Главная
База знаний "Allbest"
Геология, гидрология и геодезия
Применение аэрокосмической информации при проведении мониторинга деградации почвенно-растительного покрова
Применение аэрокосмической информации при проведении мониторинга деградации почвенно-растительного покрова
Преимущества методов дистанционного зондирования Земли из космоса. Виды съемок, методы обработки снимков. Виды эрозионных процессов и их проявление на космических изображениях. Мониторинг процессов фильтрации и подтопления от промышленных отстойников.
| Рубрика | Геология, гидрология и геодезия |
| Вид | курсовая работа |
| Язык | русский |
| Дата добавления | 07.05.2015 |
| Размер файла | 8,4 M |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Классификация изображений предусматривает применение байесовские процедуры, метода максимального правдоподобия, метода параллелепипеда метода минимальных расстояний и др. Возможны вычисление вегетационного индекса и анализ главных компонентов, кластерный анализ.
Классификация - это тематическая обработка, которая позволяет производить автоматизированное разбиение снимков на однородные по какому-либо критерию области (классы объектов). Получающееся при этом изображение называется тематической картой. Поскольку обычно выделяют содержательно интерпретируемые классы объектов, то классификацию можно рассматривать как процедуру автоматизированного дешифрирования ДДЗ. Процедура классификации основывается чаще всего на статистическом анализе различных характеристик изображения: пространственных, спектральных или временных. К простейшим полезным пространственным характеристикам относятся: текстура, контекст, форма и структурные соотношения. Под временными характеристиками следует понимать сезонные изменения земных покровов (особенно растительности), которые могут служить их индикаторами. Однако принято считать, что основную информацию о природе объектов на земной поверхности содержат их спектральные характеристики. Поэтому в большинстве известных алгоритмов классификации используются спектральные образы (сигнатуры) типов покрытий [1].
Различают два основных методологических подхода к проведению рассматриваемой процедуры: классификацию с обучением и автоматическую классификацию. В случае классификации с обучением, задача состоит в обнаружении на изображении объектов уже известных типов, что требует некоторых предварительных знаний об исследуемом участке земной поверхности. На первом шаге процедуры необходимо интерактивно выбрать на изображении эталонные участки являющиеся характерными (типичными) представителями выделяемых классов объектов. Этап обучения заключается фактически в расчете и анализе некоторого набора статистических характеристик распределения значений пикселов, составляющих эти полигоны. Однако большей популярностью пользуется другой вид классификации, который не требует дополнительной наземной информации и глубокого знания дистанционных методов обработки. Методологической основой автоматической классификации является кластерный анализ, в ходе которого пытаются определить все встречаемые типы объектов при некотором уровне обобщения (выбранных критериях объединения, разделения или числа классов), а задача их интерпретации решается на втором этапе. Существуют алгоритмы сочетающие элементы классификаций с обучением и автоматической.
По способу отнесения отдельных элементов изображения к тому или иному классу объектов, различают жесткие и мягкие классификаторы. В случае жестких (традиционных) классификаторов, принимается строго определенное решение относительно принадлежности пикселов к некоторому классу. Мягкие же классификаторы оценивают вероятность, с которой анализируемый элемент изображения может принадлежать всем рассматриваемым классам покрытий (включая и неизвестные). Современные классификаторы позволяют также вводить элемент неопределенности на разных стадиях процесса, что допускает присутствие смешанных классов покрытий в каждом отдельном пикселе (субпиксельная классификация). Еще один сравнительно новый вид классификации связан с обработкой гиперспектральных данных. Такие данные поступают с экспериментальных систем ДЗ работающих с очень узкой шириной зон традиционного спектрального диапазона, что увеличивает количество спектральных каналов до десятков и даже сотен. В этом случае для автоматизированного выделения классов объектов покрытий используются библиотеки спектральных кривых различных земных материалов [1].
Часто возникает необходимость тематической корректировки результатов классификации, особенно автоматической, выполняемой фактически по информационным характеристикам объектов. Для этого используется целый набор процедур, называемый операциями после классификационной обработки: слияние классов, разделение классов, устранение мелких ложных объектов, сглаживание границ объектов и т.п.
Важным этапом в процессе классификации является оценка точности полученных изображений, которая может выполняться как по данным полевых измерений, так и путем сравнения с соответствующими тематическими картами.
