Основные характеристики спектральных каналов для landsat 8. Сшивка Landsat ArcGis

Отметим, что для спутников двойного назначения разрешение снимков всегда больше по сравнению с коммерческими спутниками.

Приведём таблицу распределения спектральных каналов и области применения этих каналов (табл. 16).

Таблица 16.

Основные характеристики спектральных каналов (для Landsat-7)

Номер канала	Диапазон спектра (мкм)	Разрешение (м/пиксель)	Название



			Ближний инфракрасный

			Длинноволновый инфракрасный (тепловой)
			Средний (коротковолновый) инфракрасный
			Панхроматический (4,3,2)

1 канал (голубой):

наиболее чувствителен к атмосферным газам, и, следовательно, изображение может быть малоконтрастным;

имеет наибольшую водопроницаемость (длинные волны больше поглощаются), т.е. оптимален для выявления подводной растительности, факелов выбросов, мутности воды и водных осадков;

полезен для выявления дымовых факелов (т.к. короткие волны легче рассеиваются маленькими частицами);

хорошо отличает облака от снега и горных пород, а также голые почвы от участков с растительностью.

2 канал (зеленый):

чувствителен к различиям в мутности воды, осадочным шлейфам и факелам выбросов;

охватывает пик отражательной способности поверхностей листьев, может быть полезен для различения обширных классов растительности;

также полезен для выявления подводной растительности.

3 канал (красный):

чувствителен в зоне сильного поглощения хлорофилла, т.е. хорошо распознает почвы и растительность;

чувствителен в зоне высокой отражательной способности для большинства почв;

полезен для оконтуривания снежного покрова.

4 канал (ближний инфракрасный):

различает растительное многообразие;

может быть использован для оконтуривания водных объектов и разделения сухих и влажных почв, т.к. вода сильно поглощает ближние инфракрасные волны.

5 канал (средний или коротковолновый инфракрасный):

чувствителен к изменению содержания воды в тканях листьев (набухаемости);

чувствителен к варьированию влаги в растительности и почвах (отражательная способность уменьшается при возрастании содержания воды);

полезен для определения энергии растений и отделения суккулентов от древесной растительности;

особенно чувствителен к наличию/отсутствию трехвалентного железа в горных породах (отражательная способность возрастает при увеличении количества трехвалентного железа);

отличает лед и снег (светлый тон) от облаков (темный тон).

6 канал (длинноволновый инфракрасный или тепловой):

датчики предназначены для измерения температуры излучающей поверхности от -100 о С до 150 о С;

подходит для дневного и ночного использования;

применение тепловой съемки: анализ влажности почв, типов горных пород, выявление теплового загрязнения воды, бытового скопления тепла, источников городского производства тепла, инвентаризация живой природы, выявление геотермальных зон.

7 канал (средний, или коротковолновый инфракрасный):

совпадает с полосой поглощения излучения гидроминералами (глинистые сланцы, некоторые оксиды и сульфаты), благодаря чему они выглядят темными;

полезен для литологической съемки;

как и 5-й канал, чувствителен к варьированию влаги в растительности и почвах.

8 канал (панхроматический - 4,3,2):

наиболее типичная комбинация каналов, используемая в дистанционном зондировании для анализа растительности, зерновых культур, землепользования и водно-болотных угодий.

Многозональная съемка ведется многие годы, и исследователи накопили большой объем эмпирических данных. Уже хорошо известно, какие соотношения яркости в различных зонах спектра соответствуют растительности, обнаженной почве, водным поверхностям, урбанизированным территориям и другим распространенным типам ландшафта, существуют библиотеки спектров различных природных образований. Выразив эти соотношения в виде линейных комбинаций различных зон, можно получать так называемые индексы. Так как многие современные системы дистанционного зондирования Земли осуществляют съемку в видимой красной и ближней инфракрасной частях спектра, то распространенным методом является вычисление нормализованного вегетационного индекса (NDVI). Нормализованный вегетационный индекс показывает наличие и состояние растительности по соотношению отраженных энергий в 2 спектральных каналах. Вычисляется по следующей формуле:

где, NIR – отражение в ближней инфракрасной области спектра; RED – отражение в красной области спектра. Эта зависимость основана на различных спектральных свойствах хлорофилла в видимом и ближнем ИК диапазонах. Имеется опыт определения с помощью этого индекса проводились фенологические исследования М.А. Медведевой с соавторами.

