📄Работа №136825

Тема: Разработка алгоритмического обеспечения для задач спутникового мониторинга растительности на примере выявления лесных рубок и картографирования плантаций каучука

📝
Тип работы Бакалаврская работа
📚
Предмет картография
📄
Объем: 60 листов
📅
Год: 2019
👁️
Просмотров: 62
4380 руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
ℹ️ Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание 📖 Введение ✅ Заключение 📕 Литература 🔍 Похожие 🛒 Купить

📋 Содержание

Введение 3
Глава 1 Роль дистанционного зондирования Земли в системах мониторинга 5
1.1 Дистанционное зондирование Земли: преимущества и недостатки 5
1.2 Проблемы, возникающие в дистанционном зондировании Земли 6
1.3 Использование дистанционного зондирования Земли для мониторинга и
выявления вырубок 10
1.4 Использование дистанционного зондирования Земли для мониторинга и
картографирования плантаций каучуковых деревьев 11
Глава 2 Алгоритм мониторинга вырубок и картографирования плантаций каучуковых деревьев 13
2.1 Постановка задачи 13
2.2 Математический аппарат 15
2.2.1 Битовые операции 15
2.2.2 Метод наименьших квадратов 16
2.2.3 Элементы теории вероятности 17
2.2.4 Нейронные сети 17
2.2.5 Метод скользящего окна 20
2.2.6 Гармонические модели 20
2.3 Исходные данные и изучаемая территория 21
2.4 Программное обеспечение, необходимое для работы 24
2.5 Общая концепция алгоритма 25
2.6 Предварительная обработка данных 27
2.6.1 Радиометрическая калибровка 27
2.6.2 Атмосферная коррекция 28
2.6.3 Топографическая коррекция 31
2.6.4 Выявление облаков и теней от облаков и снежного покрова 34
2.6.5 Фильтрация 36
2.7 Формирование временных срезов и построение гармонической модели 38
2.8 Создание и обучение нейронной сети 40
2.9 Предсказание меток классов 44
Глава 3 Использование алгоритма для выделения рубок и плантаций каучуковых деревьев 46
3.1 Особенности использования алгоритма для выделения рубок 46
3.2 Особенности использования алгоритма для выделения плантаций
каучуковых деревьев 49
Заключение 54
Список литературы 55

📖 Введение

Сокращение площади лесов - одна из острых проблем, которая стоит перед человеком. Причинами обезлесения являются не только стихийные бедствия, такие как пожары и засуха, но и сам человек. В последние десятилетия увеличилось количество незаконных рубок во многих регионах мира, в том числе и в РФ. На территории Дальнего Востока лесные массивы занимают до 30% площади всех лесов страны. В этом районе обитают десятки видов животных и растений, которые занесены в Красную книгу. Разрушение естественной среды обитания окажет на них существенное негативное влияние. Огромная по площади территория, богатая ценными породами древесины всегда привлекала браконьеров как источник дешевого материала. Контролирование территории и пресечение незаконной деятельности очень тяжело достичь, используя только традиционные «наземные» методы. Поэтому разработка алгоритмов мониторинга вырубок с использованием данных дистанционного зондирования является актуальной задачей.
В Юго-Восточной Азии активно развивалось и развивается выращивание каучуковых деревьев, что связано с историческими особенностями развития данного региона. Как правило, новые плантации возникают на месте вырубленных тропических лесов или земель, выведенных из-под сельскохозяйственного оборота. Смола каучука является сырьем для производства резины, различного рода уплотнителей для термо-, гидро- и звукоизоляции, твердого топлива ракет и др., а древесину дерева используют в мебельной промышленности. Помимо этого, распространение каучуковых деревьев интересно специалистам разных биологических направлений. Поэтому мониторинг плантаций каучука так важен, и для него сегодня используются космические снимки.
На сегодняшний день разработан ряд методов для решения как первого, так и второго вопросов, о чем будет сказано ниже. Однако все они имеют свои недостатки, что ограничивает их применение. Целью данной работы является разработка альтернативного алгоритма, который мог бы использоваться в системе мониторинга как рубок, так и плантаций каучука. Такой подход, с одной стороны, обладает большей универсальностью, а с другой - учитывает слабые стороны существующих методик.
Для достижения поставленной цели было необходимо решить следующие задачи:
- изучить разработанные алгоритмы, применяющие данные дистанционного зондирования в системах мониторинга, ограничения методик и возможные пути их разрешения;
- изучить программные средства, которые могут быть применены для решения задач, возникающих на различных этапах алгоритма;
- рассмотреть вопросы применимости данных дистанционного зондирования Земли в качестве исходных материалов алгоритма;
- применить методы машинного обучения для нахождения рубок и плантаций каучуковых деревьев;
- произвести оценку качества используемой модели и ее применимости на новых данных;
Разработка представленного в этой работе алгоритма была выполнена совместно с Колесовым Д.А. и другими сотрудниками компании ООО "NextGIS". Векторные данные по рубкам на Дальнем Востоке РФ и плантациям каучуковых деревьев в Юго-Восточной Азии были предоставлены ООО "NextGIS".