Данная область обработки ДДЗ в настоящее время довольно интенсивно развивается: появляются новые классификаторы, основанные на последних достижениях в области моделирования искусственного интеллекта и других областях прикладной математики (например, нейронные сети).
Методы автоматической классификации, часто называемые кластерным анализом, основаны на анализе пространственных признаков, полученных по всем объектам изображения. Кластер - это однородный участок изображения, с точки зрения некоторого набора признаков (яркостных, геометрических, текстурных, физических/биофизических). Наиболее широко известен алгоритм кластерного анализа ISODATA, который относится к категории самоорганизующихся, поскольку требует минимальных априорных знаний для задания исходных параметров. Данный алгоритм использует критерий близости точек в пространстве признаков. Процесс начинается с задания числа выделяемых кластеров, имеющих произвольные средние значения. Последующая автоматическая итеративная процедура направлена на последовательное приближение начальных значений к центрам кластеров. После каждой итерации вычисляются новые центры кластеров с учетом расположения в пространстве признаков пикселей, соответствующих каждому из них. Процесс повторяется до тех пор, пока изменения между итерациями не будут минимальными [1].
2.3 Вычисление нормализованного разностного индекса растительности
Характерным признаком растительности и ее состояния является спектральная отражательная способность, характеризующаяся большими различиями в отражении излучения разных длин волн. Знания о связи структуры и состояния растительности с ее спектрально отражательными способностями позволяют использовать космические снимки для картографирования и идентификации типов растительности и их стрессового состояния. Для работы со спектральной информацией часто прибегают к созданию так называемых "индексных" изображений. На основе комбинации значений яркости в определенных каналах, информативных для выделения исследуемого объекта, и расчета по этим значениям "спектрального индекса" объекта строится изображение, соответствующее значению индекса в каждом пикселе, что и позволяет выделить исследуемый объект или оценить его состояние. Спектральные индексы, используемые для изучения и оценки состояния растительности, получили общепринятое название вегетационных индексов [2].
Вегетационный индекс - показатель, рассчитываемый в результате операций с разными спектральными диапазонами (каналами) данных дистанционного зондирования, и имеющий отношение к параметрам растительности в данном пикселе снимка. Главным преимуществом вегетационных индексов является легкость его получения. Индексы отражают общее количество растительности и используются для оценки ее состояния при решении широкого круга задач. Они суммируют и отражают влияние таких факторов, как содержание хлорофилла, площадь листовой поверхности, сомкнутость и структура растительного покрова. Основное назначение этих индексов - картирование растительного покрова, выявление площадей покрытых и непокрытых растительностью, оценка и мониторинг состояния растительного покрова, оценка продуктивности и урожайности.
Расчет большей части вегетационных индексов базируется на двух наиболее стабильных (не зависящих от прочих факторов) участках кривой спектральной отражательной способности растений. На красную зону спектра (0.63 - 0.690 мкм) приходится максимум поглощения солнечной радиации хлорофиллом, а на ближнюю инфракрасную зону (0.75 - 0.90 мкм) максимальное отражение энергии клеточной структурой листа. Т.е. высокая фотосинтетическая активность (связанная, как правило, с большой фитомассой растительности) ведет к более низким значениям коэффициентов отражения в красной зоне спектра и большим значениям в ближней инфракрасной. Как это хорошо известно, отношение этих показателей друг к другу позволяет четко отделять растительность от прочих природных объектов.
Обычно используют: вегетационный индекс нормализованной разности (Normalized Difference Vegetation Index/NDVI); индекс фотохимической отражательной способности (Photochemical Reflectance Index/PRI); индекс полосы воды (Water Band Index/WBI).
Индекс NDVI считается индикатором структуры растительного покрова, индекс PRI-индикатором уровней основных пигментов листовой поверхности (хлорофилла, каротиноидов и др.), индекс WBI-индикатором содержания воды в растениях. Все фотосинтезирующие растения содержат зеленый пигмент-хлорофилл, а также пигменты желтого или оранжевого цвета-каротиноиды (каротин и ксантофилл). Пигменты, необходимые для протекания фотосинтеза, локализованы в специальных тельцах клетки-хлоропластах, линейные размеры которых составляют несколько микрометров, т.е. могут наблюдаться в лабораторных условиях с помощью микроскопа. Оба отмеченных пигмента определяют характерные цвета листьев растений (преобладание зеленого цвета хлорофилла, желто-красного и других оттенков каротиноидов). Спектры поглощения хлорофилла (основного пигмента, характерного для высших растений) имеют резкие максимумы вблизи длин волн 430 нм и 660 нм, что обусловливает преобладание зеленого цвета у нормально вегетирующих растений. Каротиноиды поглощают свет на длинах волн менее 540 нм; воздействие этих пигментов заметно при проявлении стрессовых состояний в процессе завядания и отмирания листвы. В действительности использование индекса NDVI-слишком упрощенная процедура описания структуры растительного покрова (Kozoderov, Dmitriev, 2008).
