Леса россии

ГЛАВА 1. АНАЛИЗ ВОЗМОЖНОСТЕЙ ИСПОЛЬЗОВАНИЯ МЕТОДОВ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ДЛЯ РЕГИОНАЛЬНОЙ ОЦЕНКИ ЭКОЛОГИЧЕСКОГО СОСТОЯНИЯ ЛЕСОВ

Московская область относится к регионам с высокой плотностью населения и развитым промышленным потенциалом, что создает значительную антропогенную и рекреационную нагрузку на лесные экосистемы. Лес, как открытая экологическая система, находится в непрерывном взаимодействии с факторами окружающей среды, действие которых может отрицательно сказаться на жизнедеятельности лесного биогеоценоз а. По некоторым данным в регионе выявлен о 37 зон загрязнения, охватывающих 165 тыс. га земель, покрытых лесами. В этих зонах насчитывается около 23,5 тыс. источников загрязнения, выбрасывающих в атмосферу свыше 300 тыс. т. вредных примесей в год. Поллютанты приводят к видимому ухудшению состояния деревьев, а также могут привести к существенной трансформации продуктивности и биоразнообразия лесных сообществ.
Технологии дистанционного зондирования открывают возможность создания систем мониторинг а лесов, включая определение структуры насаждений, выявление крупномасштабных изменений в лесах в результате воздействия пожаров, вырубок и других возмущающих факторов, оценку индикаторов состояния лесной растительности. Как комплексная задача разработка методики региональной оценки экологического состояния лесов требует проведения много дисциплинарных исследований в области физических аспектов дистанционного зондирования, алгоритмов анализа спутниковых данных, методов пространственного моделирования и ГИС-технологий. При этом выбор объектов и режимов мониторинг а лесов, а также набора изме-ряемых параметров, должен обеспечивать возможность их прямого или опосредованного использования для оценки индикаторов состояния лесных экосистем и их реакций на факторы негативного воздействия.
В ряде случаев проведение региональной экологической оценки со-стояния лесов, требует высокой детальности наблюдений при обеспечении их регулярности, что обуславливает целесообразность комбинированного использования материалов зондирования с различных спутниковых приборов. При этом, комбинация данных среднего (например, Terra/Aqua-MODIS) и высокого (например, Landsat-ETM+ или SPOT-HRV) пространственного разрешения является одним из путей оперативного получения сведений о количественных и качественных показателях состояния лесов с высоким уровнем точности по отдельным территориальным образованиям или региону в целом.
Для экологической оценки лесов по спутниковым данным целесооб-разно использовать индикаторы, отражающие степень покрытия территории лесами, породный состав насаждений и их физиологическое состояние.
Лесистость, как отношение покрытой лесами площади к площади ре-гиона, относится к числу основных характеристик, а ее оценка по спутниковым изображениям высокого пространственного разрешения, как правило, обеспечивается с высоким уровнем надежности. При использовании данных низкого или среднего разрешения такого рода оценка сопряжена со значительными погрешностями, в особенности для территорий с фрагментированным лесным покровом.
Одним из возможных подходов для оценки лесистости на больших территориях при обеспечении высокого уровня точности является комбинированное использование спутниковых изображений MODIS и Landsat-ETM+. При этом оптимально сочетание полного покрытия региона данными MODIS с репрезентативной выборкой изображений высокого разрешения. Получаемые при этом по изображениям Landsat-ETM+ опорные значения лесистости могут использоваться для коррекции результатов обработки данных среднего пространственного разрешения.
Интенсивная хозяйственная деятельность или воздействие других возмущающих факторов часто приводит к смене породного состава лесов, и, в частности, к сокращению участия хвойных насаждений в лесном покрове. Во многих случаях формирующиеся после вырубок и пожаров вторичные леса характеризуются преобладанием лиственных и смешанных насаждений в течение достаточно продолжительного периода. В этой связи доля участия чистых хвойных насаждений в лесном покрове может служить одной из характеристик экологического состояния лесов в условиях долгосрочной антропогенной нагрузки. Физиологическое состояние лесов в значительной степени определяется соде ржанием хлорофилл а и уровнем влагообеспеченности зеленых фракций древесной растительности. Непосредственное определение абсолютных значений этих показателей по данным дистанционного зондирования в настоящее затруднено и требует дополнительных наземных измерений. В этой связи целесообразно использовать относительные показатели, получаемые на основе спектральных индексов, коррелирующих с уровнем обеспеченности растений хлорофилл ом и влагой, в качестве которых могут использоваться нормализованный разностный индекс растительности NDVI и индекс влагообеспеченности NDWI, определяемые по спектральному отражению в видимом, ближнем и среднем И К диапазонах спектра.