Возникли сложности?

Нужна качественная помощь преподавателя?

👨‍🎓 Помощь в написании
🎓 Дипломные 📘 Магистерские 📙 Диссертации 📗 Курсовые 📝 Статьи 📄 ВКР

✅ Заключение

Результатом этой работы является разработанный алгоритм, который может применяться в системах мониторинга лесных рубок или плантаций каучука. При этом были выполнены следующие задачи:
- рассмотрены основные методики, применяемые сегодня в системах мониторинга с использованием ДДЗ, и выявлены их недостатки, которые учитывались при проектировании представленного в работе алгоритма;
- проведена предварительная обработка космических снимков Landsat-7 и Landsat-8, включающая в себя радиометрическую калибровку, атмосферную и топографическую коррекции, поиск облачности, теней и медианную фильтрацию;
- сформированы временные срезы и построены по ним гармонические функции для нахождения ожидаемых значений на интересующую дату;
- построены и обучены нейронные сети для каждой территории; при этом на
дальневосточный регион было создано две: для зимнего и летнего периодов;
- произведена оценка качества нейронных сетей, которые были применены к новым данным для поиска рубок (плантаций);
На каждом из этапов алгоритма были рассмотрены существующие подходы для решения конкретной задачи и всегда выбирались методы, дающие наилучший результат в условиях работы с рассматриваемыми территориями. Точность полученных результатов сравнима с качеством других алгоритмов, применяемых в системах мониторинга, превосходя некоторые из них. При этом, предложенный здесь алгоритм обладает рядом преимуществ:
- является более универсальным;
- включает многоступенчатую предварительную обработку для лучшего исключения шумов;
- использует возможности нескольких спутниковых систем для достижения большего временного разрешения;
- требует минимум усилий от человека: настроенный и оптимизированный вручную он в дальнейшем будет собирать новые данные и включать их в обработку.
В дальнейшем, планируется использовать данные Sentinel-2 вместе с Landsat-7 и Landsat-8. Для этого будет встроен отдельный этап по приведению к единому пространственному разрешению снимков этих спутников. Это позволит увеличить ежемесячное количество получаемых снимков с 4-5 до 11-12, что важно для территорий с большим количеством облачных дней в году.
Кроме того, будет рассмотрен вариант замены алгоритма для выделения облачности TMask объектно-ориентированным аналогом, что резко снизит количество ложных выделений теней.

Нужна своя уникальная работа?
Срочная разработка под ваши требования
Рассчитать стоимость
ИЛИ
Поиск аналога