Вегетационные индексы можно рассматривать как промежуточный этап при переходе от эмпирических показателей к реальным физическим свойствам растительного покрова.

Часто вычисляют универсальные и территориально-привязанные индексы: LAI – индекс листовой поверхности или FPAR – индекс фотосинтетической активной радиации, поглощаемый растительностью и пр. Индекс LAI можно измерить в натурных условиях. В настоящее время в Интернет ежемесячно публикуются растровые изображения LAI (пространственное разрешение 250 м) на весь мир. Эти данные в сочетании с методами классификации мультиспектральных изображений могут значительно повысить достоверность при обработке изображений в экспертных системах, учитывающих множество различной информации.

Анализ изображений, основанный, только на спектральных свойствах объектов ограничивает возможности получения информации о структуре насаждений. В основе текстурного анализа изображений лежит поиск закономерностей пространственной вариабельности пикселя и его окружения. Проведение текстурного анализа цифровых космоснимков позволяет автоматически разделять насаждения на выдела, по различиям в их структуре, так как изменение текстурных показателей связано с изменениями в распределении растительного покрова. Текстурные показатели являются дополнительным информационным ресурсом при обработке цифровых снимков из космоса в лесохозяйственных целях.

Муль тиспектральная классификация изображений основывается на поиске пикселей аналогичных эталону по его спектральным характеристикам. Это позволяет создавать лесные тематические электронные карты. Процедура классификации изображений заключается в поиске аналогичных пикселей изображения и группировке их в классы или категории, основанные на значениях яркостей. Классификация изображений разделяется на автономную и классификацию с обучением.

Точность мультиспектральной классификации лимитируется геометрическим разрешением данных дистанционного зондирования. При этом основной проблемой является проблема смешанных пикселей. Эта проблема имеет большое значение и часто возникает на границе между двумя различными классами (экотон). Например, такая ситуация возможна на границе леса и сельскохозяйственных земель. Если использовать космоснимки с разрешением 15 м, то точно провести эту границу не возможно. Подобные проблемы разделения смешанных пикселей можно решить при использовании технологии субпиксельной классификации мультиспектральных изображений.

Технология субпиксельной классификации была опробована при классификации изображений, получаемых с радиометра ASTER модулем ERDAS Imagine Subpixel Classifier. Разрешение снимков ASTER 15 м, поэтому возможно получение тематических планово-картографических материалов масштаба 1:25000, что соответствует требованиям при проведении лесоустройства по III разряду.

Субпиксельная классификация основана на моделировании спектральных характеристик объектов, которые в очень небольшом количестве можно обнаружить на снимке. Небольшое количество этого материала может быть смешано в различных пропорциях с другими материалами на мультиспектральных изображениях. Процедура субпиксельной классификации требует предварительного задания максимально возможных растительных и нерастительных классов, которые могут быть обнаружены на снимке. При этом исходными данными могут послужить как материалы полевых наблюдений, так и спектры материалов, полученные при спектрометрировании. Эти значения используются для реконструкции значений пикселей по линейным и нелинейным моделям. При этом обязательным требованием является, чтобы анализируемое изображение состояло как минимум из 3 изображений сделанных в разных зонах электромагнитного спектра. В результате классификации, возможно, разделить пиксели, содержащие как минимум 20% материалов интереса. Классификатор так же моделирует варианты различной доли содержания вещества в пикселе. Применяя различные технологии мультиспектральной и субпиксельной классификации изображений возможно получение данных с более высоким пространственным разрешением, чем исходные изображения. Большие потенциальные возможности имеет сочетание аэроснимков на небольшую территорию с космоснимками на большую территорию. При этом площадь, покрываемая, аэросъемкой может использоваться как база для автоматической генерации эталонов.

