Разработка комплексной методики тематической обработки данных спутникового зондирования для выявления изменения растительного покрова Средиземноморского региона

Во введении обосновывается актуальность темы, степень ее разработанности, цели и задачи исследования, методы исследования, научная новизна, теоретическая и практическая значимость, степень достоверности и апробация результатов исследования.
В первом разделе диссертационной работы выполнен анализ научной литературы по вопросу использования данных спутникового зондирования с целью изучения растительного покрова. Так, нами рассмотрен ряд современных систем дистанционного зондирования космического базирования и проанализированы подходы, которые применяются в современных исследованиях для выявления изменений растительного покрова по данным спутникового зондирования, в том числе, применительно к Средиземноморскому региону. Кроме того, выполнен аналитический обзор существующих методов автоматизированного дешифрирования спутниковых изображений растительного покрова.
Анализ методов выявления изменений по спутниковым изображениям позволил выбрать постклассификационный метод как наиболее адекватный для оценки динамики и трансформаций растительного покрова на локальном уровне. Однако, этот метод имеет ряд недостатков. Во-первых, ошибки результатов независимого автоматизированного дешифрирования разновременных спутниковых изображений могут накапливаться, что приводит, в свою очередь, к снижению достоверности результатов оценки трансформаций растительного покрова. Во-вторых, при оценке достоверности карты трансформаций растительного покрова размер матрицы ошибок растет как 2-я степень от матрицы ошибок по одной дате. Это затрудняет создание контрольной выборки и оценку достоверности полученных результатов, поскольку некоторые трансформации не происходят или происходят редко.
Анализ современных систем спутникового зондирования и методов автоматизированного дешифрирования спутниковых изображений позволил выбрать изображения Landsat в качестве основных спутниковых данных для выявления изменения растительного покрова и выбрать контролируемые попиксельные методы как наиболее адекватные при автоматизированном дешифрировании спутниковых изображений растительного покрова. Однако, смешение значений пикселей многозональных
спутниковых изображений растительного покрова приводит к снижению достоверности результатов автоматизированного дешифрирования. Кроме того, использование разных классификаторов может привести к разной достоверности результатов. Другими словами, выбор классификатора и набора информативных признаков покрова является одной из ключевых задач при использовании контролируемых попиксельных методов. Кроме того, сложность приобретения систематических справочных данных затрудняет создание устойчивой опорной выборки при использовании контролируемых методов для выявления изменений растительного покрова по спутниковым изображениям
Необходимость разработки новых методик тематической обработки данных спутникового зондирования, направленных на преодоление вышеуказанных недостатков, с целью получения детализированных и достоверных информационных продуктов об изменениях растительного покрова Средиземноморского региона на основе спутниковых изображений, определяет актуальность нашего исследования.
Второй раздел диссертационной работы посвящен описанию комплексной методики тематической обработки данных спутникового зондирования для выявления изменения растительного покрова Средиземноморского региона (Рисунок 1). Данная методики состоит из двух типов процедур: а) подготовительные процедуры, к которым относятся процедуры сбора справочных данных, подбора данных спутникового зондирования, а также процедуры расчета индексных изображений, синтезирования зональных и/или индексных изображений, вырезания изображений в пределах территории исследования и т.п.; б) тематические процедуры, к которым относятся все процедуры тематической обработки данных спутникового зондирования, включающие: независимое автоматизированное дешифрирование разновременных данных спутникового зондирования, интеграцию результатов независимого дешифрирования разновременных данных спутникового зондирования, постклассификационные процедуры и выявление изменения растительного покрова. Разработанная комплексная методика включает в себя отдельные специальные методики, направленные на преодоление проблем, возникающих при выявлении изменений растительного покрова по данным спутникового зондирования.

