РОЖКОВ Юрий Филиппович – к.х.н., зам. директора
КОНДАКОВА Мария Юрьевна – к.б.н., с.н.с.
Проведена оценка возможности совместного использования двух инструментов кластерного анализа в мониторинге состояния лесов. Мультиспектральные космические снимки высокого разрешения Landsat TM/ЕТМ+ и RGB-покрытие DigitalGlobe сверхвысокого разрешения и их фрагменты подвергались двухэтапной обработке. Вначале проводилась неуправляемая классификация методом ISODATA (Iterative Self-Organizing Data Analysis Technigue). Затем проводился расчет тематической разности результатов классификации. Показана связь между количеством классов и количеством объектов, определяемых при классификации на два, четыре, шесть, десять классов. Проведено определение оптимального количества классов для выделения различных уровней структурной организации лесных экосистем. При классификации на два класса в случае снимков высокого разрешения оценивается лесистость выделенных фрагментов снимков. При классификации снимков сверхвысокого разрешения на два класса определяется соотношение между площадью крон и площадью между кронами деревьев. При классификации снимков высокого разрешения на четыре класса выделяются подклассы более густого и редкого древостоя, подклассы с открытыми пространствами и участки, покрытые кустарниками и редколесьями.
The possibility of combination of two cluster analysis tools for forests state monitoring was assessed. Multispectral space images of high resolution Landsat TM / ETM + and ultra-high resolution RGB-coating DigitalGlobe and their fragments were subjected to two-stage processing. At first unsupervised classification was performed using the ISODATA (Iterative Self-Organizing Data Analysis Technique) method. Then the thematic difference in the classification results was calculated. A relationship between the number of classes and the number of objects defined in the classification into two, four, six, ten classes is shown. The optimal number of classes for distinguishing different levels of structural organization of forest ecosystems are determined. When classifying into two classes in case of high-resolution images forest cover of selected fragments of the images is estimated. When classifying ultra-high resolution images into two classes, the ratio between the area of crowns and the area between the tree crowns is determined. When classifying high-resolution images into four classes, subclasses of more dense and sparse stand, subclasses with open spaces and areas covered with shrubs and woodlands are distinguished.
The authors declare that there are no conflicts of interest present.