Результатом анализа данных дистанционного зондирования являются растровые тематические карты. Информация о насаждениях, содержащаяся в геоинформационных системах в виде повыдельных электронных карт, совмещаемых с таксационными базами данных, может быть использована для создания новой информации и обновления, электронных повыдельных карт на основе сравнения результатов обработки изображений с данными лесоустройства. Технология ведения непрерывного лесоустройства может быть основана на использовании экспертных систем анализа изображений, формирующих в автоматическом режиме предложения для внесения изменений в электронные лесоустроительные материалы, последующем осуществлении проверки обнаруженных изменений и их внесение в повыдельные электронные карты. При этом в результате обновления планово-картографических материалов, возможно автоматическое изменение таксационной базы данных.

Точность результатов анализа изображений может быть повышена путем интеграции различных типов данных о территории (рельеф, уклон, аспект, тип почв, информация прошлого лесоустройства, климатические показатели) и использование различных технологий классификации изображений.

Таким образом, комплексное использование данных дистанционного зондирования и новых технологий их обработки с привлечением натурных исследований позволит более рационально использовать природные ресурсы и значительно сократить затраты на обновление информации.

6.2 Статистическая обработка экологических результатов

Экологические исследования, как правило, связаны с анализом множества переменных. Необходимо дать оценку этим данным, проанализировать их, визуально представить. Статистическая обработка данных является необходимым этапом при выработке практических рекомендаций для рационального управления экосистемами и ведения экосистемных научных исследований. Определим основные понятия.

Для того чтобы данные можно было подвергнуть статистической обработке их надо правильно получить. Для начала стоит определиться с целью исследования . Цели в свою очередь определяют объект исследования . Объектом может являться совокупность предметов, явлений и т.п., включённых в эксперимент. В этой совокупности можно выделить первичный элемент, обладающий регистрируемыми признаками. Этим элементом является единица исследования .

Формулирование и корректировка признаков производится на основании следующих критериев:

отбор должен производиться с учётом целей исследования, возможности их обработки и анализа полученных данных;

отобранных признаков должно быть оптимальное количество (ни много, ни мало);

необходимо комбинировать признаки для их взаимного дополнения.

Совокупность всех, интересующих нас в данном эксперименте явлений (единиц исследования) называется генеральной совокупностью . Но так как в большинстве случаев мы не имеем возможности проводить сплошное обследование интересующего нас массива данных, мы пользуемся выборочным исследованием . Полученный массив данных при данном способе называется выборкой.

Выборочная совокупность должна иметь несколько свойств:

Репрезентативность . То есть результаты, полученные в процессе обработки выборочной совокупности, можно было перенести на соответствующую генеральную совокупность.

Случайность . Для соблюдения репрезентативности выборка должна быть случайной, то есть вероятность выборки каждого единичного объекта генеральной совокупности должна иметь равную вероятность.

Также она должна быть достаточно полной .

Не менее важен подход к сбору первичных данных для анализа. Как уже было отмечено выше, сбор данных должен быть обусловлен целью исследования и является одним из важнейших этапов анализа системы. Последующее преобразование определяется выбором определённой шкалы. Под шкалой будем понимать совокупность трёх элементов <E , N , Ψ >, где E – эмпирическая система; N – числовая система; Ψ – однозначное отображение E на N . Или в словесном выражении:

Шкала – это средство фиксации результатов измерения свойств объектов путём упорядочивания их в определённую числовую систему, в которой отношение между отдельными результатами выражено в соответствующих числах.

Типы шкал:

Абсолютная . В данной шкале соблюдается соотношение N 1 = N 2 . Данный тип шкалы является самым «сильным» и в пределах этой шкалы можно производить любые арифметические действия. Примером может являться подсчёт количества особей, а также данные о присутствии (отсутствии) вида на исследуемом участке (эти данные не являются номинальными, как считают некоторые исследователи).

