Разработка и исследование методики использования индексных для мониторинга лесов

Во введении обосновывается актуальность темы работе, определяется
цель и задачи исследования, сформулирована научная новизна, теоретическая и практическая ценность работы.
Первая глава «Современное состояние мониторинга лесов по разновременным космическим изображениям» посвящена задаче мониторинга лесов и оценке их состояния с использованием данных дистанционного зондирования.
Для мониторинга динамики растительного покрова в конце прошлого столетия начали достаточно широко применяться методы дистанционного зондирования Земли из космоса. Методы дистанционного зондирования предоставляют отличную возможность для анализа процессов, происходящих в лесах на региональном и глобальном уровне. Технологии дистанционного зондирования позволяют контролировать и постоянно выполнять мониторинг состояния лесов.
Выполненный обзор исследований применения космических снимков для мониторинга природных и антропогенных образований показывает, что для эффективного применения данных необходима оптимизация следующих условий:
: – выбор наиболее информативных спектральных каналов используемых космических снимков:
-их пространственное и временное разрешение;
– минимизация влияния внешних факторов;
– выбор инструментария, повышающего достоверность распознавания.
В разделе подробно приведены характеристики различных космических спутников используемых для мониторинга объектов недвижимости, в том
числе лесов.
Анализ выполненных исследований применения разновременных
(разносезонных) космических снимков, полученных в различных спектральных зонах, позволяет утверждать, что повышение достоверности распознавания лесных насаждений и древесных пород предполагает продолжения подобных теоретических и экспериментальных исследований. Обоснование возможности применения вегетационных индексов и создаваемых индексных изображений для мониторинга лесов требует оптимизации методики получения сведений о качественных и пространственных характеристиках различных пород древесной растительности. Данная тематика исследований является целью диссертационной работы.
Во второй главе «Научные основы мониторинга лесов на основе использования индексных изображений» представлено описание особенностей спектрально отражательных характеристик природных объектов, в том числе растительного покрова. Анализ спектральных отражательных характеристик различных пород деревьев позволяет получить необходимые данные для повышения информативности космических снимков и их последующего дешифрирования.
Спектральная отражательная способность лесных насаждений различается и изменяется в значительных пределах. Это объясняется влиянием многообразия природных факторов (сезон, фаза вегетации, угнетённость и т.п.) на их физиологическое состояние.
Красный, ближний инфракрасный и средний инфракрасный каналы (спектральные зоны) являются наиболее информативным для решения задач дистанционного зондирования лесного покрова.
В главе рассмотрены различные вегетационные индексы, которые
могут быть использованы при решении задач мониторинга лесов.
Обоснованы возможности применения этих индексов.
На основе анализа существующих вегетационных индексов выявлено, что
универсальных индексов для изучения лесных покровов не существует, поэтому исходя из решаемых задач изучения объектов, необходимо выбирать оптимальный вегетационный индекс, используемый для создания индексных изображений при мониторинговых работах.
В главе представлена теоретическая разработка обобщённой структурной модели мониторинга лесных насаждений по разновременным зональным
космическим снимкам и определены направления исследований, результаты которых возможно использовать для повышения достоверности автоматизированного дешифрирования (рисунок 1).
В третьей главе «Экспериментальные исследования возможности использования космических снимков для оценки состояния лесов» предложена методика обработки изображений для исследований качественного состояния лесной растительности, состоящая из нескольких этапов. На рисунке 2 представлена разработанная автором технологическая схема (алгоритм) использования космических снимков для исследования качественного состава лесов на исследуемой территории.
Для экспериментальных исследований в качестве исходных материалов были получены снимки со спутников Landsat 5 с разрешением 15 м в панхроматическом и 30 м в мультиспектреальном режиме. Такое разрешение вполне удовлетворяет требованиям для выявления крупных площадей лесной растительности различного породного и возрастного состава. В качестве опорной информации использована таксационная карта на исследуемый участок Лосиного острова, составленная в 1998 году. Карты (1:М= 1:50 000) содержат информацию о породно-возрастном составе древесного массива Лосиного острова.
Для визуальной оценки возможности использования многоканальных снимков аппаратуры Landsat, снимки были преобразованы по методу главных компонент (PCA) (рисунок 3).
Визуальная оценка показала, что в различные сезоны наблюдается дифференциация растительности, которая при сравнении с картой очень близка к изменениям в породном и возрастном составе. Таким образом, есть возможность извлечь информацию о породном и возрастном составе растительности на основе спектральных данных по изображениям с аппаратуры Landsat.