Индекс PRI-не менее упрощенная попытка описания эффективности использования световой энергии при расчетах поглощенной ФАР. В частности, общепринятой считается практика использования отношения разности отражательной способности листьев на длинах волн 570 и 531 нм к сумме этих же величин для описания индекса PRI (Gamonetal., 1997). До некоторой степени это аналог NDVI. Выбор именно этих длин волн нового индекса определяется характерными условиями поглощения излучения вегетирующей растительностью на этих длинах волн солнечного излучения.
Индекс WBI характеризует полосу поглощения излучения водяным паром на длине волны 970 нм. Возникает вопрос: если все исследования по оценке состояния растительности свести к этим трем основным индексам (для этого достаточно использовать данные менее десятка каналов ДЗ), то зачем тогда нужны гиперспектральные измерения с сотнями каналов? Значения потока ФАР при фотосинтезе, когда в хлоропластах растительного листа поглощаются молекулы углекислого газа, выражаются в молях на единицу площади в течение определенного промежутка времени. Один моль-это количество вещества, масса которого, выраженная в граммах, численно равняется его молекулярному весу (для молекулы углекислого газа этот вес равен 44 г). Количество частиц (атомов, молекул) в одном моле любого вещества постоянно и носит название числа Авогадро (6,02 Ч 1023). Именно такое количество молекул содержит 1 моль кислорода О2, водяного пара Н2О, углекислого газа СО2 и т.д. Известно, что 1 моль любого газа при нормальных условиях (температура около 0°С, давление 760 мм ртутного столба) занимает объем около 22,4 л. При таких условиях данный гипотетический объем, заполненный полностью молекулярным водородом Н2, будет весить 2 г, метаном СН4 - 16 г, водяным паром 18 г и т д [8].
В натурных полевых условиях на фитоэлементах закрепляют специальные объемные камеры для измерения скорости фотосинтеза по газообмену, т.е. по скорости выделения О2 и поглощения СО2, вместе со скоростью воздействия квантов солнечного излучения, падающего на такую измерительную систему. На летательные средства устанавливается аппаратура ДЗ, позволяющая после статистической обработки соответствующих данных получать информацию об осредненных значениях скорости ветра и потоков водяного пара и углекислого газа по трассе пролета (Rahmanetal., 2001). Потоки выражают в весовых единицах на единицу площади в единицу времени. В частности, для СО2 потоковые значения данных ДЗ можно выразить в мг/ (м2 с), учитывая, что в этом случае 1 мг = (1/44) Ч 10-3 моль.
Разные типы растительности по-разному усваивают углекислый газ при соответствующих внешних условиях тепло-, влаго - и энергообмена.
Используя индексы NDVI, PRI и модель эффективности усвоения световой энергии, для выделенных классов растительного покрова можно попиксельно построить значения потоков углекислого газа для выделенной области и сопоставить эти значения выделенным классам (например, упомянутым выше 7 классам по данным самолетных гиперспектрометров вместе с наземной валидационной картой пространственного распределения этих классов). Результаты проекта BOREAS показали, что осредненные в течение двух часов относительно полудня на выбранную дату значения "скорости общего перехвата углерода" (midday gross carbon up take rates) находятся в хорошем соответствии с результатами как классификации растительности (первые пять из указанных классов) по данным гиперспектрометров, так и измерений потоков на наземной сети станций. Полученные данные о скоростях отображаются в тех же единицах (моль на единицу площади в единицу времени), в которых измеряются потоки ФАР с помощью наземной измерительной аппаратуры. Обычно рассматривается измерительная область 400-700 нм для счетчиков фотонов с учетом квантовой эффективности используемых приемников. Значения поглощенной ФАР увязывают с индексом PRI, который может характеризовать стрессовое состояние растительности за счет дефицита увлажнения (Thenotetal., 2002) [4].
В данной работе использовалась концепция наиболее популярного и часто используемого индекса - NDVI (Normalized Difference Vegetation Index) - нормализованный разностный индекс растительности.