Интеграция результатов независимого дешифрирования разновременных данных спутникового зондирования:
 Составление формализованного описания о возможных и маловероятных трансформациях земного покрова
 Формирование эвристических правил для каждого класса
 Фильтрация возможных накопленных ошибок по составленным решающим правилам
Подготовительные процедуры:
– Подбор и приобретение спутниковых данных – Сбор справочных данных
– Извлечение дополнительных признаков
– Синтезирование признаков
Выбор основных спутниковых данных и подхода к их тематической обработке
Наличие систематических справочных данных
Нет
Да
Да
Существование четких направлений трансформаций земного покрова
Нет
Автоматизированное дешифрирование разновременных данных спутникового зондирования:
 Определение классификационной системы
 Формирование обучающей выборки
 Выделение набора информативных признаков
 Выбор адекватного алгоритма
дешифрирования спутниковых изображений
Идентификация неизмененных участков земной поверхности:
 Подбор оптимального зонального или индексного изображения
 Установление оптимальных пороговых значений
Постклассификационные процедуры:
 Свести все трансформации растительного покрова к генерализованным трансформациям
 Сглаживание результатов тематической обработки спутниковых изображений
 Создание контрольной выборки
 Оценка достоверности результатов тематической обработки
спутниковых изображений и представление данных о неопределенности различных тематических классов
Информация об изменениях растительного покрова:
 Разновременные карты растительного покрова
 Карта трансформаций растительного покрова
 Статистическая информация о:
– динамике площадей оливковых и цитрусовых садов – динамике покрытой лесами площади
– трансформациях растительного покрова
Рисунок 1 – Функциональная схема комплексной методик
идентифицируются по следующей формуле: I (Dx k )   ij
 max ij min
Для создания устойчивой опорной выборки разработана методика идентификации неизмененных участков Средиземноморского ландшафта по разновременным данным спутникового зондирования (Рисунок 2). Предложенная методика позволяет при использовании разностного метода находить ответы на следующие ключевые вопросы: 1) какое зональное или индексное изображение является оптимальным; 2) какие пороговые значения являются оптимальными для обеспечения наиболее достоверных результатов при идентификации неизмененных участков земной поверхности.
Выбор одного из зональных/индексных изображений
Маскировка водных объектов
Создание контрольной выборки
Составление разностного изображения
Создание матрицы ошибок и расчет показателей оценки достоверности результатов
Расчет среднего значения и стандартного отклонения
Идентификация измененных и неизмененных участков на разностном изображении
Установление интервала значений переменной n и шага итерации
Выбор следующего зонального/индексного изображения
Расчет максимального и минимального пороговых значений
Идентификация зонального/индексного изображения и пороговых значений, с помощью которых можно получать наиболее достоверные результаты
Идентифицированные неизмененные участки
Рисунок 2 – Технологическая схема методики идентификации неизмененных участков Средиземноморского ландшафта по разновременным данным спутникового зондирования
Измененные и неизмененные участки на всех разностных изображениях
min (1), все пиксели, принадлежащие неизмененным участкам на разностном изображении I (Dx k ) ,
(ij ) кодируются 1, а измененным – 0, где: Dxk – значения пикселя на разностном
(ij )
изображении в строке i и столбце j; Tmax , Tmin – максимальное и минимальное пороговые
0,еслиDxkT илиDxkT
max ij (ij)  1,еслиT DxkT
значения, которые рассчитываются по формулам: Tmax    n (2), где: μ, σ – значения Tmin n
среднего значения и стандартного отклонения, которые рассчитываются на основе значений пикселей разностного изображения.
Для ослабления эффекта смешения значений пикселей спутниковых изображений классов растительного покрова разработана методика автоматизированного распознавания растительного покрова по спутниковым изображениям с учетом спектрально-текстурных и топографических признаков (Рисунок 3). Данная методика позволяет находить ответы на ключевые вопросы об оптимальном классификаторе и оптимальном наборе признаков.
Зональные изображения (B, G, R, NIR, SWIR1, SWIR2)
Извлечение вегетационных индексов
Извлечение первого главного компонента
Извлечение всех возможных соотношений зональных изображений
Извлечение текстурных признаков
Цифровая модель рельефа ЦМР
Извлечение топографических признаков
Синтезирование всех признаков
Создание обучающей выборки
Определение классификационной системы
Выделение наиболее информативных признаков
Распознавание растительного покрова по алгоритму RF
Распознавание растительного покрова по алгоритму ML
Оценка достоверности распознавания растительного покрова по разным алгоритмам/наборам
Оценка различия в достоверности распознавания растительного покрова по разным алгоритмам/наборам
Создание контрольной выборки
Выбор набора информативных признаков и адекватного классификатора
Распознавание растительного покрова по всем датам
.
