📄Работа №26771
Тема: Анализ состояния древостоев по данным дистанционного зондирования Ресурс-П
Тип работы
Бакалаврская работа
Предмет
Информационные системы
Объем:
36 листов
Год:
2016
Просмотров:
410
5600
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
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 3
1 Обзор литературы по тематике работы 5
2 Описание исходных данных 6
2.1 Объект исследования 6
2.2 Прибор Landsat 8 OLI 7
2.3 Прибор Ресурс-П 9
2.4 Программное обеспечение ERDAS Imagine 10
2.5 Методы классификации многоспектральных изображений 11
2.5.1 Построение обучающих выборок 11
2.5.2 Метод классификации максимального правдоподобия 13
2.5.3 Метод классификации расстояния Махаланобиса 14
2.5.4 Метод классификации минимального расстояния 15
2.5.5 Оценка точности классификации 16
2.5.6 Текстурные признаки 18
3 Обработка Landsat 8 OLI 19
3.1 Подготовка данных Landsat 8 OLI 19
3.2 Построение обучающих выборок 20
3.3 Результаты классификации
4.2 Оценка точности классификации 25
4 Обработка Ресурс-П 26
4.1 Подготовка данных Ресурс-П 26
4.2 Построение обучающих выборок 27
4.3 Результаты классификации 29
4.4 Расчет текстурных признаков Ресурс-п 31
Заключение 34
Список использованных источников 35
1 Обзор литературы по тематике работы 5
2 Описание исходных данных 6
2.1 Объект исследования 6
2.2 Прибор Landsat 8 OLI 7
2.3 Прибор Ресурс-П 9
2.4 Программное обеспечение ERDAS Imagine 10
2.5 Методы классификации многоспектральных изображений 11
2.5.1 Построение обучающих выборок 11
2.5.2 Метод классификации максимального правдоподобия 13
2.5.3 Метод классификации расстояния Махаланобиса 14
2.5.4 Метод классификации минимального расстояния 15
2.5.5 Оценка точности классификации 16
2.5.6 Текстурные признаки 18
3 Обработка Landsat 8 OLI 19
3.1 Подготовка данных Landsat 8 OLI 19
3.2 Построение обучающих выборок 20
3.3 Результаты классификации
4.2 Оценка точности классификации 25
4 Обработка Ресурс-П 26
4.1 Подготовка данных Ресурс-П 26
4.2 Построение обучающих выборок 27
4.3 Результаты классификации 29
4.4 Расчет текстурных признаков Ресурс-п 31
Заключение 34
Список использованных источников 35
📖 Введение
В формировании современного облика тайги сибирскому шелкопряду принадлежит одна из ключевых ролей. Это насекомое в Сибири является одним из наиболее опасных вредителей хвойных лесов. Периодические подъёмы его численности на значительных площадях приводят к существенным изменениям структуры бореальных лесов, усыханию древостоев, и дают толчок процессу сукцессии. Этим изменяются местообитания промысловых животных [1].
Являясь постоянно действующим фактором в хвойных формациях Сибири, этот вредитель относится к основным причинам наблюдаемых в тайге сукцессий. Насекомое повреждает древостой пихты, сосны, ели и лиственницы. Вспышки массового размножения сибирского шелкопряда индуцируются сочетанием благоприятных погодных условий (оптимальная температура, низкий уровень осадков и влажности). Старые очаги размножения сибирского шелкопряда являются потенциальными очагами крупных лесных пожаров, что обусловлено увеличением запасов лесных горючих материалов [1].
Площади, пройденные шелкопрядом, поражают своими масштабами. Материалы космосъемки могут быть эффективно использованы в обнаружении и мониторинге вспышек массового размножения насекомых- вредителей [1].
Съемка среднего разрешения (Landsat 8 OLI) позволяет детализировать динамику повреждения древостоев. Мониторинг таежных лесов требует сочетание как обзорной съемки, позволяющей контролировать обширные регионы, так и съемки высокого пространственного разрешения на конкретный очаг повреждения древостоев [1].
Цель данной работы: оценить информативность данных из разных спектральных диапазонов для выделения повреждённых лесов по снимкам Landsat 8 OLI и Ресурс-П.
Задачи:
- классификация лесов, поврежденных шелкопрядом, по данным
Landsat;
- классификация лесов, поврежденных шелкопрядом, по данным Ресурс П с использованием текстурных признаков;
- анализ результатов - оценка информативности разных каналов и текстурных признаков.