Индекс вычисляется по следующей формуле:
NDVI= (L2-L1) / (L2+L1),
где L2 - коэффициент отражения в ближней инфракрасной области спектра;
L1 - коэффициент отражения в красной области спектра [3].
Отношение этих показателей друг к другу позволяет четко отделять и анализировать растительные объекты от прочих природных объектов. Использование же не простого отношения, а нормализованной разности между минимумом и максимумом отражений увеличивает точность измерения, позволяет уменьшить влияние таких явлений как различия в освещенности снимка, облачности, дымки, поглощение радиации атмосферой и пр.
Для растительности индекс NDVI принимает положительные значения, и чем больше зеленая фитомасса, тем они выше. На значения индекса влияет также видовой состав растительности, ее сомкнутость, состояние, экспозиция и угол наклона поверхности, цвет почвы под разреженной растительностью. Индекс умеренно чувствителен к изменениям почвенного фона, кроме случаев, когда густота растительного покрова ниже 30%. Индекс может принимать значения от - 1 до 1. Для зеленой растительности индекс обычно принимает значения от 0,2 до 0,8. Нулевые значения NDVI соответствуют зеркалу озер и открытой почве.
2.4 Виды эрозионных процессов и особенности их проявления на космических изображениях
Выявление и оценка эродированных и эрозионно опасных земель, а также защита почв от эрозии - одна из главных проблем природопользования. Актуальность ее возрастает в связи с все более интенсивным использованием уже освоенных земель, дальнейшим вовлечением в распашку земель, ранее считавшихся малопригодными.
В нашей стране и за рубежом проводятся разносторонние исследования эрозионных процессов и испытание противоэрозионных приемов. К настоящему времени накоплен большой материал, характеризующий интенсивность смыва почв на разных по строению и уровню использования землях, свойства смытых почв, интенсивность роста оврагов, эффективность отдельных и комплекса противоэрозионных мероприятий. Вместе с тем многие ученые отмечают, что полученный материал весьма разнокачественный, разными исследователями применялись не только различные методы исследований, но и разные методологические подходы, часто исследователи упрощали эрозионные процессы, а исследования носили описательный характер. Поэтому выявление и оценка эродированных земель и динамика их развития по материалам космической съемки, позволит в короткие сроки выполнить большой объем работ по получению информации в картографическом виде для решения природоохранных задач, значительно снизить как экономические затраты из-за низкой стоимости космической информации, так и затраты рабочего времени на проведение подобных исследований [2].
Экстенсивное ведение земледелия в Западной Сибири привело к повсеместной деградации почв пахотных угодий и значительному снижению их потенциального плодородия. Одной из основных причин негативных последствий является активизация разрушения почв антропогенно-преобразованных ландшафтов процессами смыва и дефляции. В Алтайском крае значительную часть сельскохозяйственных угодий представляют почвы, которые оцениваются как эрозионно- и дефляционно-опасные: в лесостепной зоне более 50% почв слабо - и среднесмыты, деградация гумусного слоя в результате дефляции составляет 5 см. за 10 лет. Усиление эрозионных процессов обусловлено резким уменьшением защитных функций естественной растительности и противоэрозионной устойчивости почв, подвергшихся длительному хозяйственному воздействию. В результате эрозии происходит ухудшение плодородия почв (поверхностная эрозия и дефляция) или полное уничтожение почв (линейная эрозия).
Особенностью проявления на космических снимках эрозионных процессов является непостоянство яркостных характеристик в различных участках изображения, которое возникает в результате выхода на поверхность более глубоких горизонтов почвы, диффузии пахотного и подпахотного слоев, а также повышения биомассы растительности на эрозионных участках, которое связано с намывом плодородной почвы в местах движения водных потоков. В этом случае характер кривой спектрального отражения меняется. Для большинства типов почв с нормально развитым генетическим профилем эти изменения влияют, прежде всего, на интенсивность изображения, когда кривая спектрального отражения практически не изменяется по форме, но все величины спектрального коэффициента отражения пропорционально возрастают на всех длинах волн. Такие изменения свойственны почвам с монотонным гумусированным профилем, например, черноземам. В почвах с резко дифференцированным генетическим профилем, или если эрозией захвачены очень большие толщи почвы, изменениям величин интегрального отражения сопутствуют изменения тональности окраски. Кроме того, в процессе дешифрирования участков местности, подвергшихся линейной эрозии, важную роль играет характерная форма изображения. Для выделения и оценки эрозионных процессов почв был проведен синтез трех каналов сканерного изображения (рис. 2.4.1., 2.4.2), с последующим преобразованием гистограммы яркости (рис. 2.4.3., 2.4.4).