Относительная (шкала подобий). В данной шкале соблюдается соотношение N 1 = a × N 2 , при a >0 . Классическим примером является измерение массы в килограммах и в фунтах.

Интервальная . Соблюдается соотношение N 1 = a × N 2 + b , при a > 0 , b – действительное число. В приведённом типе шкал важным является понятие точки отсчёта. Известным примером является соответствие шкалы температуры по Цельсию и шкалы по Фаренгейту. Частным случаем этой шкалы является шкала разностей это циклическая (периодическая) шкала, шкала, инвариантная к сдвигу, т.е. значение не изменяется при любом числе сдвигов.

Порядковая (ординальная, ранговая). Между N 1 и N 2 имеется любое монотонное преобразование, то есть можно лишь отметить некоторую упорядоченность объектов относительно друг друга. Примером является шкала Бофорта (штиль, шторм).

Номинальная (классификационная, шкала наименований). Шкала служит для придания объектам имён (например, нумерация солдат в строю). Измерение будет состоять в том, чтобы, проведя эксперимент над объектом, определить принадлежность результата к тому или иному состоянию и записать это с помощью символа (набора символов), обозначающего данное состояние.

Если с помощью некоторого преобразования можно перейти от записи N 1 к N 2 то такие шкалы называют шкалами одного типа, а данное преобразование является допустимым преобразованием . Результаты измерений и подсчёта признаков записываются в виде таблицы. Каждое измерение получает свой номер. Признаки по своему характеру могут быть количественными и качественными, причём первые имеют два типа варьирования (изменчивости) – дискретный (разница между соседними значениями не менее единицы) и непрерывный (соседние значения признака могут сколь угодно мало отличаться друг от друга). Для выделения классов в непрерывных данных применяют формулу Стерджеса:

Каждое частное значение, которое принимает признак, называется вариантой . Число повторений определённых вариантов называется частотой . Совокупность вариант называется рядом распределения . В зависимости от типа признака выделяют атрибутивный ряд распределения (качественные признаки) и вариационный ряд распределения (количественные признаки).

Под распределением случайной величины понимается совокупность всех возможных значений случайной величины и соответствующих им вероятностей. Всякое соответствие между возможными значениями случайных величин и их вероятностей называется законом распределения случайной величины . В экологии наиболее часто встречаются следующие виды: нормальное (длина тела особей в популяции), экспоненциальное (рост численности населения по Т. Мальтусу), биномиальное (отражает распределение по двум полам в человеческой популяции).

Функция распределения F(x) определяет вероятность того, что случайная величина X примет значение, меньшее фиксированного действительного числа x :

Для непрерывной случайной величины с дифференцируемой функцией распределения F(x) вводят дифференциальную функцию распределения (или плотность распределения) f(x) = F`(x) . Для дискретной случайной величины такой функции (соответствующего аналога) нет.

Первичная статистическая обработка проводится с использованием описательной статистики. Некоторые показатели уже знакомы стуентам из курса высшей математики. Соотнесём показатели со шкалами. Целесообразно такие показатели как – выборочное среднее (и другие средние), дисперсию, стандартное отклонение, коэффициент вариации, минимум, максимум, размах, мода применять для значений, полученных в абсолютной и относительной шкалах. Для более слабых шкал применяются такие показатели как минимум, максимум, квантили (сюда относятся и квартили, а также медиана, как частный случай), квартильный размах. Для кривой распределения показательными являются показатели ассиметрии (отклонение графика от середины) и экцесса (островершинности графика).

Статистические критерии, с помощью которых можно установить достоверность различия между параметрами (M , σ ) вариационных рядов одноимённого признака в двух выборках (или в выборке и генеральной совокупности) называются параметрическими . Они используются при предположении, что распределения сравниваемых рядов близки к нормальному. Приведем основные критерии по и .