Являясь постоянно действующим фактором в хвойных формациях Сибири, этот вредитель относится к основным причинам наблюдаемых в тайге сукцессий. Насекомое повреждает древостой пихты, сосны, ели и лиственницы. Вспышки массового размножения сибирского шелкопряда индуцируются сочетанием благоприятных погодных условий (оптимальная температура, низкий уровень осадков и влажности). Старые очаги размножения сибирского шелкопряда являются потенциальными очагами крупных лесных пожаров, что обусловлено увеличением запасов лесных горючих материалов [1].
Площади, пройденные шелкопрядом, поражают своими масштабами. Материалы космосъемки могут быть эффективно использованы в обнаружении и мониторинге вспышек массового размножения насекомых- вредителей [1].
Съемка среднего разрешения (Landsat 8 OLI) позволяет детализировать динамику повреждения древостоев. Мониторинг таежных лесов требует сочетание как обзорной съемки, позволяющей контролировать обширные регионы, так и съемки высокого пространственного разрешения на конкретный очаг повреждения древостоев [1].
Цель данной работы: оценить информативность данных из разных спектральных диапазонов для выделения повреждённых лесов по снимкам Landsat 8 OLI и Ресурс-П.
Задачи:
- классификация лесов, поврежденных шелкопрядом, по данным
Landsat;
- классификация лесов, поврежденных шелкопрядом, по данным Ресурс П с использованием текстурных признаков;
- анализ результатов - оценка информативности разных каналов и текстурных признаков.
✅ Заключение
В ходе работы были изучены характеристики данных приборов Landsat 8 OLI и Ресурс-П.
Была проведена классификация фрагмента изображения Landsat 8 OLI для выделения лесов, поврежденных шелкопрядом, с помощью методов классификации с обучением. Наиболее информативным стал метод максимального правдоподобия. Обучающие выборки были созданы для классов: поврежденных лесов, здоровых лесов, рек, болот, гор, лугов. С помощью расстояния Джеффриса-Матусита была проверена разделимость обучающих выборок. Оценена информативность спектральных каналов. Наиболее информативными каналами оказывается пара каналов: зеленый и ближний ИК.
Для снимка Ресурс-П была проведена классификация методом с обучением с помощью метода максимального правдоподобия. Обучающие выборки были созданы для классов: поврежденные леса, здоровые леса, реки, болота, кустарники, напочвенный покров, тень деревьев. С помощью расстояния Джеффриса-Матусита была проверена разделимость обучающих выборок. Оценена информативность спектральных каналов. были рассчитаны текстурные характеристики: дисперсия, асимметрия, островершинность функции плотности вероятности, среднее эвклидово расстояние. Текстурные признаки здоровых и поврежденных лесов не различимы.
По снимку Ресурс-П выделяется значительно больше поврежденных деревьев чем по снимку Landsat 8 OLI и визуально на снимке эти деревья действительно отличаются и ближе по цвету к погибшим деревьям. Поскольку отсутствуют наземные данные и фактическое состояние деревьев неизвестно на этих территориях, нет возможности проверить результат классификации.
Была проведена классификация фрагмента изображения Landsat 8 OLI для выделения лесов, поврежденных шелкопрядом, с помощью методов классификации с обучением. Наиболее информативным стал метод максимального правдоподобия. Обучающие выборки были созданы для классов: поврежденных лесов, здоровых лесов, рек, болот, гор, лугов. С помощью расстояния Джеффриса-Матусита была проверена разделимость обучающих выборок. Оценена информативность спектральных каналов. Наиболее информативными каналами оказывается пара каналов: зеленый и ближний ИК.
Для снимка Ресурс-П была проведена классификация методом с обучением с помощью метода максимального правдоподобия. Обучающие выборки были созданы для классов: поврежденные леса, здоровые леса, реки, болота, кустарники, напочвенный покров, тень деревьев. С помощью расстояния Джеффриса-Матусита была проверена разделимость обучающих выборок. Оценена информативность спектральных каналов. были рассчитаны текстурные характеристики: дисперсия, асимметрия, островершинность функции плотности вероятности, среднее эвклидово расстояние. Текстурные признаки здоровых и поврежденных лесов не различимы.
По снимку Ресурс-П выделяется значительно больше поврежденных деревьев чем по снимку Landsat 8 OLI и визуально на снимке эти деревья действительно отличаются и ближе по цвету к погибшим деревьям. Поскольку отсутствуют наземные данные и фактическое состояние деревьев неизвестно на этих территориях, нет возможности проверить результат классификации.
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.