Процессы водной эрозии почвы при малом смыве довольно хорошо дешифрируются на снимках, полученных в летний период. В этом случае по направлению смыва наблюдается увеличение яркости изображения, что соответствует увеличению биомассы растительности, т.к. на этих участках почва содержит больший процент гумуса благодаря ее растрескиванию после схода талых вод и последующим заполнением нижних горизонтов материалом гумусово-аккумулятивного горизонта. Особенно хорошо такие участки поверхностной эрозии проявляются при расчете вегетационного индекса NDVI, благодаря повышению значения индекса за счет увеличения биомассы растительности (рис. 2.4.5, 2.4.6).
На весенних снимках эти участки имеют более низкие значения яркости благодаря избыточному увлажнению. В этот период очень хорошо дешифрируется сильно эродированная почва, хотя смыва до нижних, более светлых горизонтов, не наблюдается, а также поверхностная эрозия. На осенних снимках выделяются только овраги с размытостью почвы до почвообразующей породы.
Сравнительный анализ результатов обработки разновременных космических снимков показал, что площадь деградированных земель в результате эрозионных процессов значительно увеличилась.
2.5 Мониторинг процессов фильтрации и подтопления от промышленных отстойников
Сложная экологическая обстановка возникает в районах промышленных отстойников горно-обогатительных комбинатов. Фильтрационные процессы и поднятие уровня грунтовых вод приводят к избыточной минерализации почвенного покрова, заболачиванию и выносу вместе с водой вредных веществ на значительные территории обитания населения, а также связанные с сельскохозяйственным производством.
Для оперативного контроля гидрологической обстановки территории, прилегающей к отстойникам промышленного производства Алтайского горно-обогатительного комбината г. Горняка и подвергающейся интенсивному фильтрационному процессу, может быть использован дистанционный метод, использующий сезонную сканерную орбитальную съемку (рис. 2.5.1).
Наиболее информативным для оценки увлажненности территории является период с момента схода снежного покрова до появления растительности. Открытой воде и переувлажненной почве на сканерных снимках в весенний и зимний периоды соответствуют минимальные значения спектральной яркости. На летних изображениях участки наибольшего увлажнения дешифрируются по высоким яркостям растительности. При расчете индекса NDVI переувлажненные участки имеют наибольшее значение индекса за счет увеличения биомассы растительности (рис. 2.5.2., 2.5.3., 2.5.4).
Анализ изображений территории, прилегающей к промышленному отстойнику, показал, что фильтрационные процессы имеют место по всему периметру находящегося в эксплуатации промышленного отстойника. Подтопление распространяется по естественной впадине в рельефе, которая образует бессточную область.
Переувлажненная почва около отстойника для последующей площадной оценки и формирования векторных слоев выделялись на исходном изображении методом автоматической классификации с использованием алгоритма ISODATA. Далее классифицированное изображение трансформировалось в проекцию цифровой топографической карты масштаба 1: 50000 по опорным точкам методом наименьших квадратов с помощью программного обеспечения ENVI 5.0. При совместном анализе результатов расчета вегетационного индекса NDVI и классификации были сформированы векторные слои, соответствующие классам переувлажненной почве и заболоченным участкам. На рисунках масштаба 1: 150000 показана динамика подтопления земель в период с 1989 по 2014 года (рис.2.5.5., 2.5.6., 2.5.7).
Площадная оценка векторных слоев проводилась в геоинформационной системе MapInfo10.5. Анализ картограммы засоленных земель и картограммы эрозии почв колхозов Локтевского района масштабов 1: 10000 и 1: 25000, составленных по материалам почвенно-мелиоративного исследования 1983 года, и проведенное картирование переувлажненных участков, показал, что подповерхностный сток, обусловленный фильтрацией воды из отстойника, а также выбросами на поверхность шахтных вод, распространяется на территорию, занятую сельскохозяйственными полями и дачными участками (рис. 2.5.8).
Общая площадь территории, являющейся переувлажненной, а также с уровнем грунтовых вод менее 1 м составила около 3.6 тыс. га.