Разновременные тематические карты растительного покрова
Рисунок 3 – Технологическая схема методики автоматизированного распознавания растительного покрова по спутниковым изображениям
При оценке различия в достоверности автоматизированного распознавания растительного покрова по разным алгоритмам/наборам выполняется статистический тест Мак-Немара по показателям Хи-квадрата и нормального распределения.
Для ослабления эффекта накопления ошибок при выявлении изменения растительного покрова по постклассификационному методу разработана методика интеграции результатов независимого дешифрирования разновременных данных спутникового зондирования (Рисунок 4). Данная методика позволяет фильтровать возможные ошибки в результатах независимого дешифрирования разновременных данных спутникового зондирования путем применения наборов эвристических правил для каждого класса. Данные наборы составляются на основе формализованного описания о возможных и маловероятных трансформациях типов земного покрова исследуемой территории за рассматриваемый период.
Дешифрирование разновременных спутниковых данных по каждой дате
Однородный набор информативных признаков
Адекватный классификатор
Система классификации
Составление формализованного описания о направлениях трансформаций земного покрова
Формирование эвристических правил для каждого класса
Фильтрация возможных ошибок в результатах независимого автоматизированного дешифрирования разновременных спутниковых изображений
Выявление измененных и неизмененных участков до и после фильтрации возможных ошибок в результатах независимого автоматизированного дешифрирования разновременных спутниковых изображений
Оценка достоверности и различия в достоверности выявления измененных и неизмененных участков до и после фильтрации возможных ошибок в результатах независимого автоматизированного дешифрирования разновременных спутниковых изображений
Сведения о возможностях интеграции результатов независимого дешифрирования разновременных данных спутникового зондирования
Рисунок 4 – Технологическая схема методики интеграции результатов независимого дешифрирования разновременных данных спутникового зондирования
Для получения информации о точности и степени неопределенности полученных оценок разработана методика оценки достоверности выявления изменения растительного покрова по данным спутникового зондирования (Рисунок 5). Предложенная методика позволяет преодолеть проблему сложности создания контрольной выборки для оценки достоверности трансформации растительного покрова по данным спутникового зондирования.
Для сглаживания результатов тематической обработки спутниковых данных выполняется пространственная фильтрация исходной карты путем идентификации тех сегментов, в которых количество связных пикселей одного класса не превышает трех пикселей, и объединить эти сегменты с ближайшим тематическим классом.
Интеграция результатов независимого дешифрирования разновременных спутниковых данных
Наложение результатов тематической обработки спутниковых данных по первой и последней датам
Сведение всех трансформаций растительного покрова к генерализованным трансформациям
Сглаживание результатов (пространственная фильтрация)
Составление тематической карты трансформаций растительного покрова
Получение результатов тематической обработки разновременных спутниковых данных
Сглаживание результатов (пространственная фильтрация)
Составление разновременных тематических карт растительного покрова
Создание стратифицированной случайной контрольной выборки
Фильтрация созданной контрольной выборки
Оценка достоверности составленных карт
Расчет 95-процентного доверительного интервала для площади тематических классов
Информация о достоверности составленных карт и степени неопределенности площади тематических классов
.
Рисунок 5 – Технологическая схема методики оценки достоверности выявления изменения растительного покрова по данным спутникового зондирования
Для оценки достоверности карты трансформаций растительного покрова целесообразно формировать стратифицированную случайную выборку. На основе матрицы создается матрица пропорциональных ошибок, которая дает возможность

95-процентный
следующим уравнениям: j
(w p p2 )
рассчитать показатели оценки достоверности карты трансформаций растительного покрова. Расчет доверительных интервалов для площади различных тематических классов позволяет уточнить оценку площадей с учетом ошибки пропуска и комиссии. Так,
доверительный интервал ( A j  1, 96s A j A ) рассчитывается согласно r
A Ap
.j (3), sAj A
iij ij i 1
(4), где A – общая площадь
1n
рассматриваемых классов; p. j – сумма элементов матрицы пропорциональных ошибок в
столбце j; s A j – стандартное отклонение при оценке площади j-класса; w i – вес i-класса; ni.– сумма элементов матрицы ошибок в строке i; pij – элементы матрицы пропорциональных ошибок в строке i и столбце i; p.j – сумма элементов матрицы
пропорциональных ошибок в столбце j.
