Файл: Лабутина Использование данных ДЗЗ для экомониторинга.pdf

Использование данных дистанционного зондирования для мониторинга экосистем ООПТ

55

Рис. 14. Результаты контролируемой классификации растительных сообществ: 
1 – по методу параллелепипедов, 2 – по методу минимального расстояния,  
3 – по методу максимального правдоподобия

Рис. 15. Изображение, полученное в результате вычитания фрагментов двух 
снимков TM/Landsat 5: 1 – май 1985 г., 2 – май 2009 г., 3 – разностное изобра-
жение, оттенками оранжево-красного цвета показаны вырубки за прошедший 
период 

Методическое пособие

56

Рис. 16. Создание цветного синтезированного изображения, из трех разновре-
менных снимков TM/Landsat 5 в канале 1,55-1,75 мкм: 1 – 1985 г, 2 – 1994 г., 3 – 
2009г. 4 – динамика рекультивации земель на месте открытых разработок бурого 
угля и строительных материалов (при синтезе красный цвет присвоен позднему 
снимку, зеленый – промежуточному, синий – раннему

Использование данных дистанционного зондирования для мониторинга экосистем ООПТ

57

5  Примеры использования ДДз для целей 

мониторинга в разных типах экосистем

В  этом  разделе  приведены  несколько  примеров  работ  по  монито-

рингу  и  картографированию  на  основе  дистанционных  данных  тех 
ландшафтов и их характеристик, которые встречаются на ООПТ Алтай-
ского края. В обзоре сделан акцент на оценке возможностей и методике 
проведенных исследований.

Лесные экосистемы относятся к тем объектам природной сре-

ды, которые наилучшим образом поддаются изучению, картографиро-
ванию  и  мониторингу.  Многолетними  исследованиями  организаций, 
специализирующихся  на  аэрокосмических  методах  изучения  лесов, 
разработаны  методы  использования  аэрокосмической  информации 
для  лесохозяйственной  отрасли  (Сухих,  2005)  и  пути  применения  со-
временных материалов дистанционного зондирования для региональ-
ного  и  глобального  оперативного  картографирования  лесной  расти-
тельности и мониторинга лесов (Барталев и др., 2005). 

Известны также примеры оценки эффективности применения раз-

личных данных ДДЗ для характеристики наиболее типичных элементов 
лесных экосистем. В таблице 3 систематизированы сведения о точности 
определения  характеристик  лесов  при  использовании  аэрофотосним-
ков и космических снимков разного пространственного разрешения в 
сравнении с наземными методами обследования лесов. Видно, что кос-
мические снимки можно использовать в решении разных практических 
задач, но, как правило, в сочетании с фондовыми картографическими и 
таксационными данными, выборочными аэрофотосъемками, наземны-
ми работами, а также с учетом косвенных признаков дешифрирования 
и разновременных космических изображений. Во всех случаях приме-
нение космических снимков сокращает затраты труда и средств на вы-
полнение тех или иных работ и ускоряет сроки их выполнения.

Приведенные данные показывают, что космические снимки c про-

странственным  разрешением  от  10–15  до  30–50  м  (ЕТМ+/Landsat, 
ASTER/Terra (США), HRV/SPOT (Франция), LISS/IRS (Индия) и др) не-
применимы  при  традиционной  технологии  лесоинвентаризации,  так 
как  по  ним  невозможно  определить  основные  биометрические  пара-
метры  насаждений.  Вместе  с  тем  эти  снимки  обладают  повышенным 

Методическое пособие

58

спектральным  разрешением  и  могут  быть  получены  на  одну  и  ту  же 
территорию с известной периодичностью съемки. Это создает дополни-
тельные возможности для классификации лесных формаций, а также 
проведения мониторинга состояния лесного покрова на региональном 
и более высоком уровне с учетом фенологического состояния лесов.