Последующая экспериментальная часть заключается в исследовании изменений вегетационных индексов на участке древесного массива Лосиного острова. Статистический анализ изменений состояния лесного покрова был проведен на основе изображений с индексами NDVI, EVI, SAVI, NDWI.
Источник излучения – космические системы природно-ресурсного направления – Ресурс (СССР), Landsat (США), SPOT (Франция) с учетом параметров их орбиты
Прием электромагнитного излучения
Пункт приема и обработки первичной видеоинформации
Снимок
Получение
индексных изображений (ENVI)
Определение качественных и количественных показателей
Трансформирование
снимков
Аппаратные искажения съемочной системы (геометрические и фотометрические)
Влияние рельефа местности Кривизна Земли
ортоизображения
рисунок 1. Структурная модель мониторинга состояния древесной растительности с применением космических снимков
Погрешность
совмещения Разносезонность Достоверность классификации
Атмосфера – пропускание электромагнитного излучения
Объект съемки – модуляция электромагнитного излучения
10
Вертикальная атмосферная рефракция Облачность Ослабление излучения
= ( ,h , , ,…) 0
Условные обозначения:
-последовательность выполнения мониторинга; – искажающие факторы, вызывающие погрешности результатов.

Блок эталонных полигонов
Космические снимки высокого разрешения
карта
Блок обработки
геометрическая радиометрическая
атмосферная
Блок тематической обработки
Индексные изображения классификация
Преобразование изображения PCA
Исходные мультиспектральные снимки
Индексные изображения
Преобразование изображения
Синтезирование разновременных изображений
11
Космические снимки LANDSAT
Блок индексных изображений
NDVI EVI
SAVI NDWI
Выходная информация
метрические данные (площадные)
Качественные данные
карта
Рисунок 2. Технологическая схема использования космических снимков для исследования качественного состава лесов
На первом этапе была проведена векторизация растровой таксационной карты и создание атрибутивной таблицы с кодами разработанного классификатора деревьев. В предложенном методе в качестве основных показателей использовались четыре вегетационных индекса, изменения которых во времени могут служить индикатором для дифференциации массива по породному и возрастному составу.
Первый этап исследования подразумевает построение графиков на основе статистического анализа индексных изображений.
1.Графики средних значений NDVI в зависимости от породы деревьев для каждого месяца (рисунок 4).
2. Изменения средних значений NDVI в зависимости от месяца для каждой породы деревьев (рисунок 5).
Рисунок 3. Трехканальный композит из трех главных компонент снимка Landsat
Рисунок 4. Изменение значения NDVI для различных типов древесной растительности в течение вегетационного периода
13

0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1
NDVI
береза вяз дуб ель ива клень липа
апрель май
июнь июль
месяц
август
сентябрь октябрь
Рисунок 5. Изменения NDVI для каждого типа пород деревьев в течении вегетационного периода
При анализе сезонной динамики NDVI выявлено, что значения индекса выше в летние месяцы (июнь), чем в осенние (сентябрь и октябрь). Это может быть объяснено сезонной динамикой вегетационного индекса, так как растения в течение сезона проходят все фазы вегетации. По мере смены фаз вегетативного развития меняются состав и содержание пигментов в листьях растений, увеличивается биомасса, количество хлорофилла в зелёных листьях растений.
По мере накопления хлорофилла понижается яркость растений в видимой части спектра, возрастает в красной и особенно инфракрасной зоне. Этим объясняется возрастание значения вегетационного индекса NDVI..
С разрушением хлорофилла в осенние месяцы наблюдается обратная картина – яркость в красной зоне возрастает, а в ближней инфракрасной уменьшается, что прослеживается при анализе снимка в октябре. Значения NDVI в октябре для лиственных лесов значительно ниже, чем в летние месяцы. Уменьшение значений индекса связаны с усыханием растительности и, следовательно, низким содержанием хлорофилла в ней. Сравнение значений NDVI с учётом сезонной динамики развития растений выявляет снижение индексов в октябре в сравнении с показателями в июне и июле, что можно объяснить снижением общего количества хлорофилла в конце вегетационного периода. Данный факт говорит о достоверности применяемых методов при анализе состояния растительности.