Для оценки достоверности разновременных тематических карт растительного
покрова по данным спутникового зондирования следует выполнить фильтрацию контрольной выборки, сформированной при оценке достоверности трансформаций растительного покрова с целью идентификации контрольных точек, находящихся в неизменяемых участках. Затем полученные контрольные точки используются для создания матриц ошибок и расчете показателей достоверности и доверительных интервалов для площади различных классов на разновременных тематических картах растительного покрова.
Третьей раздел посвящен апробации предложенной комплексной методики в центральной провинции Латакии (Сирия). Здесь представлены выполненные этапы работы, приведены результаты проведенных экспериментальных исследований.
Во время исследования в качестве пространственных данных использовались разновременные спутниковые изображения Landsat, полученные 1 ноября 2010 г., 8 октября 2013 г., 16 октября 2016 г. и 6 октября 2018 г. с пространственным разрешением 30 м. Кроме того, была использована цифровая модель рельефа (ASTER GDEM 2) с разрешением 30 м. В качестве справочных пространственных данных использовались изображения Google Earth Pro с детальным пространственным разрешением, полученные в периоды 2009–2010 и 2017–2018 гг.
На основе зональных изображений Landsat рассчитывались следующие индексные изображения: 5 вегетационных индексов: NDVI, NDMI, EVI, SAVI и MSAVI; все 15
i.
возможных соотношений зональных изображений; 8 текстурных признаков, которые рассчитывались на основе первого главного компонента с размером окна 3 × 3 пикселя: среднее, дисперсия, энтропия, различие, второй момент (энергия), корреляция, однородность, контрастность. На основе ASTER GDEM 2 были рассчитаны изображения DEM и SLOPE.
При апробации методики идентификации неизмененных участков Средиземноморского ландшафта по разновременным данным спутникового зондирования сравнивались разностные изображения R, ИК (NIR), ИК (SWIR1), ИК (SWIR2) и NDVI за 2010–2018 гг., значение n было взято в интервале 0,6–1,4 с шагом итерации 0,2. Следует отметить, что если требуется идентифицировать неизмененные участки с целью их использования для создания устойчивой опорной выборки, то значение точности пользователя должно быть достаточно высоким, т.е. ошибки наличия измененных участков в неизмененных участках должны быть минимальными. Анализ зависимости значения точности пользователя неизмененных участков от разностного изображения и значения n (Рисунок 6) показывает, что с увеличением значения n уменьшается значение точности пользователя неизмененных участков. А также показывает, что использование разностного изображения SWIR1 дает наиболее достоверные результаты с значением n ≤ 1.
В настоящем исследовании были использованы идентифицированные неизмененные участки по разностным изображениям SWIR1 в качестве вспомогательных данных при формировании опорной выборки.
Рисунок 6 – Зависимость значения точности пользователя неизмененных участков от разностного изображения и значения n

При апробации методики автоматизированного распознавания растительного покрова по спутниковым изображениям с учетом спектрально-текстурных и топографических признаков на спутниковых изображениях было выделено 7 классов земного покрова, описание которых и количество обучающих пикселей по ним приведены в Таблице 1. Позже классы травяно-кустарниковой растительности и других типов растительности были объединены под названием «прочая растительность».