К особенностям предложенного в настоящее работе подхода относится оценка значений указанных спектральных индексов отдельно для хвойных и лиственных насаждений, что продиктован о их различной чувствительностью к воздействию негативных факторов среды. При этом, в отличие от лиственных лесов, значения спектральных индексов для хвойной растительности могут выступать в качестве чувствительного индикатора их состояния. Это объясняется тем, что, не будучи подверженным сезонной дефолиации, хвойные насаждения в условиях повышенного уровня загрязнения окружающей среды аккумулируют в вегетативных органах значительно более высокий уровень вредных веществ, что проявляется в снижении уровня хлорофилл а и влагосо-держания, и как следствие в более высоком уровне угнетения хвойных де-ревьев. Данное положение нашло подтверждение в результатах экспериментальных исследований, выполненных в рамках диссертационной работы.
С целью обеспечения сопоставимости и возможностей совместного анализа индикаторов состояния лесов, получаемых по спутниковым данным различного пространственного разрешения, снижения влияния случайных факторов, а также удобства пространственного моделирования в среде ГИС предложенная методика предполагает осреднение характеристик состояния лесов в ячейках покрывающей территорию регулярной сети. Исходя из необходимости обеспечения репрезентативности получаемых оценок и пространственного разрешения изображений MODIS, используемых в качестве одного из основных источников спутниковых данных для исследований, было признан о целесообразным использовать ячейки сети с размером 10х10 км.
Представленная на рисунке 1 логическая схема отражает основные этапы предложенной методики региональной оценки экологического состояния лесов по спутниковым данным. Как следует из схемы, для апробации методики на примере Московской области используются приборы MODIS (250 м) и Landsat-ETM+ (28,5 м) в качестве основных источников спутниковых данных. При этом данные MODIS обеспечивают полное покрытие региона и используются в сочетании с репрезентативной выборкой изображений высокого разрешения.
Предварительная обработка спутниковых данных призван а обеспечить их более эффективный тематический анализ за счет снижения влияния мешающих факторов. Так предварительная обработка ежедневных данных наблюдений прибором MODIS направлена на формирование очищенных от влияния облачного покрова композитных изображений региона путем селекции данных за некоторый период наблюдений на основе набора заданных критериев. Предварительная обработка данных Landsat-ETM+ включает в себя их географическую привязку и взаимную радиометрическую нормализацию, и направлена на обеспечение возможности совместной классификации совокупности спутниковых изображений на регион исследований с целью снижения временных затрат на этапе тематической обработки.
На первом этапе тематического анализа изображений предусматривается построение карт лесов по результатам независимой классификации обоих видов спутниковых данных. Набор классов, выделяемых в ходе анализа спутниковых данных, должен обеспечивать отделение покрытых лесом от непокрытых лесом участков, а также подразделение покрытых лесом территорий на хвойные, лиственные и смешанные насаждения. Целесообразно также выделять хвойные насаждения с преобладанием светло хвойных (сосна) и темно хвойных (ель, пихта) пород. В качестве источника вспомогательных данных для классификации изображений могут использоваться лесоустроительные и другие тематические карты, отражающие территориальное распределение лесов региона и их породный состав. Интеграция полученных по результатам классификации изображений MODIS данных о ха рак-теристиках лесов в базу данных ГИС предваряется выполнением калибровки с использованием результатов анализа изображений высокого разрешения. Предложенной методикой предлагается восстановление вида и параметров калибровочных функций путем регрессионного анализа, в качестве входных переменных для которых используются значения лесистости для ячеек сети, полученные по спутниковым изображениям среднего и высокого разрешения.
Полученные в результате классификации изображений MODIS маски хвойных и лиственных лесов используются на дальнейших этапах для вы-числения в ячейках сети средних значений индексов NDVI и NDWI, отра-жающих физиологическое состояние насаждений в части обеспеченности их хлорофилл ом и водой.