Таблица 3

Возможная точность определения по прямым дешифровочным признакам 

параметров и характеристик отдельных участков лесного фонда 

(таксационных выделов) (по Сухих и Жирин, 2005)

Категории земель, 

классы объектов и 

характеристики

Способы оценки и ошибки определения характеристик лесов (при 

достоверности 0.68)

Наземные  

работы

По 

аэрофото- 

снимкам

По космическим 

фотоснимкам с 

разрешением 7–10 м

По космическим 

изображениям с 

разрешением 20–40 м

Покрытые лесом 

земли

0%

±5%

±10%

±20%

Несомкнувшиеся 

лесные культуры

0%

±30%

Не распознаются

Редины

±20%

±30% ±40% + 50% Перепутываются с насаждениями низкой 

полноты, старыми гарями, марями, вырубками

Вырубки

0%

+10% ±20% +30% Перепутываются со старыми гарями, 

прогалинами, рединами, марями, старыми вырубками

Гари

0%

0%

±20% +30% Перепутываются с марями, 

рединами, старыми вырубками

Прогалины, пустыри

0%

±30% ±50% ±50% Перепутываются с сенокосами, болотами

Нелесные земли:

Болота

0%

+10% ±20% +30% Перепутываются с прогалинами, сенокосами, 

марями, тундрами

Мари, тундры

0%

±10% ±20% ±30% Перепутываются с рединами, болотами, 

гарями

Воды

0%

0%

0%

0%

Усадьбы

0%

0%

± 50%

Не распознаются

Сенокосы

0%

±20% ±50% ±50% Перепутываются с прогалинами, болотами, 

песками, старыми вырубками

Пески

0%

±10% +30% ±50% Перепутываются с сенокосами, прогалинами

Каменистые россыпи

0%

±10%

±50% | ± 50%

Трассы

0%

0%

± 50% ± 50% Перепутываются с дорогами

Дороги

0%

0%

± 50% ± 50% Перепутываются с трассами

биометрические параметры:

Состав насаждений

± 1–2 

единицы

± 1–3 

единицы

Не определяется

Не определяется

Высота, м

+ 7–10%

±10–20%

Не определяется

Не определяется

Возраст, лет

+ 10–40 

лет

+ 10–60

Не определяется

Не определяется

Группа возраста

–

±1

±1–2

Не определяется

Использование данных дистанционного зондирования для мониторинга экосистем ООПТ

59

Полнота (0.3—1,0)

±0.1–0.2 

ед.

+ 0.1–0.2

± 0.2–0.3

Не определяется

Запас древесины (по 

моделям)

±15–25%

+ 15–30%

±20–40%

± 30–50%

Категория состояния 

(5 категорий)

± 1 

категория

± 1 категория

± 2 категории

Участки погибших 

насаждений

Запас сухостоя

±20–30%

± 30–40%

Не определяется

Не определяется

Запас вапежной 

древесины

± 30%

± 50%

Не определяется

Не определяется

Группы насаждений 

(хвойные, лиственные, 

смешанные)

0%

0%

±10%

± 30%

Известны  примеры  детального  изучения  и  картографирования 

лесной растительности на основе различных материалов космических 
съемок  и  с  применением  разных  методов  компьютерной  обработки 
(Князева, 2006; Малышева, Князева, Золина, 2000; Малышева и др., 
2002). Результаты такой оценки приведены в таблице 4. Оценка досто-
верности распознавания классов природных объектов на территориях 
нескольких  национальных  парков  при  автоматизированном  дешиф-
рировании снимков показала ее высокий уровень при использовании 
алгоритма максимального правдоподобия.

Таблица 4 

Достоверность распознавания классов по различным алгоритмам  

для территорий национальных парков в % (по Князевой, 2006)

алгоритм

Способ максимального правдоподобия

Способ ми-

нимальных 

расстояний

Кластеризация

Снимки

МК-4-М, 

1992

МСУ-СК,

1997

МСУ-Э,

1993 

МСУ-Э,

1998

SPOT,

1996 

IRS,

2002

SPOT,

1996

МСУ-Э,

1993

МСУ-Э,

1998

Национальный 

парк / Классы 

водлозерский

лосиный остров

Куршская коса

лосиный 

остров

Лес 

95 

90 

- 

- 

- 

- 

- 

- 

- 

Заболоченный 

лес 

90 

80 

- 

- 

- 

- 

- 

- 

- 

Хвойный лес 

- 

- 

73 

62 

88 

92 

72 

81 

75 

Смешанный лес 

- 

- 

61 

74 

- 

- 

- 

55 

62 

Лиственный лес 

- 

- 

75 

61 

85 

85 

87 

90 

88 

Болота 

93 

60 

38 

43 

- 

75 

- 

- 

- 

Болота с 

водоемами 

90 

70 

- 

- 

- 

- 

- 

- 

- 

Дюны без 

растительности 

- 

- 

- 

- 

100 

99 

100 

- 

- 

Озера 

97 

95 

- 

- 

100 

98 

100 

- 

-