Таблица 1. Описание выделенных классов и распределение обучающей выборки
Количество пикселей во всех
Класс
Описание класса
эталонах
Цитрусовые сады Оливковые сады
Леса
Травяно- кустарниковая растительность Другие типы растительности Вода Водонепроницаемые поверхности
Земли, засаженные растениями антропогенного
происхождения, в которых преобладают цитрусовые 2211
деревья
Земли, засаженные растениями антропогенного
происхождения, в которых преобладают оливковые 2253 деревья
Земли, покрытые вечнозелеными или смешанными
лесами, в которых преобладают различные виды 2126
деревьев (в основном: сосна, дуб, пихта)
Земли, покрытые травой или кустарником 1047
Земли, засаженные другие с/х культурами (в основном: злаковые и овощные культуры)
1255
Водохранилища, моря и реки 2314
Здания, песок и остальные участки земли, на которых нет растений или воды
2243
Набор наиболее информативных признаков сформировался алгоритмом случайного леса (RF) за 2018 г. Количество деревьев принималось равным 500, а количество случайно используемых признаков в каждом дереве – 6. В набор наиболее информативных признаков входили: все зональные изображения – B, G, R, NIR, SWIR1 и SWIR2; вегетационные индексы – NDVI и EVI; соотношения зональных изображений – B/G, B/NIR, B/SWIR1, G/NIR, R/NIR, R/SWIR1, NIR/SWIR2 и SWIR1/SWIR2; текстурные признаки – Tmean и Ts.moment; топографические признаки – DEM и SLOPE.
Общая точность автоматизированного распознавания растительного покрова по алгоритму случайного леса при использовании набора из всех 36 признаков, рассмотренных нами (далее RF36), и по алгоритмам случайного леса и максимума правдоподобия при использовании набора наиболее информативных признаков (далее RF20 и ML20) составила 83,6 %, 87,3 % и 86,4 % соответственно. Для класса оливковых деревьев наилучшая минимальная точность (минимальное значение между точностью
производителя и пользователя) составила 91 % при использовании RF20. Для класса цитрусовых деревьев — 86 % при использовании RF20. Для класса лесов — 88 % при использовании RF20 и RF36. Для класса прочей растительности — 79 % при использовании RF20. Рассчитанные значения (χ2 = 4,9) и (|z| = 2,5) больше, чем критические табулированные значения (χ2 = 3,84) и (|z| = 1,95) показывают, что существует статистически значимое различие в достоверности автоматизированного распознавания растительного покрова при использовании алгоритмов RF20 и RF36 при уровне значимости 5 %. Аналогичным образом проведенный тест Мак-Немара показывает, что существует статистически значимое различие в достоверности автоматизированного распознавания растительного покрова при использовании алгоритмов RF20 и ML20 при уровне значимости 5 %, поскольку рассчитанные значения (χ2 = 7,2) и (|z| = 2,8) больше, чем критические табулированные значения.
В настоящем исследовании алгоритм случайного леса и набор наиболее информативных признаков были использованы для автоматизированного дешифрирования данных спутникового зондирования по всем датам. При апробации методики интеграции результатов независимого дешифрирования разновременных данных спутникового зондирования на основе визуального дешифрирования изображений Google Earth Pro создавалась формализованная база знаний о возможных и маловероятных трансформациях типов земного покрова на территории исследования за период 2010–2018 гг. Формализованная база знаний опиралась на следующие данные: 1) не существует трансформаций между водными объектами и растительностью; 2) не происходит трансформаций водонепроницаемых поверхностей в растительность; 3) не встречается трансформаций между лесами и сельскохозяйственными угодьями; 4) трансформации сельскохозяйственных угодий идут в одном направлении: от фруктовых (цитрусовых и оливковых) садов к прочим сельскохозяйственным угодьям; 5) восстановление лесов происходит настолько редко, что им можно пренебречь.
На основе созданной базы знаний для каждого класса формировался набор эвристических правил с учетом двух условий: 1) в каждом эвристическом правиле требуется появление одного из классов в результатах независимого автоматизированного дешифрирования разновременных данных спутникового зондирования как минимум дважды, так как появление некоторого класса только один раз может быть следствием ошибки автоматизированного дешифрирования; 2) трансформация некоторого класса в
другой класс и возвращение к тому же классу за рассматриваемый период времени является невозможной. Пример набора эвристических правил для класса «оливковые сады» приведен в Таблице 2.
Таблица 2. Набор эвристических правил для класса «оливковые сады»
Дата съемки
No 2010 г. 2013 г. 2016 г. 2018 г. 2010 г. 2013 г. 2016 г. 2018 г.