Критерий Стьюдента ( t ) . Весьма известный критерий, предложенный У. Госсетом. Критерий Стьюдента для сравнения одноимённых параметров (P 1 и P 2 ) двух вариационных рядов имеет при n >20 в общей форме вид:
, где в знаменателе стоит ошибка разности этих параметров, представляющая собою корень квадратный из суммы квадратов ошибок репрезентативности выборочных параметров:

С учётом формул ошибок репрезентативности критерий t приобретает окончательный вид:

для сравнения средних арифметических:

;

для сравнения средних квадратических отклонений:

Оценка достоверности разницы производится с помощью сравнения полученного значения t со стандартным (t st ), взятым из соответствующей таблицы при выбранном уровне достоверности и числе степеней свободы.

Рассмотрим пример: Изучалось число лепестков венчика у Ficaria verna из двух популяций в окрестностях г. Пушкина Ленинградской области (1965 г.). Были получены следующие выборочные параметры:

Критерий t для определения достоверности разницы между средними:

Учебное пособие

Биобезопасности. ЛИТЕРАТУРА Учебная Балашенко С.А., Демичев Д.М. Экологическое право: Учебное пособие . Минск: Ураджай... «природный комплекс», «естественная экологическая система», «экологический мониторинг» , «мониторинг окружающей среды»). Положения, ...

МИНОБРНАУКИ РОССИИ (ФГБОУ ВПО «ИГУ») РАБОЧАЯ ПРОГРАММА дисциплины «ЭКОЛОГИЧЕСКИЙ МОНИТОРИНГ» Код дисциплины по учебному плану ОПД Ф

Рабочая программа

1995. – 694с. Дрюкер В.В. Методы экологического мониторинга : Учебное пособие . – Иркутск: ИГУ, 1999. - 56с... Шуйский В.Ф. Экологический мониторинг . Учебное пособие , 2003 – СПГГИ (ТУ) Почвенно-экологический мониторинг и охрана почв: Учеб. пособие / Под...

С а бузмаков с м костарев введение в экологический мониторинг

Учебное пособие

Алексеевич, Костарев Сергей Михайлович ВВЕДЕНИЕ В ЭКОЛОГИЧЕСКИЙ МОНИТОРИНГ Учебное пособие Редактор Н.В.Петрова Корректор С.Б.Русиешвили Подписано...

ТЫЛ ВООРУЖЕННЫХ СИЛ РОССИЙСКОЙ ФЕДЕРАЦИИ Управление начальника экологической безопасности Вооруженных Сил Российской Федерации ЭКОЛОГИЧЕСКАЯ ПОДГОТОВКА Учебное пособие для солдат и сержантов МОСКВА ВОЕННОЕ ИЗДАТЕЛЬСТВО 2003

Учебное пособие

... Экологическая подготовка. Учебное пособие для солдат и сержантов. М. Воениздат. 2003. - 112 с. Учебное пособие ... Силах экологический мониторинг является составной частью государственного экологического мониторинга , а войсковой экологический контроль...

Введение в экологическую психологию учебное пособие

Учебное пособие

Образовательной среды; – объекта психолого-педагогического мониторинга (диагностики, экспертизы) и проектирования, когда... ПОДХОДА К ПСИХИКЕ В.И. Панов Основы экологической психологии: учебное пособие . М.: «Школьные технологии», 2006. ...

Перевод

Перед вами изображение Лос-Анджелеса, снятое словно бы обычной цифровой камерой (если бы в ней было в 10 раз больше мегапикселей и она находилась в космосе). Это фотография двухнедельной давности, снятая со спутника Landsat 8, который был запущен NASA в конце зимы. Landsat 8 уже стал одним из наших любимых источников данных, и не только наших: на конференции State of the map на прошлых выходных он проскакивал в разговорах людей, занимающихся самыми разными вещами. Помимо добавления свежих полноцветных фотографий с Landsat 8 в MapBox Satellite мы также используем мультиспектральные данные, которые предоставляет спутник. Данные из невидимых диапазонов спектра позволяют нам анализировать множество разных аспектов, начиная с типов поверхности, заканчивая ростом сельскохозяйственных культур и природными катастрофами по всему миру, иногда в течении нескольких часов. Этот пост описывает некоторые из возможностей Landsat 8 и позволяет взглянуть на мир через его объектив.