📕 Список литературы

1. Незаконные рубки на Дальнем Востоке: мировой спрос на древесину и уничтожение Уссурийской тайги: обзор / А. Г. Кабанец, Б. Д. Милаковский, Е. А. Лепешкин, Д. В. Сычиков; под общ. ред. Д. Ю. Смирнова; Всемирный фонд дикой природы (WWF). - М.: WWF России, 2013. - 39 с.
2. Флах П. Машинное обучение: Наука и искусство построения алгоритмов, которые извлекают знания из данных / пер. с англ. А. А. Слинкина. - М.: ДМК Пресс, 2015. - 400 с. [Flach P. Machine Learning: The Art and Science of Algorithms that Make Sense of Data : Cambridge University Press, 2012].
3. Asner G.P. et al. Cloud cover in Landsat observations of the Brazilian Amazon // International Journal of Remote Sensing. - 2001. Vol. 22. No. 18. - P. 3855-3862. - ISSN 0143-1161.
4. Blaschke T. Object based image analysis for remote sensing // ISPRS Journal of Photogrammetry and Remote Sensing. - 2010. Vol. 65. - P. 2-16. - ISSN 0924-2716.
5. Bodhaine B.A., Wood N.B., Dutton N.G., Slusser J.R. On Rayleigh Optical Depth Calculations // Journal of Atmospheric and Oceanic Technology. - 1999. Vol. 16 - P. 1854-1861. - ISSN 1520¬0426.
6. Chander G., Markham B.L., Helder D.L. Summary of Current Radiometric Calibration Coefficients for Landsat MSS, TM, ETM+, and EO-1 ALI Sensors // Remote Sensing of Environment. - 2009. Vol. 113. No. 5. - P. 893-903. - ISSN 0034-4257.
7. Chen J., Zhu X., Vogelmann J.E. et al. A simple and effective method for filling gaps in Landsat ETM+ SLC-off images // Remote Sensing of Environment. - 2011. Vol. 115. No. 4. - P. 1053-1064.
- ISSN 0034-4257.
8. Du Q., Younan N.H., King R. et al. On the Performance Evaluation of Pan-Sharpening Techniques // IEEE Geoscience and Remote Sensing Letters. - 2007. Vol. 4. No. 4. - P. 518-522. - ISSN 1545¬598X.
9. Gao F., Masek J., Schwaller M. et al. On the Blending of the Landsat and MODIS Surface Reflectance: Predicting Daily Landsat Surface Reflectance // IEEE Transactions on Geoscience and Remote Sensing. - 2006. Vol. 44. No. 8. - P. 2207-2218. - ISSN 0196-2892.
10. Goodfellow I., Bengio Y., Courville A. Deep Learning / I. Goodfellow, Y. Bengio, A. Courville.
- London: The MIT Press, 2016. - 802 p.
11. Goodwin N.R., Collet L.J., Denham R.J. et al. Cloud and cloud shadow screening across Queensland, Australia: An automated method for Landsat TM/ETM+ time series // Remote Sensing of Environment. - 2013. Vol. 134. - P. 50-65. - ISSN 0034-4257.
12. Grogan K., Pflugmacher D., Hostert P. et al. Cross-border forest disturbance and the role of natural rubber in mainland Southeast Asia using annual Landsat time series // Remote Sensing of Environment. - 2015. Vol. 169. - P. 438-453. - ISSN 0034-4257.
13. Howard A., Rorres C. Elementary Linear Algebra / A. Howard, C. Rorres. - 9th edition - Hoboken, New Jersey: Wiley, 2004. - 624 p.
14. Fox J., Castella J.C., Ziegler A.D. Swidden, Rubber and Carbon: Can REDD+ work for people and the environment in Montane Mainland Southeast Asia? // Global Environmental Change. - 2014. Vol. 29. - P. 318-326. - ISSN 0959-3780.
15. Fox J., Vogler J.B. Land-Use and Land-Cover Change in Montane Mainland Southeast Asia // Journal of Environmental Management. - 2005. Vol. 36. No. 3. - P. 394-403. - ISSN 0301-4797.