Классифицированные значения пикселей Пересчитанные значения 1О≠ООО 2О≠ООО 3≠ОООО 4О≠ООО 5О≠ООО
6 О О ∉ {О, Д, Н} 7≠ОООО 8≠ОООО 9 О О ∉ {О, Д, Н}
О
11 О О ∉ {О, Д, Н}
О – Оливковые сады; Д – Другие типы растительности; Н – Водонепроницаемые поверхности
О О
По составленным эвристическим правилам выполнялась фильтрация возможных ошибок в результатах независимого автоматизированного дешифрирования разновременных спутниковых изображений инструментами пространственного анализа в ArcGIS. Затем составлялась карта изменения земного покрова на основе результатов дешифрирования спутниковых данных по последней и первой датам.
Общая точность выявления изменения земного покрова на территории исследования за период 2010–2018 гг. до и после интеграции результатов независимого дешифрирования разновременных данных спутникового зондирования составила 88,1 % и 91,2 % соответственно. Минимальная точность измененных участков составила 73,0% и 80,1%, а неизмененных участков – 85,6 % и 90,5 % до и после фильтрации возможных накопленных ошибок соответственно. Рассчитанные значения (χ2 = 5,9) и (|z| = 2,6) больше, чем критические табулированные значения. Это показывает, что существует статистически значимое различие в достоверности результатов выявления изменения земного покрова до и после интеграции результатов независимого дешифрирования разновременных данных спутникового зондирования при уровне значимости 5 %.
В настоящем исследовании были интегрированы результаты независимого дешифрирования разновременных данных спутникового зондирования. При апробации методики оценки достоверности выявления изменения растительного покрова по данным спутникового зондирования все трансформации растительного покрова были сведены к интересующим генерализованным тематическим классам. На этой основе была

Карта трансформаций растительного покрова
Разновременные карты растительности
составлена карта трансформаций растительного покрова на территории исследования за период 2010–2018 гг. Легенда составленной карты включает 9 тематических классов, в том числе 3 класса, представляющих трансформации растительного покрова: класс Р–Н представляет трансформацию растительного покрова в водонепроницаемые поверхности; класс Ф–П представляет трансформацию фруктовых садов в прочую растительность. В общем случае, этот класс представляет трансформацию фруктовых (цитрусовых и оливковых) садов в другие сельскохозяйственные угодья; класс Л–П представляет трансформацию лесов в прочую растительность. В общем случае этот класс представляет деградацию лесов. Для оценки достоверности карты трансформаций растительного покрова была сформирована стратифицированная случайная выборка, объем которой составил 990 контрольных точек. Количество контрольных пикселей по каждому классу было установлено как компромисс между двумя критериями: 1) минимальное количество контрольных пикселей по каждому классу составляет 50; 2) требуется сохранить пропорциональность количества контрольных пикселей с площадью каждого класса. Сведения о достоверности поученных оценок приведены в Таблице 3.
Таблица 3. Сведения о достоверности поученных оценок
Тематический класс
О–О (оливковые сады) Ц–Ц (Цитрусовые сады) Л–Л (Леса)
П–П (Прочая растительность) Н–Н (Водонепроницаемые поверхности)
Р–Н
Ф–П
Л–П
pпол % 94 98 98 89
90 73 97
pпро % 87
89 100 95
91 99 89
Тематический класс
Оливковые сады Цитрусовые сады Леса
Прочая растительность Водонепроницаемые поверхности
pпол % 91–94 95–96 99–100 87–89
pпро % 87–90
84–92
94–98
94–96
98–99
Общая точность по всем датам – 92%
82–90
Общая точность – 92%
pпол – точность пользователя p – точность производителя
про
В результате экспериментальной апробации разработанной комплексной методики тематической обработки данных спутникового зондирования получены разновременные тематические карты растительного покрова на территории исследования за период 2010–2018 гг. (Рис 7.б), тематическая карта трансформаций растительного покрова на территории исследования за период 2010–2018 гг. (Рис 7.а), а также статистическая информация об изменениях растительного покрова на территории исследования за период 2010–2018 гг., включая динамику площадей оливковых и цитрусовых садов, динамику покрытой лесами площади, а также трансформации растительного покрова (Рис 7.в–д).