В терминологии Landsat 8 это изображение включает в себя диапазоны 4-3-2. Диапазон это полоса частот электромагнитного спектра или цвет, не обязательно видимый человеческому глазу. Landsat обозначает красный, зеленый и синий сенсоры как 4,3 и 2 соответственно, таким образом, когда мы комбинируем изображение с этих сенсоров, получается полноцветное изображение вроде того, что сверху. Вот полный список диапазонов Landsat 8:

Среди 11 диапазонов только коротковолновые (1-4 и 8) соответствуют видимому спектру, остальные чувствительны к областям спектра, которые человеческий глаз не различает. Полноцветное изображение это только половина того, что Landsat на самом деле видит. Чтобы разобраться, зачем нужны все эти диапазоны, давайте посмотрим на каждый из них в отдельности.

Диапазоны

Диапазон 1

чувствителен к темно-синим и фиолетовым цветам. Синий цвет трудно разлечать из космоса, так как он хорошо рассеивается на пыли и частичках воды в воздухе, а также на самих молекулах воздуха. Это одна из причин, по которым удаленные предметы (например гора на горизонте) имеют голубоватый оттенок, а также почему небо голубое. Так же как и мы видим синюю дымку, когда смотрим в небо солнечным днем, так и Landsat смотрит на нас через тот же самый воздух. Эта часть спектра плохо регистрируется с достаточной точностью, чтобы быть сколь-нибудь полезной, и Диапазон 1 представляет единственный в своем роде инструмент, предоставляющий открытые данные в таком разрешении. Это одна из вещей, делающих этот спутник особенным. Этот диапазон также называется побережным или аэрозольным, согласно двум своим основным видам применения: в нем видно мелководье и мельчайшие частички пыли и дыма в воздухе. Изображение в этом диапазоне выглядит почти так же, как и в Диапазоне 2, но если увеличить контраст, то можно увидеть разницу:

Изображение в Диапазоне 1 минус Диапазон 2. Океан и живые растения отражают больше темно-фиолетовых тонов. Большинство растений производит вещество, называемое эпикутикулярным воском (к примеру, белый налет на свежих сливах), которое отражает ультрафиолет.

Диапазоны 2, 3 и 4

мы уже видели, они представляют собой видимые синий, зеленый и красный спектры. Но прежде, чем идти дальше, давайте возьмем это изображение Лос-Анджелеса, на котором видны различные варианты землепользования для сравнения с другими диапазонами.

Часть западного Лос-Анджелеса, от сельскохозяйственных угодий около Окснарда на западе до Голливуда на востоке. Как и многие другие городские территории, в этом масштабе виден преимущественно в серых тонах.

Диапазон 5

измеряет ближний инфракрасный спектр или NIR (Near Infrared). Эта часть спектра особенно важна для экологов, поскольку вода в листьях здоровых растений отражает ее. Сравнивая с изображениями других диапазонов, мы получаем индексы вроде NDVI (Normalized Difference Vegetation Index - нормализованный относительный индекс растительности - простой количественный показатель количества фотосинтетически активной биомассы (вегетационный индекс). Один из самых распространенных и используемых индексов для решения задач, использующих количественные оценки растительного покрова. - Прим. пер. ), которые позволяют нам измерять степень здоровья растний точнее, чем если бы мы просто оценивали видимую зелень.

Яркие пятна это парки или другие зоны с большим количеством увлажненной растительности. В нижней части снимка находится Малибу, так что можно поспорить, что яркое пятно рядом с холмами это поля для гольфа. На западе виден темный шлейф большого пожара, который на полноцветном снимке едва различим.