16. Fraser R.S., Kaufman Y.J. The Relative Importance of Aerosol Scattering and Absorption in Remote Sensing // IEEE Transactions on Geoscience and Remote Sensing. - 1985. Vol. GE-23. No.
5. - P. 625-633. - ISSN 0196-2892.
17. Holben B.N., Justice C.O. The Topographic Effect on Spectral Response from Nadir-Pointing Sensors // Photogrammetric Engineering and Remote Sensing. - 1980. Vol. 46. No. 9. - P. 1191-1200. - ISSN 0099-1112
18. Kaufman Y.J., Tanre D., Gordon H.R. et al. Passive remote sensing of tropospheric aerosol and atmospheric correction for the aerosol effect // Journal of Geophysical Research. - 1997. Vol. 102. No. D14. - P. 16,815-16,830. - ISSN 0148-0227.
19. Kowalik W.S., Marsh S.E. A Relation Between Landsat Digital Numbers, Surface Reflectance, and the Cosine of the Solar Zenith Angle // Remote Sensing of Environment. - 1982. Vol. 12. No. 1.
- P. 39-55. - ISSN 0034-4257.
20. Liang S., Fang H., Chen M. Atmospheric Correction of Landsat ETM+ Land Surface Imagery— Part I: Methods // IEEE Transactions on Geoscience and Remote Sensing. - 2001. Vol. 39. No. 11. - P. 2490-2498. - ISSN 0196-2892.
21. Li Z., Fox J.M. Integrating Mahalanobis typicalities with a neural network for rubber distribution mapping // Remote Sensing Letters. - 2010. Vol. 2. No. 2. - P. 157-166. - ISSN 2150-704X.
22. Li Z., Fox J.M. Mapping rubber tree growth in mainland Southeast Asia using time-series MODIS 250 m NDVI and statistical data // Applied Geography. - 2012. Vol. 32. No. 2. - P. 420-432. - ISSN 0143-6228.
23. Lucht W., Schaaf C.B., Strahler A.H. An Algorithm for the Retrieval of Albedo from Space Using Semiempirical BRDF Models // IEEE Transactions on Geoscience and Remote Sensing. - 2017. Vol.
38. No. 2. - P. 977-998. - ISSN 0196-2892.
24. Martinuzzi S., Gould W.A., Ramos Gonzalez O.M. Creating Cloud-Free Landsat ETM+ Data Sets in Tropical Landscapes: Cloud and Cloud-Shadow Removal // General Technical Report (GTR).
- 2007. - 18 p.
25. Maxwell S.K., Schmidt G.L., Storey J.C. A multi-scale segmentation approach to filling gaps in Landsat ETM+ SLC-off images // International Journal of Remote Sensing. - 2007. Vol. 28. No. 23.
- P. 5339-5356. - ISSN 0143-1161.
26. Meyer P., Itten K.I., Kellenberger T. et al. Radiometric corrections of topographically induced effects on Landsat TM data in an alpine environment // ISPRS Journal of Photogrammetry and Remote Sensing. - 1993. Vol. 48. No. 4. - P. 17-28. - ISSN 0924-2716.
27. Musthafa M., Singh G., Khati U. DETECTION OF FOREST DISTURBANCE USING TANDEM-X POL-INSAR COHERENCE // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences (ISPRS Archives). - 2018. Vol. XLII-5. - P. 295-297. - ISSN 1682-1777.
28. Pithon S., Jubelin G., Guitet S. et al. A statistical method for detecting logging-related canopy gaps using high-resolution optical remote sensing // International Journal of Remote Sensing. - 2012. Vol. 34. No. 2. - P. 700-711. - ISSN 0143-1161.
29. Pushparaj J., Hegde A.V. Comparison of various pan-sharpening methods using Quickbird-2 and Landsat-8 imagery // Arabian Journal of Geosciences. - 2017. Vol. 10. No. 5. - P. 1-17. - ISSN 1866¬7511.
