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

При качественной оценке результатов карта классификации, полученная ЭВМ, визуально сравнивалась с картами лесного покрытия, полученными при «ручном» дешифрировании аэрофотоснимков. Степень их соответствия дала общее представление о качестве вычислений на ЭВМ, но таким образом нельзя было .произвести точные (количественные) сравнения. Что касается качества классификации, то последняя оказалась довольно точной.

При количественной оценке классификации на исследуемую область была наложена сетка и по всей области на некотором расстоянии друг от друга были определены возможные тестовые области, каждая площадью 7,36 га (18,4 акра). Каждая тестовая область представляла собой сегмент квадратной формы со стороной в 16 элементов разрешения и окружающей буферной полосой шириной в один элемент разрешения; последняя была добавлена для того, чтобы сделать поправку на небольшие ошибки совмещения (рис. VI.15).

Это множество потенциальных тестовых областей было наложено на карту типов покрытия, полученную ранее путем дешифрирования аэрофотоснимков, и тестовые области, содержащие более одного типа покрытия, были исключены. В результате этой процедуры осталось 540 тестовых областей, или около 5% (4 тыс. га, или 10 тыс. акров) всей области. Результаты такой оценки (табл. VI.8) показывают, что общая точность классификации 71%, а это довольно хороший результат для •области со сложным рельефом и многообразием типов покрытия. Однако понятно, что эффективный метод включения оцифрованной топографической информации в процесс классифика-

Таблица VI.8

Характеристика классификации типов лесного покрытия

в тестовых областях на основе многоспектральных сканерных данных Скайлаб

Поточечный

Классификатор

Тип покрытия

классификатор,

выборок.

% корректности

% корректности

Вода

94,8

95,8

Снег

100,0

100,0

Пастбища

52,3

67,2

Лиственные деревья

61,7

70,7

63,7

67,5

Осина

54,8

65,4

Хвойные деревья

90,9

91,0

Желтая сосна

72,9

82,9

Дугласия/пихта одноцветная

76,8

79,1

Ель/пихта

50,0

52,7

Всего:

основных типов покрытия

85,0

87,2

, типов лесного покрытия

71,0

76,0



Таблица VI.9

Сравнение оценок площади (в гектарах), полученггых по картам типов

Тип покрытия

Валласито

Пик Гранит

Обнаженная почва

Вода

1,!60

Лугопастбищные угодья

1,021

Осина

2,862

1,609

1,129

Желтая сосна

2,553

1,006

Дугласия и одноцветная пихта

5,368

5,570

4,131

5,198

Ель/пихта и снег

3,496

4,146

9,716

7,813

ции (который не применялся в данном случае) мог привести к значительному улучшению идентификации отдельных типов лесного покрытия.

При применении другого метода количественной оценки типов лесного покрытия - оценки области с различными типами лесного покрытия из классификации данных Скайлаб с помощью ЭВМ - сравнивались с оценками, полученными по картам, составленным ранее на основе аэрофотоснимков. ЭВМ протабулировала число элементов разрешения в тестовой области, классифицированных в каждый исследуемый тип лесногО покрытия, а затем умножила это число на площадь, занимаемую каждым элементом разрешения на Земле. Полученные результаты сравнивались с оценками области, выполненными по аэрофотоснимкам обычными методами дешифрирования. Результаты этого сравнения, проведенного по четырехугольникам, даны в табл. VI.9. Во многих случаях оценки области, полученные из двух источников, абсолютно одинаковы, но иногда различия между ними значительны. Однако что касается больших географических областей, завышенные оценки типа лесного покрытия в одном четырехугольнике часто уравновешивались заниженными оценками этого же типа покрытия в другом четырехугольнике. В результате оценки всей области в самой нижней части таблицы приблизительно равны, что подтверждает вывод о том, что если области относительно большие (например, несколько тысяч акров), точные оценки области типов лесного покрытия можно получить путем машинного анализа многоспектральных сканерных данных ИСЗ.

Пример 3. Картографирование снежного покрова [15]

Требования и цели. Запасы воды большой части юго-запада США пополняются снегом, который выпадает в Скалистых горах, потом тает и течет через расположенные внизу долины. Чтобы эффективно использовать эти важные ресурсы, гидрологи должны уметь точно предсказывать скорость сгока



покрытия (КТП) и методами машинного анализа (ММА)

Горы Людвиг

Горы

Болди

Горы Девил

Всего

1,129

1,131

1,315

2,290

1,114

4,240

1,578

3,945

4,409

2,058

2,150

6,760

7,015

1,114

1,067

2,243

2,259

1,887

1,439

9,096

7,503

5,616

6,159

3,264

6,312

2,831

4,084

12,485

20,114

2,181

1,887

5,136

2,924

8,772

8,354

25,588

24,103

2,212

1,547

1,300

1,021

16,739

14,697

воды в долину. Они искали такие способы определения количества снега, скопившегося за зимние месяцы. Один метод состоял в использовании аэрофотоснимков для определения размеров снежного покрова, другой - в измерении глубины снега в определенных точках. Синоптический вид, который можно получить сейчас с помощью орбитальных спутников, дает гидрологам способ, благодаря которому за короткий период можно обозреть целые бассейны, а также, используя соответствующие датчики, собрать данные, по которым легко определить размеры и состояние снежного покрова больших областей.

Цель анализа в исследовании, кратко описанном здесь, состояла в картографировании размеров снежного покрова в одном бассейне, дифференциации различных спектральных классов пакового снега и сопоставлении этих классов с топографической информацией. После выполнения этих задач гидрологи получат информацию о расположении и размерах снежного покрова, а также сведения для определения количества воды в, снеге.

Выполнимость проекта. То, что картографирование снежного покрова с помощью данных Скайлаб возможно, было показано в более ранних исследованиях, в которых наиболее приемлемыми для решений этой задачи считались каналы среднего инфракрасного диапазона (разд. V.4). До Скайлаб со-спутника можно было получать данные только в видимом и ближнем инфракрасном диапазонах, и проблема отделения областей, покрытых снегом, от облаков затрудняла первые попытки картографирования снежного покрова. Еще в 1973 г. картографирование снежного покрова с помощью изображений Ландсат было ограничено сроками [16]. Данные Скайлаб предоставили возможность картографирования снега со спутника с использованием данных всего диапазона отражательных длин волн.

Планирование и реализация проекта. Тестовый участок, выбранный для картографирования снежного по-



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



0.0083
Яндекс.Метрика