Известно, что леса разных пород могут демонстрировать различную динамику фенологического развития (Елагин, 1994). Так, например, появление листьев на деревьях дуба и березы происходит обычно ранее всех остальных. Майские изображения в целом подтверждают этот факт, так как дуб, ива, клен и рябина, дают наибольшие показатели индекса, чем остальные породы.
ndvi

Существование различий в фенологической динамике древесных пород позволяет предположить и возможность выявления различий в динамике их спектрально-отражательных характеристик по данным регулярных спутниковых наблюдений достаточно высокой частоты. Особенно эта динамика в наибольшей степени проявляется на ранних майских снимках, сентябрьских и ранних октябрьских снимках, где дифференциация растительности максимальна.
Основным недостатком NDVI является то, что данный индекс чувствителен к воздействию почвы (яркость и цвет), и атмосферы. Поэтому для более качественного анализа необходимо использовать другие индексы.
Индекс EVI (Enhanced Vegetation Index – улучшенный вегетационный индекс) является наиболее распространенным альтернативным индексом растительности, который уменьшает влияние почвы и атмосферы. В работе исследованы изменения разновременных значений индекса EVI для различных пород деревьев на территории исследования. В целом изменения значений EVI в разные сезоны для разных типов лесов имеют подобную тенденцию изменения значений индекса NDVI. Однако, на графиках EVI различия в динамике фенологических фаз для разных пород представлены более явно.
На коэффициент отражения в ближнем ИК-диапазоне влияет внутренняя структура листа и содержание сухого вещества в листьях. Поэтому этот канал часто используется для анализа растительности.
В работе выполнен анализ возможности использования для мониторинга качественного состояния лесов иных вегетационных индексов.
Индекс SWIR отражает изменения содержания воды в растительности, и он чувствителен к условиям увлажнения, а также в верхнем слое почвы.
Индекс NDWI является одним из показателей, основанным на контрасте изображений канала SWIR с каналом NIR, который чувствителен к массе или объему воды, а не к доле влаги в процентах.
NDVI имеет ограниченные возможности для получения информации о содержании воды в растительности, поскольку он дает информацию о содержании хлорофилла, которая не связана напрямую с количеством воды в растительности. Таким образом, уменьшение содержания хлорофилла не означает уменьшение содержания воды, а уменьшение содержания воды не означает уменьшения содержания хлорофилла. Для оценки динамики вегетационного индекса NDWI были построены графики аналогичные рассмотренным выше индексам. Очевидно, что в апреле и октябре будут наблюдаться наиболее кардинальные отличия между хвойными и лиственными деревьями, ввиду отсутствия или усыхания листьев последних. Для хвойных деревьев ели и сосны значения индекса будут максимальны на этот период.
Следует также отметить, что опадание листьев березы осенью происходит позже остальных деревьев, что выражено в показаниях индекса. В октябре также наблюдается высокое содержание влаги у осины и лиственницы, что свидетельствует о том, что листва и хвоя не полностью опадают в этот период. Увеличение значений NDWI в мае обусловлено распусканием листьев и накоплением влаги в них. Важно заметить, что индекс хорошо отражает свойство хвойных растений, связанным с тем, что содержание влаги в хвое на протяжении года остается высоким (за исключением лиственницы). Поэтому для выделения лиственных от хвойных пород можно использовать индексных изображений NDWI полученных по космическом снимкам периода июль- октябрь.
Проведен эксперимент сравнения динамики вегетационных индексов для разных пород деревьев. Следует отметить, что вегетационные индексы по разному могут отражать динамику вегетации растительности. Так, сезонная динамика NDVI для рябины на графике NDVI не так явно отличается от остальных пород, как на графике EVI. Кривые графиков NDWI явно отражают различия между хвойными и лиственными породами за исключением пиков в летние месяцы. Кривые графиков SAVI и EVI также явно отражают различия между лиственными и хвойными породами. Для более явного контраста между хвойными и лиственными породами деревьев индексные изображения SAVI и NDWI были преобразованы в единое изображение, отражающее отношение двух этих индексов (рисунок 6). На полученных изображениях видно, что хвойная растительность выделяется более темным тоном, и четко выделяются на фоне лиственных. Такое комплексное изображение дает возможность выделять хвойные породы практически в любой сезон.
Рисунок 6. Сравнение различных индексных изображений (а. SAVI, б. NDWI, в. Отношение SAVI,NDWI)
В четвертой главе «Оценка достоверности использованных методов для распознавания типов лесов» приведена классификация пород деревьев по разным изображениям (мультиспектральные изображения, индексные изображения, и преобразованные изображения по методу PCA). Оценка точности определения пород лесов основана на построения матриц ошибок классификации. По данным матрицы ошибок рассчитывают обобщённые параметры, характеризующие точность классификации, в том числе индекс κ – Каппа Коэна.