30. Rashid T. Make Your Own Neural Network / T. Rashid. - Scotts Valley: CreateSpace, 2016. - 222 p.
31. Richter R., Kellenberger T., Kaufmann H. Comparison of Topographic Correction Methods // Remote Sensing. - 2009. Vol. 1. - P. 184-196. - ISSN 2072-4292.
32. Roy D.P., Ju J., Lewis P. et al. Multi-temporal MODIS-Landsat data fusion for relative radiometric normalization, gap filling, and prediction of Landsat data // Remote Sensing of Environment. - 2008. Vol. 112. No. 6. - P. 3112-3130. - ISSN 0034-4257.
33. Sahoo P. Probability and mathematical statistics / P. Sahoo. - Louisville, Kentucky: University of Louisville, 2013. - 712 p.
34. Shrestha R.P., Schmidt-Vogt D., Gnanavelrajah N. Relating plant diversity to biomass and soil erosion in a cultivated landscape of the eastern seaboard region of Thailand // Applied Geography. - 2010. Vol. 30. No. 4. - P. 606-617. - ISSN 0143-6228.
35. Tang D., Fan H., Yang K. et al. Mapping forest disturbance across the China-Laos border using annual Landsat time series // International Journal of Remote Sensing. - 2019. Vol. 40. No. 8. - P. 2895-2915. - ISSN 0143-1161.
36. Tang X., Bullock E.L., Olofsson P. et al. Near real-time monitoring of tropical forest disturbance: New algorithms and assessment framework // Remote Sensing of Environment. - 2019. Vol. 224. - P. 202-218. - ISSN 0034-4257.
37. Thiel C., Drezet P., Weise C. et al. Radar remote sensing for the delineation of forest cover maps and the detection of deforestation // Forestry: An International Journal of Forest Research. - 2006. Vol. 79. No. 5. - P. 589-597. - ISSN 0015-752X.
38. Thome K., Markharn B., Barker J. et al. Radiometric Calibration of Landsat // Photogrammetric Engineering and Remote Sensing. - 1997. Vol. 63. No. 7. - P. 853-858. - ISSN 0099-1112.
39. Vanonckelen S., Lhermitte S., Rompaey A. The effect of atmospheric and topographic correction methods on land cover classification accuracy // International Journal of Applied Earth Observation and Geoinformation. - 2013. Vol. 24. - P. 9-21. - ISSN 0303-2434.
40. Vermote E.F., Tanre D., Deuzd J.L. et al. Second Simulation of the Satellite Signal in the Solar Spectrum, 6S: An Overview // IEEE Transactions on Geoscience and Remote Sensing. - 1997. Vol. 35. No. 3. - P. 675-686. - ISSN 0196-2892.
41. Wang Q., Atkinson P.M. The effect of the point spread function on sub-pixel mapping // Remote Sensing of Environment. - 2017. Vol. 193. - P. 127-137. - ISSN 0034-4257.
42. Wang Q., Blackburn G.A., Onojeghuo A.O. et al. Fusion of Landsat 8 OLI and Sentinel-2 MSI Data // IEEE Transactions on Geoscience and Remote Sensing. - 2017. Vol. 55. No. 7. - P. 3885-3899. - ISSN 0196-2892.
43. Zhang C., Li W., Travis D. Gaps-fill of SLC-off Landsat ETM+ satellite image using a geostatistical approach // International Journal of Remote Sensing. - 2007. Vol. 28. No. 22. - P. 5103¬5122. - ISSN 0143-1161.
44. Zhang Y. Understanding Image Fusion // Photogrammetric Engineering and Remote Sensing. - 2004. Vol. 70. No. 6. - P. 657-661. - ISSN 0099-1112.
45. Zhu X.X., Tuia D., Mou L. et al. Deep Learning in Remote Sensing: A comprehensive review and list of resources // IEEE Geoscience and Remote Sensing Magazine. - 2017. Vol. 5. No. 4. - P. 8-36. - ISSN 2473-2397.