При этом целесообразно установить связь значений спектральных индексов с независимыми данными об антропогенной нагрузке на экосистемы, которая, в частности, может выражаться в уровне загрязнения атмосферы и почв вредными веществами.
Получаемые данные об индикаторах экологического состояния лесов позволяют формировать постоянно обновляемую базу данных в составе ГИС по лесам региона. Банк данных ГИС должен также включать в состав информационного обеспечения ряд дополнительных баз данных и цифровых карт.

Глава 2. КАРТОГРАФИРОВАНИЕ ЛЕСОВ ПО МНОГОСПЕКТРАЛЬНЫМ СПУТНИКОВЫМ ДАННЫМ ВЫСОКОГО ПРОСТРАНСТВЕННОГО РАЗРЕШЕНИЯ

Предложенная методика региональной экологической оценки лесов предусматривает использование репрезентативной выборки данных спутниковых наблюдений высокого пространственного разрешения для классификации лесного покрова и оценки таких ключевых индикаторов как лесистость и доля чистых хвойных насаждений в составе покрытой лесом площади. Одним из широко используемых в настоящее время источников спутниковых данных высокого разрешения является портал программы Global Land Cover Facility (GLCF http: // glcf. umiacs. umd. edu). Отобранный из архива набор изображений Landsat ETM+ включал в себя пять спутниковых сцен с незначительным влиянием облачности и максимально возможно приближенных по фазе фенологического развития растительности. Схема покрытия области изображениями Landsat ETM+ представлен а на рисунке 2.
Рис.2 Схема покрытия Московской области данными Landsat-ETM+
Используемые в работе изображения были приведены в проекцию UTM на эллипсоиде WGS84, а уточнение их взаимной пространственной привязки производилось методом аффинных преобразований по опорным точкам в зоне перекрытия изображений с уровнем погрешности, не превы-шающей размера одного пик селя.
При построении карт лесов регионального уровня с использованием данных высокого пространственного разрешения, как правило, для обеспечения полного покрытия территории приходится использовать совокупность неоднородных по времени и условиям спутниковой съемки изображений. При этом возникает задача разработки методов использования разнородных изображений с целью минимизации временных затрат и объема необходимых опорных данных при условии обеспечения достаточной тематической точности и информационной детальности получаемых карт.
Один из возможных подходов к решению этой задачи предполагает первоначальное проведение взаимной яр костной нормализации изображений с целью их последующей совместной классификации. В основу метода яр костной нормализации изображений, полученных одним и тем же прибором дистанционного зондирования, положен о предположение о том, что, при отсутствии качественных изменений лесов в период между двумя датами наблюдений, различия регистрируемой яркости, прежде всего, связаны с изменениями характеристик пропускания и рассеяния излучения атмосферой, а также фенологической динамикой растительности. При этом была принята линейная модель аппроксимации связи между значениями яркости на уровне прибора дистанционного зондирования Ra и на нижней границе атмосферы R, согласно следующему выражению:
Ra = ?g(Ratm + kR) (1),
где:
Ra – яркость подстилающей поверхности на верхней границе атмосферы;
Ratm – яркость отраженного атмосферой излучения;
R – яркость подстилающей поверхности на нижней границе атмосфе-ры;
?g – коэффициент пропускания атмосферы;
k – коэффициент, зависящий от функции пропускания атмосферы и геометрических условий наблюдения.
Использование линейной модели (1) позволяет выразить следующим образом связь значений яркости для одного и того же участка на двух различающихся временем получения изображениях:
CN1 = aCN2 + b (2),
где: CN1 и CN2 – уровни яркости участка поверхности в различные моменты наблюдений; a и b — коэффициенты уравнения.
Использование выражения (2) позволяет предложить простой метод взаимной яр костной нормализации спутниковых изображений, пред пола-гающий реализацию описанных ниже последовательных этапов.
На первом этапе производится выбор базового изображения, макси-мально возможно отвечающего следующей группе условий:
• наличие областей взаимного перекрытия базового изображения с максимально большим числом спутниковых изображений для региона наблюдения;
• наличие в зонах перекрытия изображений участков, соответствующих различным, характерным для региона наблюдения, типам лесов;
• соответствие даты наблюдения базового изображения наиболее благоприятной для картографирования лесов фазе фенологического развития растительности.
Следующий этап метода взаимной яр костной нормализации направлен на формирование сети опорных участков в зонах перекрытия спутниковых изображений для оценки значений коэффициентов уравнения (2). Опорные участки в зонах перекрытия соответствующих пар изображений выбираются визуально на покрытых лесом территориях исходя из следующих условий:
• количество опорных участков должно удовлетворять критериям статистической репрезентативности для линейного регрессионного анализа получаемых данных;
• выбранные опорные участки должны обеспечивать максимально широкий охват типов лесных насаждений, различающихся уровнем спектральной яркости;
• опорные участки должны быть свободны от влияния облачности;
• изображения опорных участков не должны содержать признаков качественных изменений лесов в период между датами получения спутниковых изображений.
При этом площадь каждого опорного участка на изображении должна превышать площадь пик селя в несколько раз, что позволяет при последующей оценке средних значений яркости внутри участков скомпенсировать влияние случайных факторов.
Измеренные пары значений средней спектральной яркости для опор-ных участков в зонах перекрытия изображений используются для оценки методом линейного регрессионного анализа значений коэффициентов уравнения (2) независимо для каждого канала. Получаемые при этом значения линейной корреляции R2 могут служить критерием достоверности оценок коэффициентов уравнения и, следовательно, потенциальной эффективности взаимной яр костной нормализации пары изображений.
Завершающим этапом процедуры нормализации является по канальное преобразование спутникового изображения с использованием коэффициентов линейного уравнения с целью компенсации яр костных различий на покрытых лесом территориях.
В соответствии с указанными выше критериями в зонах перекрытия изображений было выбран о по 30 опорных участков размером 3х3 пик селя. Полученные значения коэффициентов уравнения регрессии и корреляции для пары спутниковых изображений представленные в качестве примера в таблице 1. Как видно из приведенных данных, наиболее высокие значения R2 характерны для спектральных каналов TM4 и TM5, в то время как значение коэффициента корреляции для TM3 может свидетельствовать об относительно невысокой эффективности нормализации изображений в данном канале.
Таблица 1
Пример значений коэффициентов уравнения регрессии и корреляции при яр костной нормализации изображений (на примере сцен №2 и №5)
Канал Коэффициенты уравнения R2
a b
TM3 0.45 18.4 0.50
TM4 0.70 18.6 0.90
TM5 0.95 4.3 0.94
TM7 0.84 3.7 0.80