Индекс Каппа Коэна вычисляется по формуле (1):
= ( − )/( − ) (1)
где
d – количество случаев правильного получения результата (сумма значений, стоящих на главной диагонали матрицы ошибок;
q – количество случайных результатов, вычисляемое через число случайных результатов в столбцах nf и истинных nr – в строках матрицы ошибок как
формула (2):
= ∑ (2)
где N – общее количество пикселов, образующих изображение объекта.
Полученные результаты доказывают, что достоверность определения пород лесов (хвойные или лиственные) с использованием вегетационных индексов не соответствует нормативным требованиям. Значения индекс Каппа Коэна варьируются от 0,21 до 0,64, для разных индексов (Таблица 1).
Далее по исходным изображениям, проводилась контролируемая классификация по методу расстояния Махаланобиса, значения индекс Каппа Коэна достигают 0,75 в мае в сезоне начала вегетации, точность классификации по методу максимального правдоподобия была немного лучше, и значение индекса каппа составляет 0,797, для разделения хвойных и лиственных парод (Таблица 1). В качестве сравнения методов классификация, и получения точных результатов проведена классификация с использованием методов расстояния Махаланобиса и максимального правдоподобия на преобразованных изображениях. С использованием метода главных компонентов результаты оценки достоверности (значения Каппа Коэна) достигали 0,799 в начале вегетации (Таблица 1).
Оценка достоверности полученных результатов при распознавании разных пород деревьев на территории исследовании, с использованием разных методов.
При использовании вегетационных индексов для выделения пород деревьев достоверность их результатов по величине Каппа Коэна не
превышают 0,37, поэтому не рекомендуется применения вегетационных индексов в качестве распознавании разных пород. В результате классификации исходных снимков, используя метода расстоянии Махаланобиса, получена умеренная согласованность по индексу Каппа и составляет 0,46, для снимков, полученных в мае месяце. При использовании метода максимального правдоподобия по индексу Каппа Коэна достоверность результатов получена выше, чем достоверность метода расстояний Махаланобиса. Значение индекса составляет 0,52 для тех же майских изображений (Таблица 2).
Таблица 1. Значения индекса Каппа Коэна для различных изображений при определении хвойных и лиственных пород
Способ преобразования
Хвойные и лиственные породы деревьев
Индекс KAPPA КОЭНА
апрель май июнь июль август сентябрь
октябрь
0.3832 0.2658 0.2704 0.4265
0.5934
NDVI 0.6414 EVI 0.5464 SAVI 0.5011 NDWI 0.2138
0.5298 0.4643 0.2675 0.2345 0.2646 0.4097 0.3343 0.2867 0.2659 0.2919 0.4073 0.3315 0.2660 0.2347 0.2614 0.5267 0.2549 0.4954 0.5855 0.5113
мультиспектральные снимки/ расстояние Махаланобиса
0.6983
0.7555
0.7125
0.7536
0.6758
0.6528
0.5934
мультиспектральные снимки/ метод максимального правдоподобия
0.7391
0.7970
0.7650
0.7744
0.7714
0.7258
0.6930
PCA / расстояние Махаланобиса
0.6987 0.7546 0.7167 0.7561 0.6709 0.6528
PCA / метод максимального правдоподобия
0.7577
0.7986
0.7720
0.7795
0.7729
0.7323
0.6930
Достоверность дешифрирования пород деревьев по снимкам с использованием преобразований главных компонентов имеет практически одинаковый результат, что при классификации исходных снимков, и имеет высокое значение индекса Каппа для снимков, полученных в мае месяце – 0,52 (Таблица 2).
Как видно из приведённых в таблице 2, значений индекса KAPPA КОЭНА, достоверность распознавания типов деревьев с использованием различных вегетационных индексов (индексных изображений), по мультиспектральным и преобразованным (PCA) снимкам дают невысокие результаты.
Для повышения достоверности результатов распознавания древесной растительности предлагаются методики синтезирования разносезонных и синтезирования разноиндексных изображений. Оценке подлежат варианты синтезирования материалов, полученных различными фотометрическими преобразованиями.