Сравнительный анализ указывает на уменьшение площади подтопления в связи с остановкой производства. В 1995 году горно-обогатительный комбинат прекратил свое существование, однако сухой осадок, образовавшийся в результате высыхания промышленных вод и содержащий высокую концентрацию тяжелых металлов, разносится ветром на значительные территории. В результате деградации почвенного покрова участки заболачивания были выведены из состава пахотных земель (рис. 2.5.9, 2.5.10).
Кроме г. Горняка значительную антропогенную нагрузку на данную территорию оказывают шахтные воды из отстойников ГОК, расположенного в г. Жезкент (Казахстан) (рис. 2.5.1).
Анализ материалов дистанционного зондирования показал, что процессы трансграничного переноса и подтопления территории Алтайского края наблюдаются с 1989 года до настоящего времени. Подтопление распространяется по естественной впадине в рельефе. Шахтные воды впадают в бессточное озеро, расположенное около ленточного бора. На территории распространения сточных вод наблюдаются повышенные значения индексов NDVI на всех изображениях, полученных в весенне-летний период с 1989 года (рис. 2.5.2, 2.5.4).
Заключение
Сравнительный анализ результатов обработки разновременных космических снимков показал, что площадь деградированных земель в результате эрозионных процессов значительно увеличилась.
Анализ изображений территории, прилегающей к промышленному отстойнику, показал, что фильтрационные процессы имеют место по всему периметру отстойника. Подповерхностный сток, обусловленный фильтрацией воды из отстойника, а также выбросами на поверхность шахтных вод, распространяется на территорию, занятую сельскохозяйственными полями и дачными участками. Подтопление распространяется по естественной впадине в рельефе, которая образует бессточную область.
Общая площадь территории, являющейся переувлажненной, а также с уровнем грунтовых вод менее 1 м составила около 3.6 тыс. га. Площадь подтопления уменьшились в связи с остановкой производства, однако сухой осадок, образовавшийся в результате высыхания промышленных вод и содержащий высокую концентрацию тяжелых металлов, разносится ветром на значительные территории.
В результате деградации почвенного покрова участки заболачивания были выведены из состава пахотных земель.
Кроме г. Горняка значительную антропогенную нагрузку на данную территорию оказывают шахтные воды из отстойников ГОК, расположенного в Казахстане г. Жезкент. Шахтные воды впадают в бессточное озеро, расположенное около ленточного бора
Анализ материалов дистанционного зондирования показал, что процессы трансграничного переноса и подтопления территории Алтайского края наблюдаются с 1989 года до настоящего времени.
Список использованной литературы и источников
1. Кашкин В.Б., Сухинин А.И. Дистанционное зондирование Земли из космоса. Цифровая обработка изображений: Учебное пособие. - М.: Логос, 2001. - 264 с.: ил.
2. Зятькова Л.К., Елепов Б.С. У истоков аэрокосмического мониторинга природной среды ("Космос" - программе "Сибирь"): монография. - Новосибирск: СГГА, 2007. - 380 с.
3. Ведешин Л.А. Глобальная система аэрокосмического мониторинга Земли и управление природными и природно-антропогенными процессами и явлениями - М.: ВИНИТИ. - 2008. - 254 с.
4. Козодеров В.В., Дмитриев Е.В. Аэрокосмическое зондирование почвенно-растительного покрова: модели, алгоритмическое и программное обеспечение, наземнаявалидация. Исследование Земли из космоса. - 2010. - 276 с.
5. Ковриго В.П., Кауричев И.С., Бурлакова Л.М. Почвоведение с основами геологии. - М.: Колос, 2000. - 416 с.
6. Кондратьев К.Я., Вандышева Н.В., Козодеров В.В., КосолапоеB. C. Оценка параметров почвенно-растительного покрова по многоспектральным спутниковым данным. - Исследование Земли из космоса. 1992.295 с.
7. Агрохимическая характеристика почв СССР. Кн.1-14. - М.: Наука, 1962-1974.
8. Беляев Б.И., Катковский Л.В., Сосенко В.А. Дистанционные методы и аппаратура для исследования Земли из космоса. Наука и инновации. 2013. № 5.123 с.
Приложения
Приложение 1
Рисунок 2.4.1 - Изображение поверхностной и линейной эрозии на сканерном снимке (1989 год).
Приложение 2
Рисунок 2.4.2 - Изображение поверхностной и линейной эрозии на сканерном снимке (2014 год).