Диапазоны 6 и 7

покрывают разные участки коротковолнового ИК или SWIR (shortwave infrared). Они позволяют отличать сухую землю от влажной, а также скалы и почвы, которые выглядят похоже в других диапазонах, но отличаются в SWIR. Взглянем на раскрашенное изображение, в котором SWIR используется вместо красного канала, NIR вместо зеленого и темно-синий вместо синего (технически это комбинация диапазонов 7-5-1):

След огня теперь невозможно не заметить – сильно отражающий в Диапазоне 7 и практически не отражающий в других, он становится красным. Неясные ранее детали растительности становятся четкими. Кажется, что растения в каньонах к северу от Малибу растут более пышно, чем те, что на горных хребтах, что типично для климата, где наличие воды является основным ограничением роста. Мы также видим распределение растительности в Лос-Анджелесе – некоторые районы имеют больше посадок (парков, деревьев на тротуарах, лужаек), нежели другие.

Диапазон 8

– панхроматический. Он напоминает черно-белую пленку: вместо того, чтобы разделять цвета по спектру, он собирает их все в одном канале. За счет этого он воспринимает больше света и дает самую четкую картинку среди все диапазонов. Его разрешение составляет 15 метров. Давайте взглянем на Малибу в масштабе 1:1 в панхроматическом диапазоне:

А теперь на полноцветное изображение в том же масштабе:

Цветная версия выглядит размазанной, потому что сенсоры не воспринимают детали такого размера. Но если мы объединим цветовую информацию с детализацие панхроматического снимка, получится картинка четкая и цветная:

Диапазон 9

это одна из самых интересных особенностей Landsat 8 Он покрывает очень узкую полосу длин волн – 1370 ± 10 нанометров. Немногие из космических инструментов регистрируют эту область спектра, поскольку она почти полностью поглощается атмосферой. Landsat 8 использует это как преимущество. Поскольку земля в этом диапазоне едва различима, значит все, что в нем ярко видно, либо отражает очень хорошо, либо находится вне атмосферы. Вот снимок того же места в Диапазоне 9:

В Диапазоне 9 видны только облака! Облака представляют реальную проблему для спутниковых снимков, так как из-за размытых краев плохо различимы в обычных диапазонах, а снимки, сделанные сквозь них, могут иметь расхождения с другими. С помощью Диапазона 9 это легко отследить.

Диапазоны 10 и 11

это тепловое ИК или TIR (thermal infrared) – они видят тепло. Вместо измерения температуры воздуха, как это делают погодные станции, они измеряют температуру поверхности, которая часто бывает намного выше. Недавние исследования показали, что температура поверхности в пустынях может достигать 70 градусов цельсия – достаточно, чтобы пожарить яйцо. К счастью, Лос-Анджелес в этом плане довольно умерен:

Обратите внимание, что очень темные (холодные) пятна соответствуют облакам со снимка в Диапазоне 9. Затем идет увлажненная растительность, открытая вода и природная растительность. След от пожара рядом с Малибу, покрыт углем и мертвой растительностью, поэтому имеет очень высокую температуру. В городе парки имеют самую низкую темературу, а индустриальные районы – самые горячие. На этом снимке не наблюдается эффект «городских островов жары», для исследования которого TIR диапазон наиболее полезен.

Давайте составим еще одно раскрашенное изображение, используя TIR вместо красного канала, SWIR вместо зеленого и зеленый вместо синего (10-7-3).

Городские территории и некоторые виды почв изображены розовым. На полноцветном снимке дикая растительность раскрашена почти однородным зеленым цветом, но здесь мы видим разницу между персиковым, темно-красным и другими цветами. Прохладный прибрежный бриз виден как пурпурный градиент вдоль побережья. Цветные полосы по бокам снимка объясняются разницей в площади покрытия сенсоров.

А что еще?