Таблица 2- Значения индекса Каппа Коэна для разных изображений при определении разных лесных пород
Все классы древесных пород
Индекс KAPPA КОЭНА
Способ
преобразования апрель май июнь июль
август сентябрь октябрь
NDVI 0.3213 0.3277 EVI 0.3265 0.2159 SAVI 0.2999 0.2185 NDWI 0.0378 0.3616
0.2398 0.1279 0.1682 0.1432 0.1635 0.1459 0.2122 0.3253
0.4010 0.4248 0.4740 0.4694
0.1273 0.1450 0.1324 0.1384 0.1321 0.1243 0.3910 0.3621
0.3994 0.3947 0.5126 0.4692
0.2619 0.2048 0.2135 0.2885
0.3543 0.4683
PCA / расстояние Махаланобиса PCA / метод максимального правдоподобия
0.4182 0.4605 0.4525 0.5253
мультиспектральные снимки / метод максимального правдоподобия
0.4147
0.4648
0.4038
0.4238
0.4067
0.3939
0.3543
мультиспектральные снимки / метод максимального правдоподобия
0.4305
0.5229
0.4639
0.4571
0.4953
0.4673
0.4683
Синтезирование разносезонных индексных изображений, полученных с апреля месяца по октябрь, позволяет выделить различные типы древесной растительности с достоверностью, по оценки с помощью Индекса Каппа, для изображений, созданных с помощью NDVI, составляют 0.55, с помощью EVI- 0.54 , SAVI -0.54 , NDWI- 0.53. Для получения более достоверных результатов классификации пород деревьев с использованием индексных изображений в работе предложен метод синтезирования разных индексных изображений, полученных с помощью NDVI, EVI, SAVI, NDWI в разные сезоны (апрель, май, июнь, июль, август, сентябрь и октябрь). При классификации изображения, полученного путём синтезирования разносезонных и разноиндексных изображений, точность выделения различных пород древесной растительности повышалась и стала 0,72. А при синтезировании разносезонных мультиспектральных изображений полученных с апреля месяца по октябрь, точность выделения различных пород деревьев повысилась, и коэффициент Каппа достигает величины 0,76. При использовании синтезирования
разносезонных преобразованных изображений, достоверность распознавания пород деревьев также достигает значения 0,77. (Таблица 3).
Таблица 3- значения индекса Каппа Коэна, определяющие достоверность классификации по различным синтезированным изображениям при определении пород лесной древесной растительности
Индекс Каппа Коэна
NDVI 0,55 EVI 0.54 SAVI 0.54 NDWI 0.53 Все ВИ 0,72 Снимки 0.76 PCA 0.77
Индекс Каппа Коэна до
синтезирования
0,13-0,32 0,13-0,33 0,12-0,19 0,03-0,39 – 0,35-0,52 0,35-0,52
Способы преобразования
– Использование предложенной методики (синтезирование разносезонных изображения) повышает достоверность разделения хвойных и лиственных пород древесной растительности. При этом способе значения индексов Каппа Коэна варьируют в пределах 0,75-0,78. В случае синтезирования разноиндексных разносезонных изображений индекс Каппа Коэна достигает 0,84. При синтезировании разносезонных изображений и разносезонных преобразованных изображений (PCA) получены значения индекса Каппа Коэна равные 0,88. (Таблица 4)
Таблица 4.- значения индекса Каппа Коэна, определяющие достоверность классификации по различным синтезированным изображениям при определении хвойных и лиственных пород
Способы преобразования
Индекс Каппа Коэна
Индекс Каппа Коэна до синтезирования
NDVI EVI SAVI NDWI Все Ви Снимки PCA
0.7862 0.7660 0.7555 0.7821 0.8413 0.8799 0.8802
0,23-0,64 0,26-0,55 0,23-0,5 0,21-0,52 – 0,59-0,79 0,59-0,79
На основе полученных результатов, подтверждающих эффективность использования разносезонных индексных изображений для классификации разных пород лесов, создана обновленная карта на тестовом участке территории лесного национального парка «Лосиный остров». Для этого были использованы разносезонные снимки Landsat (снимки получены в апреле, мае,
июне, июле, сентябре и октябре 2018),индексные NDVI изображения. Проведена контролируемая классификация типов деревьев.
Анализ полученных результатов, показывает снижение общей площади лесов, и изменение породной структуры лесов. В таблице 5 представлена динамика изменения площади разных парод деревьев, полученных в результате их классификации на синтезированных изображениях, созданных по разработанному автором способу.