Оценка эффективности нормализации выполнялась с учет ом ее влия-ни я на возможности распознавания типов лесов, а ее основой служило сравнение значений критериев внутри классовой изменчивости (стандартное отклонение уровней яркости внутри класса) и меж классовой раз делимости (трансформированная дивергенция) до и после нормализации (таблицы 2 и 3). Влияние яр костной нормализации на гистограммы яркости лесного покрова демонстрируется приведенными на рисунке 3 графиками.
Таблица 2
Оценка влияния взаимной нормализации изображений на величину стандартного отклонения спектральной яркости классов лесного покрова
Класс лесных насаждений
Темно хвойные Светло хвойные Лиственные
TM3 TM4 TM5 TM3 TM4 TM5 TM3 TM4 TM5
До нормализации 3.8 7.1 5.5 4.7 12.0 9.1 8.3 10.3 7.4
После нормализации 2.3 4.7 5.1 3.9 7.4 7.7 4.8 6.5 6.7

Табликца 3
Влияние взаимной нормализации изображений на значения трансформированной дивергенции между классами лесного покрова (до нормализации / после нормализации)
Тип леса Темно хвойные Светло хвойные Лиственные
Темно хвойные 0.00 1265.68 / 1686.26 1334.06 / 1897.91
Светло хвойные 1265.68 / 1686.26 0.00 686.23 / 967.74
Лиственные 1334.06 / 1897.91 686.23 / 967.74 0.00

