Дешифрирование — это процесс распознавания и интерпретации информации, содержащейся на цифровых изображениях, с целью получения достоверных данных о форме, размерах и пространственном расположении объектов. Выделяют полевое, камеральное и комбинированное дешифрования [1].
Dzetsaka — инструмент предназначен для определения разновидностей растительного покрова. У инструмента есть два ключевых этапа работы. Сначала необходимо подготовить обучающие данные для классификации изображений. Затем следует выбрать тип классификации для обработки изображений.
В самом QGIS о плагине dzetsaka говорится так: «Разработанный Лукой Конгедо плагин полуавтоматической классификации (SCP) позволяет контролировать классификацию изображений дистанционного зондирования, предоставляя инструменты для загрузки, предварительной обработки и постобработки изображений» [2].
Проводилось дешифрирование снимков Landsat за 2011 и 2022 года на территорию Мордовского заповедника в программе QGIS.
В QGIS чтобы открыть рабочее окно модуля необходимо нажать кнопку управления модулем (слева от кнопки «лупа»). Необходимо нажать на лупу, чтобы появилось окно для настройки автоматической классификации. Тут выбирается снимок, который будет дешифрироваться, слой с эталонами и поле, относительно которого будет производиться оцифровка (Рисунок 1). На рисунке 2 представлен результат автоматической классификации через модуль dzetsaka.
Далее, опираясь на карту лесоустройства Мордовского заповедника, каждому объекту растительности задаётся свой стиль (Рисунок 3).
На основе автоматической классификации можно создать тематические карты классификации, к примеру на 2011 и 2022 года.
Для этого необходимо обрезать растр через «Растр – Извлечение — Обрезать растр по маске», выбирается исходный слой и слой маски. В результате получится необходимая территория.
Чтобы создать макет печати нужно нажать «Проект – Менеджер макетов». В появившемся окне «Управление макетами» создаётся пустой макет.
Нажав кнопку «Добавить карту» выбирается участок, на который требуется добавить карту. Задаётся масштаб в моей работе – 1:50000. Так же необходимо через кнопку «Добавить легенду» добавить легенду и оформить её. Полностью оформив макет печати, можно производить экспорт, для этого нажимается «Макет – Экспорт в PDF». В результате были получены карты классификации за 2011 и 2022 года (Рисунок 4, 5).
Изучив рисунки 4 и 5, можно сделать вывод, что автоматическая классификация не может дать стопроцентной правдоподобности, и оператору необходимо самому производить анализ классифицированных объектов. Можно сказать, что липа среднеплотная и сосна спелая ярко выделяются среди всех остальных пород, и программа определяет их безошибочно. Хуже дело обстоит с берёзой спелой и осиной спелой, которые программа определила с большими ошибками. Это может быть связано как с возрастом дерева, так и с его строением лиственного покрова.
NDVI (Normalized Difference Vegetation Index) — это нормализованный вегетационный индекс, который служит показателем качества и количества растительности на полях. Он вычисляется на основе спутниковых снимков и учитывает особенности отражения и поглощения растениями световых волн различной длины. Также позволяет агрономам определить проблемные зоны на полях. NDVI оценивает количество хлорофилла в растениях и то, насколько хорошо они отражают световые волны.
NDVI рассчитывается по формуле отношения между разностью интенсивностей отраженного света в красном и инфракрасном диапазоне и их суммой.
где:
NIR — инфракрасный диапазон,
RED — красный диапазон.
Чтобы создать карту NDVI необходимо загрузить определённые канал для каждого из Landsat. Для Landsat-5, каналы 3 и 4, и Landsat-9, каналы 4 и 5. После в меню выбирается «Слой — Добавить слой — Добавить растровый слой». Перейдя в окно «Источники данных», выбирается и добавляется нужный растр. По итогу будут загружены чёрно-белые снимки.
После необходимо произвести расчёт. Для этого в меню нажимается «Растр — Калькулятор растров» и появляется окно «Калькулятор растров», в котором требуется напечатать выражение, по формуле, указанной выше и как показано на рисунке 6.
В результате чего получается в оттенках серого растровый слой NDVI и производится его настройка стиля как показано на рисунке 7. В итоге получается карта растительности (Рисунок 8).
Изучив карты NDVI за 2011 и 2022 год, можно сказать, что такая растительность, как липа среднеплотная и сосна спелая, как и на картах классификации более точно заметны, в отличие от других деревьев, а это значит, что данный способ хорошо определяет именно эти породы деревьев. Тёмные отметки на картах NDVI говорят, что это спелая берёза. Также отчётливо видны гари в виде бледно зелёных оттенков. Соответственно можно сделать вывод, что многие факторы при классификации программами зависят от возраста дерева, строения лиственного покрова, и конечно, от человеческого фактора. А меняя интервал классов, их количество, можно производить сравнение растительностей и выделять один тип относительно другой, или растительность относительно объектов, которые не являются растительностью.
Список использованных источников
- Дешифрирование аэро и–космических снимков. Курс лекций и практических занятий Саратовский государственный университет им. Чернышевского [Электронный ресурс] – Режим доступа : http://elibrary.sgu.ru/uch_lit/549.pdf
- Малышева Н.В. Автоматизированное дешифрирование аэрокосмических изображений лесных насаждений. Учебное пособие / Н.В. Малышева – Москва : Издательство Московского государственного университета леса, 2012. – 154 с.