тундры // Изв. Самарского науч. центра РАН. 2013. Т. 15. № 3. С. 55–62.
  7. Кравцова В. И. Дискретная пиксельная стереомодель: графическое моделирование. М.: Науч. мир, 2014. 172 с.
  8. Кравцова В. И., Лошкарева А. Р. Исследование северной границы леса по космическим снимкам разного разрешения // Вестн. Московского ун-та. Сер. 5: География. 2010. № 6. С. 49–57.
  9. Михеева А. И., Тутубалина О. В., Зимин М. В., Голубева Е. И. Методика субпиксельной классификации растительности экотона «тундра – тайга» по космическим изображениям (на примере долины р. Тульок, Хибинские горы) // Исслед. Земли из космоса. 2017. № 1. С. 24–34.
  10. Сизов О. С., Цымбарович П. Р., Ежова Е. В., Соромотин А. В., Приходько Н. В. Оценка постпирогенной динамики тундровой растительности на севере Западной Сибири за последние 50 лет (1968–2018) на основе данных ДЗЗ детального и высокого разрешения // Современные проблемы дистанционного зондирования Земли из космоса. 2020. Т. 17. № 4. С. 137–153. DOI: 10.21046/2070-7401-2020-17-4-137-153.
  11. Сочава В. Б. Растительный покров на тематических картах. Новосибирск: Наука, 1979. 189 с.
  12. Тужилкина В. В., Бобкова К. С. Хлорофилльный индекс в фитоценозах коренных ельников Европейского северо-востока // Лесной журн. 2010. № 2. С. 17–23.
  13. Фридланд В. М. Структура почвенного покрова. М.: Мысль, 1972. 423 с.
  14. Burnett С., Blaschke Т. A. Multi-scale segmentation/object relationship modelling methodology for landscape analysis // Ecological Modelling. 2003. V. 168. Iss. 3. P. 233–249.
  15. Cohen J. A. Coefficient of agreement for nominal scales // Educational and Psychological Measurement. 1960. No. 1. V. 20. P. 37–46.
  16. Krankina O. N., Pflugmacher D., Hayes D. J., McGuire A. D., Hansen M. C., Hame T., Elsakov V. V., Nelson P. Vegetation cover in the Eurasian Arctic: Distribution Monitoring, and Role in Carbon Cycling // Eurasian Arctic Land Cover and Land Use in a Changing Climate. 1st ed. / eds. G. Gutman, A. Reissell. 2011. P. 79–108.
  17. Pflugmacher D., Elsakov V. V., Krankina O. N., Cohen W. B., Friedl M. A., Sulla-Menashe D., Kennedy R. E., Nelson P., Loboda T. V., Kuemmerle T., Dyukarev E., Kharuk V. I. Comparison and Assessment of Coarse Resolution Land Cover Maps for Northern Eurasia // Remote Sensing of Environment. 2011. V. 115. Iss. 12. P. 3539–3553.
  18. Räsänen A., Elsakov V. V., Virtanen T. Usability of one-class classification in mapping and detecting changes in bare peat surfaces in the tundra // Intern. J. Remote Sensing. 2019. 21 p. https://doi.org/10.1080/01431161.2018.1558376.