Рис.3 Влияние яр костной нормализации изображений Landsat-ETM на гистограмму яркости леса в спектральных каналах TM3 (слева) и TM4 (справа). Гистограммы яр костей до и после нормализации по казаны соответственно сплошной и пунктирной линиями.
Для классификации совокупности радиометрически нормализованных изображений Landsat-ETM+ были использованы спектральные каналы TM3, TM4, TM5 и ТМ7, как наиболее информативные для изучения растительности. Предварительная оценка возможностей классификации лесов по данным Landsat-ETM+ продемонстрировала достаточно высокую точность распознавания классов темно хвойных, светло хвойных, лиственных и смешанных на-саждений. Использование алгоритма неконтролируемой классификации ERDAS ISODATA позволило выделить на первом этапе 200 спектральных кластеров, последующая визуальная интерпретация которых была проведена с при влечением карты растительности Московской области и анализа сигнатур кластеров в пространстве яр костей в каналах TM3 и TM4.
Необходимость повышения точности распознавания темно хвойных лесов, частично перепутываемых с тенями от облаков и участками водной поверхности в прибрежных зонах, потребовала дополнительной тематической обработки спутниковых изображений. Повторная классификация изображений была выполнен а только для пикселей отнесенных на предыдущем этапе к указанной совокупности классов с использованием текстурного признака, характеризуемого значениями дисперсии яростей в скользящем окне размером 5х5 пикселей. При этом для участков водной поверхности, как пространственно более однородных, характерны относительно низкие значения признака, что позволило улучшить точность классификации темно хвойных лесов. Дальнейшее улучшение точности выделения темно хвойных лесов было направлен о на исключение ошибочно классифицированных участков теней от облаков. Это обеспечивалось процедурой пространственного анализа изображений в окрестности предварительно выявленных участков облачного покрова, детектированных по высоким значениям спектральной яркости во всех используемых спектральных каналах.
Результатом классификации спутниковых изображений Landsat-ETM+ стала карта лесов для части территории Московской области. Сравнительные данные о лесистости ряда лесохозяйственных предприятий области, полученные с использованием полученной карты и материалов Государственного учет а лесов (ГУЛ) РФ по состоянию на 1998 год, представлены на рисунке 4.

Рис.4 Связь данных о лесистости для лесхозов Московской области по результатам классификации Landsat ETM+ и материалам ГУЛ (1998 г)

ГЛАВА 3. РЕГИОНАЛЬНАЯ ЭКОЛОГИЧЕСКАЯ ОЦЕНКА ХАРАКТЕРИСТИК СОСТОЯНИЯ ЛЕСОВ ПО МНОГОСПЕКТРАЛЬНЫМ СПУТНИКОВЫМ ДАННЫМ MODIS

Для проведения экспериментальных работ был использован набор очищенных от влияния облачного покрова сезонных композитных изображений, полученных по данным прибора Modis со спутника Terra. Полученные данные обеспечивают полное покрытие территории области и включают композитные изображения для летнего (июнь-август) и зимнего (декабрь-февраль) периодов 2002 года. При этом использовались данные наблюдений с пространственным разрешением 250 м в красном (620-670 нм) и ближнем инфракрасном (841-876 нм) спектральных диапазонах и разрешением 500 м в среднем инфракрасном (1628-1652 нм) диапазоне.
На первом этапе была выполнен а классификация изображений MODIS для построения карты лесов области с выделением темно хвойных, светло хвойных, лиственных и смешанных лесов. Классификация выполнялась в два последовательных этапа с применением алгоритма кластерного анализа ERDAS ISODATA на основе совместного использования изображений летнего и зимнего периода спутниковых наблюдений. На первом этапе был выполнен кластерный анализ зимнего изображения с последующей тематической интерпретацией спектральных кластеров, позволившей построить бинарную маску покрытия территории области лесами. Последующая более детальная классификация типов лесов проводилась по данным MODIS, полученным в летний период. При этом в рассмотрение принимались только пик сели, включенные в бинарную маску лесов на предыдущем этапе. Такая последовательность использования разно сезонных спутниковых изображений позволяет достаточно просто исключить ошибки, связанные с перепутыванием классов, относящихся к покрытым и непокрытым лесом территориям.
Оценка по данным MODIS значений спектральных индексов, отра-жающих относительное содержание хлорофилл а и влагообеспеченность лесной растительности, проводилась согласно следующим выражениям:
NDVI = (NIR – RED) / (NIR + RED) (3)
NDWI = (NIR – SWIR) /(NIR + SWIR) (4)
где NDVI — нормализованный разностный индекс растительности; NDWI — нормализованный разностный индекс влагосодержания; RED, NIR и SWIR – соответственно значения спектральной яркости в каналах 620-670 нм, 841-876 нм и 1628-1652 нм.