а. Тематическая карта трансформаций растительного покрова исследуемой территории за 2010–2018 гг.
в. 95-процентный доверительный интервал для площади тематических классов на карте трансформаций растительного покрова
б. Разновременные тематические карты растительного покрова исследуемой территории за 2010–2018 гг.
г. Динамика площадей фруктовых садов за 2010–2018 гг.
д. Динамика покрытой лесами площади за 2010–2018 гг.
Рисунок 7. Информационные продукты, отражающие изменения растительного покрова исследуемой территории за 2010–2018г
22
Анализ результатов проведенных экспериментальных исследований по апробации разработанной комплексной методики позволяет сделать следующие выводы:
1) При использовании набора наиболее информативных признаков общая точность автоматизированного распознавания растительного покрова по алгоритму RF увеличивалась на 3,7 % по сравнению со случаем использования всех 36 признаков, рассмотренных нами. Такое различие в достоверности показало статистическую значимость при уровне значимости 5 %. Это указывает на актуальность выделения наиболее информативных признаков именно в случае использования большого количества дополнительных спектральных признаков, которые не являются независимыми.
2) Хотя использование алгоритмов RF и ML не дает большого различия в общей точности автоматизированного распознавания растительного покрова 87,3 % и 86,4 % соответственно, это различие показало статистическую значимость при уровне значимости 5 %. Вместе с тем, оценка минимальной точности автоматизированного распознавания всех выделенных классов растительного покрова показывает, что использование алгоритма RF дает более достоверные результаты, чем алгоритм ML. Это демонстрирует эффективность применения алгоритма RF для автоматизированного распознавания растительного покрова Средиземноморского региона с учетом спектральных и топографических признаков, что согласуется с результатами исследований, которые проводились на других территориях Средиземноморского региона.
3) При интеграции результатов независимого дешифрирования разновременных спутниковых данных общая точность выявления изменения земного покрова на территории исследования увеличилась на 3.1 %. Такое различие в достоверности показало статистическую значимость при уровне значимости 5 %. Это указывает на актуальность исследования возможности применения такого подхода при выявлении изменения растительного покрова по данным спутникового зондирования
4) Общая точность разновременных тематических карт растительного покрова по всем датам составила 92 %. А также общая точность карты трансформаций растительного покрова составила 92 %, что свидетельствует о высокой эффективности применения разработанной методики для оценки изменений растительного покрова на локальном уровне пространственного охвата.
ЗАКЛЮЧЕНИЕ
Основным итогом выполненных в диссертационной работе научных исследований является разработка и апробация комплексной методики тематической обработки данных спутникового зондирования для выявления изменения растительного покрова Средиземноморского региона.
С практической точки зрения разработанная комплексная методика тематической обработки спутниковых изображений позволяет на основе данных спутникового зондирования (Landsat и ASTER GDEM 2) создать разновременные тематические карты растительного покрова и карта трансформаций растительного покрова Средиземноморского региона с высокой точностью. А также, позволяет получить статистическую информацию, сопряженную со сведениями о точности и степени неопределенности выявленных изменений растительного покрова.
Разработанная комплексная методика тематической обработки спутниковых изображений вносит значительный вклад в ослабление неблагоприятных эффектов, возникающих при автоматизированной обработке спутниковых изображений растительного покрова, таких как смешение значений пикселей спутниковых изображений классов растительного покрова и накопление ошибок независимого автоматизированного дешифрирования разновременных спутниковых изображений.
Рекомендации по использованию результатов настоящего исследования.
Предложенная комплексная методика может служить основанием для разработки системы оперативного спутникового мониторинга растительного покрова Сирийского Средиземноморского региона. Разработанные отдельные специальные методики тематической обработки данных спутникового зондирования могут использоваться для повышения достоверности картографирования и выявления изменения растительного покрова практически в любых регионах.
Перспективы дальнейших исследований для совершенствования методики тематической обработки данных спутникового зондирования с целью выявления изменения растительного покрова Средиземноморского региона заключаются в поиске возможности использовать временной ряд спутниковых данных для повышения достоверности распознавания типов растительного покрова, в привлечении данных других спутниковых систем, а также в применении предложенной методики на других территориях Средиземноморского региона.