Таблица 5. изменение площади парод древесной растительности
парод древесной растительности
2018/га
1151,1
176,67 1631,43 1837,53 125,1 1233,27 548,55 612,09 510,75 1618,02 34,11 345,86 9824,48
Разница/га
-754,56 2,43 662,31 -1094,49 -232,2 100,35 123,75 -251,19 -18,99 684,45 -31,41 12,14 -797,41
1998/га Береза 1905,66
Вяз 174,24 Дуб 969,12 Ель 2932,02
Клен 357,3 Липа 1132,92
Лиственница Ольха Осина Сосна Ясень Ива ∑/га
424,8 863,28 529,74 933,57 65,52 333,72 10621,89
В результате, используя программное обеспечение ENVI, Arc Map были получены карты, на которых отображены распределения пород деревьев в национальном парке «Лосиный остров» (рисунок 7).
Заключение
Диссертационная работа содержит полученные автором результаты исследований применения разновременных индексных изображений, используемых при решении задач мониторинга состояния лесов и распознавании породного состава с достаточной степенью достоверности.
В работе представлена разработка обобщённой схемы мониторинга лесных насаждений по разновременным космическим снимкам и определены направления исследований, результаты которых возможно использовать для повышения достоверности результатов автоматизированного дешифрирования.
Первым этапом в схеме мониторинга является постановка задачи – получение конечных результатов тематических обработки изображений.
На следующем этапе выполняется оценка изображений для их дальнейшей обработки и объективной оценки состояния лесов. Оценка
изображений включает: оптимальный выбор спектрального канала, разрешение космических снимков, оптимальность сезона съёмки.
Рисунок 7. Карты состава древесной растительности на территорию национального парка «Лосиный остров, полученные на основе классификации пород деревьев
на синтезированных разносезонных изображений
Следующий этап предусматривает калибровку и атмосферную коррекцию исходных изображений.
Используя оптимальный для решения поставленной задачи вегетационный индекс, создаются разновременные индексные изображения.
Метод синтезирования разновременных индексных и мультиспектральных изображений, предложенный в диссертационный работе, позволяет определить породы деревьев и их качественное состояние.
22

Окончательным этапом является оценка достоверности классификации лесных насаждений.
– Исследование динамики вегетационных индексов подтверждает их зависимость от стадии фенологического развития. Однако для наиболее эффективного распознавания необходимо использовать вегетационный индекс не как статичный признак. Характерным признаком, в особенности для лиственных пород деревьев является не сам вегетационный индекс, а его изменение во времени, которое отражает смену фенологических фаз. Так как разница в скорости фенологического развития разных пород деревьев может быть порядка недели, то желательно подбирать майские и октябрьские снимки, полученные с разностью по времени в одну неделю, что позволяет использовать снимки, полученные, например, со спутников Landsat или Sentinel-2.
– Экспериментально доказана эффективность распознавания пород деревьев при использовании комбинации разных вегетационных индексов.
– Усовершенствована методика применения синтезированных разносезонных индексных и мультиспектральных изображений, позволяющая повысить достоверность распознавания пород деревьев. Экспериментально доказано следующее:
1. Синтезирование разносезонных индексных изображений повышает достоверности выделения хвойных от лиственных пород деревьев и достигает 0,77.
2. Синтезирование разносезонных индексных изображений повышает достоверности распознавания пород деревьев и достигает 0,55.
3. Синтезирование разносезонных мультиспектральных изображений повышает достоверность выделения хвойных от лиственных пород деревьев и достигает 0,88.
4. Синтезирование разносезонных мультиспектральных изображений повышает достоверность распознавания разных пород деревьев и достигает 0,78.
На основании анализа результатов проведенных исследований, можно
рекомендовать использование синтезирование разносезонных индексных и мультиспектральных изображений для повышения достоверности распознавания пород древесной растительности и оценки их качественного состояния. Предлагаемая методика позволит сократить временные и финансовые затраты получения актуальных данных.
– С использованием данной методики классификации синтезированных разносезонных изображений выполнен мониторинг изменения площади лесов
со сменой преобладающих пород, обновлена карта территории национального парка «Лосиный остров». Полученная карта может быть использована научными организациями и органами государственной власти в качестве актуальной картой лесонасаждений на территорию Лосиного острова, В настоящее время, сотрудники научного отдела парка используют карту лесонасаждений, созданную в1998 году.
– В работе изложены научно обоснованные технологические решения, внедрение которых внесёт вклад в развитие и использования лесных насаждений. Результаты экспериментальных исследований, полученные с использованием разработанной в диссертации технологии, позволят оценивать динамику состояния лесов и создавать информационные базы данных. Выводы и рекомендации могут быть использованы для практического применения лесоустроительными организациями в районах Латакии (Сирия).