Войти на сайт
МЕЖДУНАРОДНЫЕ ЕЖЕГОДНЫЕ КОНФЕРЕНЦИИ
"СОВРЕМЕННЫЕ ПРОБЛЕМЫ ДИСТАНЦИОННОГО
ЗОНДИРОВАНИЯ ЗЕМЛИ ИЗ КОСМОСА"
(Физические основы, методы и технологии мониторинга окружающей среды, природных и антропогенных объектов)

Девятая всероссийская открытая ежегодная конференция
«Современные проблемы дистанционного зондирования Земли из космоса»
Москва, ИКИ РАН, 14-18 ноября 2011 г.
(Физические основы, методы и технологии мониторинга окружающей среды, природных и антропогенных объектов)

IX.F.237

Картирование экотона горной лесотундры с использованием объектно-ориентированного подхода

Шестакова Т. А.
Сибирский федеральный университет
Цель данной работы – провести анализ пространственно-временной динамики экотона горной лесотундры Центрального Алтая (хребет Кабак-тайга, горный массив Акташ) и оценить гипотезу о связи современного состояния лесного покрова с наблюдаемым в последние десятилетия изменением климата. В качестве информационной базы были приняты три набора космических снимков: Landsat (приборы MSS, TM, ETM+), Corona (KH-9) и QuickBird.
На первом этапе решения поставленной задачи было необходимо произвести классификацию спутниковых изображений с целью выделения на них лесистых участков. Поскольку в данной работе используются космоснимки сверхвысокого разрешения, то это потребовало использования нестандартных методов их дешифрирования. Так, если для обработки снимков Landsat успешно применяются стандартные «попиксельные» алгоритмы классификации, то данные высокого, и тем более сверхвысокого разрешения требуют иных подходов.
Для дешифрирования изображений QuickBird и Corona был использован многофункциональный программный комплекс ENVI, который представляет новые возможности объектно-ориентированного подхода к классификации изображений. Посредством данного пакета на исходных изображениях были выделены 7 классов, включая Forest (лес) и Shadows (тени). Однако статистический анализ полученных классификаций показал достаточно низкую точность выделения участков леса на изображении за счет затененных деревьев.
Для повышения точности классификаций были повторно дешифрированы теневые участки изображения, что позволило отделить затененные древостои от теней, отбрасываемых деревьями. После этого новый класс Shaded Forest был объединен с исходным классом Forest.
Для оценки точности полученных классификаций был использован метод Kappa-статистики, который показал, что после проведения дополнительного дешифрирования затененных участков космических изображений и уточнения исходных классификаций, точность классификации изображений QuickBird увеличилась более чем на 20% (с 71.33% до 94.67%), а общий показатель Kappa-статистики – более чем на 40% (с 0.4267 до 0.8933). Аналогичные показатели для классификации съемки Corona составили – 15% (с 65.00% до 80.00%) и 30% ( с 0.3000 до 0.6000) соответственно.

Дистанционное зондирование растительных и почвенных покровов

387