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

уровневой классификации необходимо было выполнить три шага классификации, а так как этот процесс тщательно контролировался аналитиком, точность полученных результатов была на 2,2% выше, чем при использовании стандартных методов контролируемой классификации (99,7% вместо 97,5% для классов снега - облаков и др.), и время на вычисления сократилось на 15,75% (198 с вместо 235 с).

Выходные данные, полученные в результате классификации бассейна р. Лемон, представляли собой: 1) карту снежного покрова, на которой было изображено пять классов снега (рис. VI. 18, между с. 32 и с. 33), и 2) таблицу площади в гектарах всего снежного покрова, а также пяти отдельных классов снега (табл. VI.10). Границы бассейна в данных были выражены цифрами, и поэтому в подготовленной карте и таблице нужны лишь точки, лежащие внутри границ. Интересно отметить, что часто именно выходные данные в виде таблиц приносят большую пользу гидрологу, чем карты, потому что они дают количественное определение площади, покрытой снегом.

Таблица VI.10

Площадь пяти классов снега в бассейне р. Лемон (5 июня 1973 г.)

Бассейн

Площадь, га

Площадь покрытия, %

Вся область

17,866

100,0

Класс снега 1

1,021

» » 2

3,717

20,7

» » 3

3,395

19,0

» » 4

2,221

12,3

» » 5

1,322

Общая площадь снежного покрова

11,676

65,0

Оценивание. Изучение разделения классов снега и облаков ясно указало на то, что снег и облака можно спектрально дифференцировать, если использовать данные в среднем инфракрасном диапазоне спектра. Кроме того, было обнаружено, что возможно определение и картографирование пяти спектральных классов снега и что они тесно связаны с местностью; совмещение цифровых топографических данных с данными Скайлаб показало, что в этих пяти спектральных классах снега в основном повторялись очертания рельефа. С помощью данных о воздухе и температуре, полученных во время 15-минутного прохождения Скайлаб, было определено, что температура в этом районе колеблется от 7 до 15 "С, причем чем ниже высоты, тем выше температура. При такой температуре паковый снег таял, причем снег на более низких высотах таял быстрее. Чем быстрее таял снег, тем больше в нем было воды, что привело к более 22-859 337



низкой отражательной способностн в ближних инфракрасных длинах волн, а это позволило спектрально разделить классы. Способность связывать спектральные классы снежного покрова с местоположением помогает гидрологу в другом отношении.. С помошью этой информации на основе моделей предсказания количества осадков в виде снега можно вычислить скопления снега на различных высотах. Таким образом, объединение оценок о размере снежного покрова на различных высотах, полученных ЭВМ, с информацией о прогнозируемых водных эквивалентах на различных высотах позволяет точно и своевременно предсказывать сток отдельных бассейнов.

Пример 4. Геологическое картографирование [19]

Цели и возможности выполнения. Геоморфологическое картографирование с помошью дистанционного зондирования представляет для аналитика данных задачу, абсолютно отличную от тех, которые мы до сих пор рассматривали. Она относится к геологическим исследованиям. Многоспектральные датчики предназначены для выявления характеристик спектральной отражательной способности объектов поверхности Земли, но исследуемые геологические формы редко находятся на поверхности Земли и редко обнаруживаются непосредственно. Поэтому о типах горных пород можно судить только на основе имеющейся информации о поверхностных материалах.

Исследования показали, что каждый биологический тип покрытия относится к почве с определенным химическим и физическим составом. И, в свою очередь, эти свойства почв во многом зависят от материнской породы. Поэтому геологическое-картографирование с использованием спектральных данных основано на предположении, что горные породы проявят себя как спектрально разделимые классы на земной поверхности. Такое геологическое картографирование является эффективным методом, особенно в тех областях, где на развитие растительности не влияла деятельность человека.

В цели эксперимента, описанного здесь, входило выявление поверхностных форм рельефа в высокогорной пограничной области с помощью анализа измерений спектральной отражательной способности. При применении этого метода было сделано предположение о ботанических, гидрологических и искусственных структурах и, на основе этих данных, о формах рельефа. Окон--чательные результаты должны были показать физико-географическую и геологическую структуру области.

Планирование проекта. Выбранная область иссле--дования, расположенная от 2,3 до 8 км (от 2 до 5 миль) к востоку от Дьюранго, в горах Сан-Хуан на юго-западе Колорадо (США), охватывала 520 км (200 миль). Выбор этой области был обусловлен тем, что вследствие ее относительной аридности она обладала менее сложной экологической системой, чем более-338



влажные области. Общее описание топографии и геологии области есть в работах [20, 21]. При картографировании горных пород для получения из данных необходимой информации могут потребоваться дешифрирование и оценки. Необходимость «ручного» дешифрирования велика, потому что пространственные признаки играют большую роль в разработке окончательных классификаций, а машинные методы обработки пространственной информации еще недостаточно разработаны для такого применения. Тем не менее, классификация с помощью ЭВМ - это важная часть исследования, описанного здесь, и было показано, что в сочетании с «ручным» дешифрированием она дает хорошие результаты.

Реализация. Первичные данные, которые использовались при анализе, были собраны многоспектральным сканером Ландсат 21 августа 1972 г. Был конец лета, и анализ бтой горной области не осложнялся наличием снега. Поскольку Ландсат 1 пролетал над областью примерно в Ю ч 30 мин по местному времени, то во время совмещения данных все обращенные к западу склоны и откосы находились в тени. Справочные данные, •составившие основную географическую информацию об области, были взяты из 1949 карт, разработанных Цапп [22].

Так как с помощью простой классификации спектральных характеристик области нельзя получить соответствующей информации для необходимых окончательных результатов, был разработан метод, основанный на использовании геологических данных, а также неконтролируемой и контролируемой классификациях. Чтобы выбрать представительные обучающие выборки для выделения трех дискретных литологических типов для анализа--песчаника, глинистого сланца и аллювия, которых достаточно для описания всех горных пород исследуемой области, аналитики использовали информацию справочных карт. Тени, имевшиеся в данных, первоначально трактовались как четвертый класс. Для неконтролируемой классификации были выбраны четыре подобласти, каждая из которых включала исследуемые типы горных пород и формы рельефа. С помощью результирующего изображения, воспроизведенного на АЦПУ, было получено надежное визуальное разделение для обучения ЭВМ распознавать два класса из четырех: образы теней и аллювиальные области.

Для дальнейшего разделения обучающих классов геологам необходимо было иметь четкое представление об общих спектральных характеристиках каждого литологического типа и их общем пространственном распределении в обучающей области. Образы теней помогли локализовать склоны с высокой отражательной способностью, поверхностной породой которых является песчаник, а также долины, подстилаемые глинистым Сланцем. По результатам неконтролируемого анализа в данных были локализованы области, содержащие все четыре исследуемых класса, и кластерный анализ зтих областей дал девять .22» 339



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



0.0124
Яндекс.Метрика