Приложение 3
Рисунок 2.4.3 - Гистограммаизображения поверхностной и линейной эрозии (1989 год).
Рисунок 2.4.4 - Гистограмма изображения поверхностной и линейной эрозии (2014 год).
Приложение 4
Рисунок 2.4.5 - Изображение индекса NDVI в зоне линейной и поверхностной эрозии (1989 год).
Приложение 5
Рисунок 2.4.6 - Изображение индекса NDVI в зоне линейной и поверхностной эрозии (2014 год).
Приложение 6
Рисунок 2.5.1 - Гидрологическая обстановка территории, прилегающей к отстойникам промышленного производства Алтайского горно-обогатительного комбината.
Приложение 7
Рисунок 2.5.2 - Изображение индекса NDVI на переувлажнённых участках (1989 год).
Приложение 8
Рисунок 2.5.3 - Изображение индекса NDVI на переувлажнённых участках (2000 год).
Приложение 9
Рисунок 2.5.4 - Изображение индекса NDVI на переувлажнённых участках (2014 год).
Приложение 10
Рисунок 2.5.5 - Динамика подтопления земель (1989 год).
Приложение 11
Рисунок 2.5.6 - Динамика подтопления земель (2000 год).
Приложение 12
Рисунок 2.5.7 - Динамика подтопления земель (2014 год).
Приложение 15
Рисунок 2.5.10 - Динамика деградации почвенно-растительного покрова (8 июля 2014 год).
Размещено на Allbest.ru
Подобные документы
Мониторинг объектов населенных пунктов: сущность и задачи, информационное обеспечение. Современные системы дистанционного зондирования: авиационные, космические, наземные. Применение аэро- и космических съемок при мониторинге объектов населенного пункта.
дипломная работа [5,1 M], добавлен 15.02.2017Причины использования метода дешифрирования снимков. Влияние ледников на природу планеты. Оценка снежно-ледовых ресурсов Земли из космоса. Значение космических снимков. Этапы программы "космической помощи". Необходимость применения рекреационных карт.
реферат [20,2 K], добавлен 17.11.2011Проведение исследований гидрографических объектов. Требования к аппаратуре дистанционного зондирования Земли при проведении геоэкологических исследований нефтегазового комплекса. Характеристика съемочной аппаратуры, установленной на космических аппаратах.
курсовая работа [760,1 K], добавлен 15.03.2016Особенности применения космического мониторинга для оценки стихийных природных явлений. Получение материалов дистанционного зондирования. Мониторинг для оценки паводковой ситуации, землетрясений, пожаров, изменений площади зеркала воды Аральского моря.
курсовая работа [5,0 M], добавлен 22.01.2014Методы изучения океанов и морей из космоса. Необходимость дистанционного зондирования: спутники и датчики. Характеристики океана, исследуемые из космоса: температура и соленость; морские течения; рельеф дна; биопродуктивность. Архивы спутниковых данных.
курсовая работа [2,6 M], добавлен 06.06.2014Формирование и развитие почвенно-геохимического картографирования. Почвенно-геохимические карты в системе тематического картографирования. Виды почвенных съемок. Крупномасштабное картирование почв. Цели и методы крупномасштабного картирования почв.
курсовая работа [441,9 K], добавлен 18.04.2013Задачи и содержание дешифрирования снимков застроенных территорий. Методы дешифрирования материалов аэро- и космических съемок. Классификация демаскирующих признаков. Процесс автоматизированного распознавания образов на основе нейросетевых методов.
дипломная работа [2,8 M], добавлен 15.02.2017Дешифрирование - анализ материалов аэро- и космических съемок с целью извлечения из них информации о поверхности Земли. Получение информации путем непосредственных наблюдений (контактный способ), недостатки способа. Классификация дешифрирования.
презентация [2,2 M], добавлен 19.02.2011Значение инженерной геологии для строительства. Физико-механические свойства горных пород. Суть процессов внешней динамики Земли (экзогенных процессов). Классификация подземных вод, основной закон фильтрации. Методы инженерно-геологических исследований.
контрольная работа [1,5 M], добавлен 26.07.2010Анализ и прогноз инженерно-геологических процессов и явлений на участке строительства. Составление прогноза взаимодействия сооружения с окружающей средой. Выявление опасных природных и инженерно-геологических процессов. Причины и факторы подтопления.
курсовая работа [1,0 M], добавлен 28.08.2013
