Android-приложение для поиска дешевых авиабилетов: play.google.com
Главная -> Дистанционное зондирование

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 [104] 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129

•j-аблпца VI.4

Оценки площади, занимаемой пшеницей в Канзасе, полученные Статистическим управлением {Министерства сельского хозяйства США и Ландсат

Область

Площадь в гектарах

Процентное соотношение площадей

СУ США (1)

Ландсат (2)

Разность (2)-()

СУ США (3)

Ландсат (4)

Разность (4)-(3)

Штаты

4555

4613

26,2

26,6

Районы:

Северо-Западный Севаро-Централь-

470 578

23,3 25,1

19,2

25,0

-4,1 -0,1

Западно-Цент-

25,2

28,0

ральный

Центральный

Южно-Централь-

770 1161

956 1158

33,1 40,2

41,2 40,0

8,1 -0,2

Юго-Западный Юго-Восточный Округа (средние

784 267 55,0

715 242 53,4

-69 -25 0,6

25,6 10,0 25,85

23,3 9,1 26,25

-2,3 -0,9 0,4

оценки и средняя разность)

ДЛЯ классификации тестовых полей. Общая точность классификаций обычно составляла 85% или больше, и был сделан вывод, что по этим результатам действительно можно получить точные оценки площадей.

Классификация тестовых (или обучающих) полей может использоваться для корректировки ошибок при классификации оценок площадей [1]. В научно-исследовательском проекте, из которого взят этот пример, результаты, в которых отклонения были скорректированы, сравнивались с оценками урожая пшеницы, полученными Статистическим управлением Министерства сельского хозяйства США. Сравнения проводились на трех уровнях: на уровне округов, сельскохозяйственных районов и штатов. Результаты сравнения приведены в табл. VI.4. Следует отметить при сравнении результатов анализа с данными Статистического управления (СУ), что последние также являются оценками (и, таким образом, подвержены ошибке при выборке). Точность оценок СУ была самой высокой на уровне штатов и самой низкой на уровне округов.

При сравнении оценок, полученных методами дистанционного зондирования, с оценками СУ использовались методы статистического контроля [7]. Коэффициент корреляции оценок площади по округам, принятый Статистическим управлением Министерства сельского хозяйства США и Ландсат, был 0,80. Точность оценок Ландсат площади, занимаемой пшеницей, была в пределах ±5% для 49% округов и в пределах ±10% для 81%



округов. Что касается сельскохозяйственных районов, то из семи исследованных районов Канзаса между оценками Ландсат и СУ США различия были только в одном районе. В этом районе все отклонения, хотя они и были незначительны, существовали в одном направлении. Для штата оценка СУ США была 4555 тыс. га, а оценка по данным Ландсат - 4613 тыс. га; эта разница составляет 1,27%.

На основании точности оценок обучающих и тестовых полей, а также сравнения оценок, полученных с помощью данных дистанционного зондирования, с оценками СУ после применения методов выборки был сделан вывод, что задачи проекта по идентификации сельскохозяйственных культур и оценке занимаемых ими площадей были выполнены,

VI.3. Примеры других приложений ,

Ниже будут описаны пять примеров, в которых показываются некоторые подробности использования дистанционного зондиро вания для удовлетворения ряда информационных требований Эти примеры были выбраны потому, что в них большое значе ние придается по крайней мере одному важному аспекту ди станционного зондирования, такому, например, как планирова ние проекта, характеристики датчика, специальный метод ана лиза, специальные требования к представлению результатов Данные примеры свидетельствуют о том, что количественное дистанционное зондирование может использоваться во многих направлениях.

Все примеры взяты из отчетов по дистанционным исследованиям и поэтому не всегда являются методами, достигшими функционального уровня. Здесь они даны потому, что при их применении были приняты решения, послужившие в качестве моделей для планирования других проектов дистанционного зондирования. Конечно, можно было выбрать много других примеров. Читателю, который хочет познакомиться с более широким обзором приложений дистанционного зондирования, следует просмотреть имеющуюся литературу (особенно [9, Ю]). При описании примеров мы придерживались в основном той же формы, что и при описании предыдущих примеров. Но если ранее определялись и описывались основные этапы одного приложения, здесь большое значение придается особенно важным или интересным аспектам нескольких различных проектов. Предполагается, что читатель уже знает пять основных этапов, описанных ранее.

Пример 1. Инвентаризация землепользования больших площадей [11]

Цели, возможность выполнения и планирова ние проекта. В 1972 г. США и Канада подписали договС об исследовании качества воды Великих Озер, в котором пред-320



усматривалось бпределение степени загрязнения воды в системе Великих Озер. Реализация этого договора требовала ряда исследований с целью определения источников загрязнения Великих Озер. Работа одной из групп состояла в исследовании источников загрязнения, связанных с землепользованием.

Миннесота


Иллинойс i

Индиана " Огайо

Рис. VI.9. Часть бассейна Великих Озер, относящаяся к США:

I - государственная граница, 2 - границы штатов, 3 - бассейн Великих Озер, близительные границы бассейна

4 - npui-

G самого начала работы группа столкнулась с проблемой инвентаризации 65 млн. га (160 млн. акров) земли в бассейне Великих Озер. После изучения результатов экспериментального исследования шести округов, при котором использовался численный анализ данных Ландсат 1, международная группа решила применить этот метод для инвентаризации 191 округа, ко-торые составляют часть бассейна Великих Озер, относяшуюся! к США, с площадью примерно 1450x1000 км (900X620 миль),, занимающей часть территории восьми штатов (рис. VI. 9). На территории области расположены леса, озера и болота на севере, сельскохозяйственные угодья на юге и несколько больших муниципальных районов, в том числе жилые, коммерческие и индустриальные.

Исследовательской группе результаты нужны были в двух "формах: 1) геометрически скорректированной цветокодирован-Йой карты категорий землепользования I уровня для каждого 1--859 321.



0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 [104] 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129



0.0113
Яндекс.Метрика