ГЛАВА 4. ГИС-АНАЛИЗ ЭКОЛОГИЧЕСКОГО СОСТОЯНИЯ ЛЕСОВ МОСКОВСКОЙ ОБЛАСТИ

Возможность комплексной экологической оценки состояния лесов Московской области на основе результатов обработки данных спутниковых наблюдений и информации из других источников может быть обеспечен а интеграцией имеющихся данных в среду ГИС, обладающей эффективными средствами анализа и представления разнородной пространственной информации. Решение этой задачи потребовало формирования банка данных, являющегося информационным ядром региональной ГИС и включающим в себя ряд взаимосвязанных цифровых картографических слоев и атрибутивных таблиц, характеризующих различные аспекты состояния лесов региона и организации территории.
Согласно принятой методологии ГИС-анализа предусматривается интеграция результатов обработки спутниковых изображений на уровне ячеек, покрывающей территорию области, регулярной сети. Размер ячеек (10х10 км) сети выбран исходя из условий обеспечения статистической репрезентативности интегральных оценок, получаемых по спутниковым данным MODIS, а также уровня пространственной детальности необходимых для проведения анализа вспомогательных данных об антропогенной нагрузке на территорию области. Регулярная сеть на территорию области, сформированная в проекции UTM на эллипсоиде WGS84, включает в себя 553 ячейки.
Основу банка данных региональной ГИС составляет база данных об индикаторах экологического состояния лесов по данным спутниковых на-блюдений. В атрибутивной таблице базы данных для каждой ячейки сети содержатся значения таких показателей как: лесистость, доля хвойных насаждений в покрытой лесом площади, а также значения NDVI и NDWI отдельно для хвойных и лиственных лесов.
Наряду с базой данных об индикаторах экологического состояния лесов, информационное обеспечение ГИС включает базу данных по антропогенной нагрузке, базу данных ГУЛ для лесохозяйственных предприятий, а также вспомогательные векторные слои границ ячеек регулярной сети, границ административных районов и лесохозяйственных предприятий, покрытия с информацией о дорожной сети и населенных пунктах. Все перечисленные базы данных были сформированы в среде ArcView GIS 3.2. в виде согласованных картографических слоев и атрибутивных таблиц.
Относительная близость времени получения обоих видов спутниковых данных (Landsat-ETM+ и Terra-MODIS) обеспечивает возможность их совместного использования без учет а изменений в лесах в период между наблюдениями. Регрессионный анализ данных о лесистости, полученных по обоим видам спутниковых данных, проводился для совокупности ячеек регулярной сети в зоне покрытия территории области изображениями Landsat-ETM+ (рис.5).

СПИСОК ПУБЛИКАЦИЙ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Барталев С. С., Оценка индикаторов состояния лесов Московской области по данным спутниковых наблюдений. // Электронный многопредметный научный журнал «Исследован о в России» том 9 стр.948-958
2. Барталев С. С., Исследование возможностей классификации лесов Московской области по данным Landsat-ETM+. // Сборник трудов Х межвузовского научно-практического семинара студентов, аспирантов и молодых ученых Московского региона по актуальным проблемам экологии и природопользования стр.114-120
3. Мельник Н. Н., Барталев С. С., Применение информационных систем в целях оптимизации деятельности агропромышленного и рыбохозяйственного комплексов // Вестник, электротехнологии, электрификации и автоматизации сельского хозяйства. Научный журнал под редакцией Т. Б. Лещинской. Выпуск №3 (13). Раздел информационные технологии. стр.151-154
4. Бар талёв С. С., Малинников В. А., Взаимная яр костная нормализация спутниковых изображений при региональном картографировании лесов. // Известия высших учебных заведений специальный выпуск 2006 г. стр.83-92
5. Бар талёв С. С., Малинников В. А., Возможности региональной экологической оценки лесов по данным спутниковых наблюдений. // Известия высших учебных заведений. Геодезия и аэрофотосъёмка. №6 2006 г. стр.3-18
6. Бар талёв С. C., Малинников В. А., Эксперименты по региональной оценке характеристик экологического состояния лесов с использованием данных спутниковых наблюдений и ГИС-технологий. Четвёрта я всероссийская открытая конференция «Современные проблемы дистанционного зондирования Земли из космоса» Москва, ИКИ РАН, 13-17 ноября 2006 г. Сборник тезисов конференции стр. 202