46a. Zhu Z., Woodcock C.E. Automated cloud, cloud shadow, and snow detection in multitemporal Landsat data: An algorithm designed specifically for monitoring land cover change // Remote Sensing of Environment. - 2014. Vol. 152. - P. 217-234. - ISSN 0034-4257.
46b. Zhu Z., Woodcock C.E. Continuous change detection and classification of land cover using all available Landsat data // Remote Sensing of Environment. - 2014. Vol. 144. - P. 152-171. - ISSN 0034-4257.
47. Zhu Z., Woodcock C.E. Object-based cloud and cloud shadow detection in Landsat imagery // Remote Sensing of Environment. - 2012. Vol. 118. - P. 83-94. - ISSN 0034-4257.
Ресурсы сети Интернет:
48. Вдовенко А.В., Кононов Ю.В. ПРИМЕНЕНИЕ ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ДЛЯ МОНИТОРИНГА ЗЕМЕЛЬ ЛЕСНОГО ФОНДА // электронное науч. изд. «Ученые заметки ТОГУ». - 2013. Т. 4. № 4. - С. 1860-1865. - ISSN 2079-8490. URL: http://pnu.edu.ru/media/ejournal/articles-2014/TGU_4_336.pdf(дата обращения: 01.02.2019).
49. Казаков Э., Семёнов А., Волгушева Н. Обработка и интерпретация данных Landsat 8 (OLI) средствами GRASS GIS 7. - 2015. URL: http://gis-lab.info/qa/grass7-landsat8-processing.html(дата обращения: 02.02.2019).
50. Система мониторинга «КЕДР». URL: https://wwf.ru/resources/news/lesa/na-dalnem-vostoke- rossii-vnedryaetsya-unikalnaya-sistema-kedr(дата обращения: 09.11.2018).
51. Шимов С.В., Никитина Ю.В. Технология мониторинга вырубок леса с использованием
космических снимков высокого пространственного разрешения // интернет-журн. «Геоматика». - 2011. № 3. - С. 47-52. - ISSN 2410-6879. URL:
https://sovzond.ru/upload/iblock/b75/7shimov_tekhnologia_monitoringa_virybok_lesa.pdf (дата
обращения: 06.02.2019).
52. Google Earth Engine: A planetary-scale platform for Earth science data & analysis. URL: https://earthengine.google.com(дата обращения: 01.09.2018).
53. Ma F., Wang, Q., Zhang M. Dynamic changes of wetland resources based on MODIS and Landsat image data fusion // EURASIP Journal on Image and Video Processing. - 2018. Vol. 63. - 10 p. - ISSN 1687-5281. URL: https://jivp-eurasipjournals.springeropen.com/articles/10.1186/s13640-018- 0305-7(дата обращения: 10.10.2018).
54. Fonseca L., Namikawa L., Castejon E. et al. Image Fusion for Remote Sensing Applications // Image Fusion and Its Applications / Y. Zheng, IntechOpen. - 2011. - P. 153-178. URL: https://www.intechopen.com/books/image-fusion-and-its-applications/image-fusion-for-remote- sensing-applications(дата обращения: 25.01.2019).
55. TenzorFlow: An end-to-end open source machine learning platform. URL:
https://www.tensorflow.org(дата обращения: 25.01.2019).
56. USGS. Landsat Missions. URL: https://www.usgs.gov/land-resources/nli/landsat(дата
обращения: 09.12.2018).
57. USGS. Landsat Missions: Landsat Collection 1 Level-1 Quality Assessment Band. URL: https://www.usgs.gov/land-resources/nli/landsat/landsat-collection-1-level-1-quality-assessment- band(дата обращения: 22.11.2018).
58. USGS. Phase 2 Gap-Fill Algorithm: SLC-off Gap-Filled Products Gap-Fill Algorithm Methodology // электронная статья. - 2004. - 12 p. URL: https://landsat.usgs.gov/sites/default /files
/documents/L7SLCGapFilledMethod.pdf (дата обращения: 12.11.2018).

🛒 Оформить заказ

⚡ Работу высылаем в течении 5 минут после оплаты.

🔍 ПОХОЖИЕ РАБОТЫ ПО ТЕМЕ

Разработка программного обеспечения для формирования Q-детерминантов численных алгоритмов с Q-термами большой длины Дипломные работы, ВКР программирование 2020 г. 4320 руб. Совершенствование методологии управления проектами разработки программного обеспечения для видеоаналитики на базе компьютерного зрения и искусственного интеллекта Магистерская диссертация менеджмент 2022 г. 5500 руб. Разработка программного обеспечения для решения задач комбинаторной оптимизации Бакалаврская работа информатика 2022 г. 4285 руб. Разработка программного обеспечения для работы с результатами гидродинамических исследований скважин на нефтедобывающем предприятии Бакалаврская работа информационные системы 2016 г. 4770 руб. Разработка программного обеспечения для мониторинга и управления цехами ТО и ТР на СТО Бакалаврская работа программирование 2021 г. 4750 руб. Разработка программного обеспечения для системы управления шлагбаумом Бакалаврская работа информатика 2018 г. 5900 руб. РАЗРАБОТКА ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ ДЛЯ ПОСТРОЕНИЯ ВИЗУАЛИЗАЦИИ 2D КАРТ НЕФТЯНОГО МЕСТОРОЖДЕНИЯ Бакалаврская работа информатика 2017 г. 4280 руб. Разработка программного обеспечения для сбора данных для геологической модели нефтяного месторождения Бакалаврская работа информатика 2017 г. 4230 руб. РАЗРАБОТКА ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ ДЛЯ РЕШЕНИЯ ЗАДАЧ ПО МЕТРОЛОГИИ И МАТЕМАТИЧЕСКОЙ СТАТИСТИКЕ Дипломные работы, ВКР электротехника 2023 г. 4200 руб. Разработка программного обеспечения ветеринарного отдела ИП «Захаров» средствами 1С: Предприятие Дипломные работы, ВКР информатика 2018 г. 4225 руб.

📎 БАКАЛАВРСКАЯ РАБОТА ПО ПРЕДМЕТУ «КАРТОГРАФИЯ»

Найдено работ: 78

Геомаркетинговое исследование размещения новых предприятий розничной торговли различных отраслей в г. Санкт-Петербурге средствами географических информационных систем Бакалаврская работа картография 2023 г. 4750 руб. Использование данных дистанционного зондирования и географических информационных систем для моделирования экологического каркаса города Бакалаврская работа картография 2024 г. 4760 руб. Изучение влияния различных факторов на значение интенсивности отраженного сигнала для сегментации точек наземного лазерного сканирования Бакалаврская работа картография 2024 г. 4750 руб. Разработка методических и программных средств на основе свободно распространяемого геоинформационного программного обеспечения для автоматизированного разграничения медицинских участков Бакалаврская работа картография 2024 г. 4760 руб. Трёхмерное поверхностное моделирование объектов сложной формы по данным лазерного сканирования и фотосьёмки Бакалаврская работа картография 2023 г. 4360 руб. УРОВНИ ОБРАБОТКИ ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ. ИСПОЛЬЗОВАНИЕ КОСМИЧЕСКИХ СНИМКОВ С РАЗНЫМИ УРОВНЯМИ ОБРАБОТКИ ДЛЯ СОЗДАНИЯ ЦИФРОВЫХ ОРТОФОТОПЛАНОВ Бакалаврская работа картография 2018 г. 4390 руб. Использование данных дистанционного зондирования и геоинформационных технологий для создания серии карт антропогенной нарушенности территории Ленинградской области Бакалаврская работа картография 2022 г. 4700 руб. Анализ распределения стамух в Обской губе по данным дистанционного зондирования. Бакалаврская работа картография 2022 г. 4700 руб. Данные дистанционного зондирования и географические информационные системы в деятельности особо охраняемых природных территорий Бакалаврская работа картография 2023 г. 4720 руб. Создание серии карт природно-культурного наследия административных центров районов Ленинградской области Бакалаврская работа картография 2023 г. 4690 руб. Разработка интерактивных карт на территорию Ленинградской области для начальной школы Бакалаврская работа картография 2023 г. 4710 руб. Применение методов автоматизации в среде географических информационных систем при оценке характера пространственного распределения населения в трансграничных регионах Бакалаврская работа картография 2023 г. 4270 руб. Беспилотное воздушное лазерное сканирование Бакалаврская работа картография 2022 г. 4700 руб. Создание географической информационной системы «Памятники истории и культуры Северо-Западного федерального округа» Бакалаврская работа картография 2022 г. 4600 руб. Геоинформационное картографирование особо охраняемых природных территорий Республики Саха (Якутия) Бакалаврская работа картография 2016 г. 4220 руб.
📋 Содержание 📖 Введение ✅ Заключение 📕 Литература 🔍 Похожие 🛒 Купить ⬆️

Оценка стоимости

Это краткая форма заказа. После ее заполнения вы перейдете на полную форму заказа работы

Каталог работ (208934)

Поиск работ


©2026 Cервис помощи студентам в выполнении работ
.