Мы рассмотрели только одну из более чем 25000 локаций, которые уже содержатся в архивах NASA/USGS Landsat 8, проиндексированные, документированные и абсолютно бесплатные для любых применений. Каждый день добавляется по 400 гигабайт изображений. Потенциал этой коллекции огромен, и я надеюсь, что вы нашли для себя что-то, что привлекло бы вас изучать данные Landsat 8 самостоятельно.

Подписывайтесь на твиттер @MapBox, где мы опубликуем информацию об использовании opensource инструментов для загрузки и обработки данных Landsat 8. Не стесняйтесь задавать вопросы Крису (@hrwgc) или мне (@vruba).

I.3. Основные этапы исторического развития римского права

II Съезд Советов, его основные решения. Первые шаги новой государственной власти в России (октябрь 1917 - первая половина 1918 гг.)

2 канал (зеленый):

Чувствителен к различиям в мутности воды, осадочным шлейфам и факелам выбросов;

Охватывает пик отражательной способности поверхностей листьев, может быть полезен для различения обширных классов растительности;

Также полезен для выявления подводной растительности.

3 канал (красный):

Чувствителен в зоне сильного поглощения хлорофилла, т.е. хорошо распознает почвы и растительность;

Чувствителен в зоне высокой отражательной способности для большинства почв;

Полезен для оконтуривания снежного покрова.

4 канал (ближний инфракрасный):

Различает растительное многообразие;

Может быть использован для оконтуривания водных объектов и разделения сухих и влажных почв, т.к. вода сильно поглощает ближние инфракрасные волны.

5 канал (средний или коротковолновый инфракрасный):

Чувствителен к изменению содержания воды в тканях листьев (набухаемости);

Чувствителен к варьированию влаги в растительности и почвах (отражательная способность уменьшается при возрастании содержания воды);

Полезен для определения энергии растений и отделения суккулентов от древесной растительности;

Особенно чувствителен к наличию/отсутствию трехвалентного железа в горных породах (отражательная способность возрастает при увеличении количества трехвалентного железа);

Отличает лед и снег (светлый тон) от облаков (темный тон).

6 канал (длинноволновый инфракрасный или тепловой):

Датчики предназначены для измерения температуры излучающей поверхности от -100 до+150С;

Подходит для дневного и ночного использования;

Применение тепловой съемки: анализ влажности почв, типов горных пород, выявление теплового загрязнения воды, бытового скопления тепла, источников городского производства тепла, инвентаризация живой природы, выявление геотермальных зон.

7 канал (средний, или коротковолновый инфракрасный):

Совпадает с полосой поглощения излучения гидроминералами (глинистые сланцы, некоторые оксиды и сульфаты), благодаря чему они выглядят темными;

Полезен для литологической съемки;

Как и 5-й канал, чувствителен к варьированию влаги в растительности и почвах.

8 канал (панхроматический - 4,3,2):

Наиболее типичная комбинация каналов, используемая в дистанционном зондировании для анализа растительности, зерновых культур, землепользования и водно-болотных угодий.

Многозональная съемка ведется многие годы, и исследователи накопили большой объем эмпирических данных. Уже хорошо известно, какие соотношения яркости в различных зонах спектра соответствуют растительности, обнаженной почве, водным поверхностям, урбанизированным территориям и другим распространенным типам ландшафта, существуют библиотеки спектров различных природных образований. Выразив эти соотношения в виде линейных комбинаций различных зон, можно получать так называемые индексы. Так как многие современные системы дистанционного зондирования Земли осуществляют съемку в видимой красной и ближней инфракрасной частях спектра, то распространенным методом является вычисление нормализованного вегетационного индекса (NDVI). Нормализованный вегетационный индекс показывает наличие и состояние растительности по соотношению отраженных энергий в 2 спектральных каналах. Эта зависимость основана на различных спектральных свойствах хлорофилла в видимом и ближнем ИК диапазонах.

Вегетационные индексы можно рассматривать как промежуточный этап при переходе от эмпирических показателей к реальным физическим свойствам растительного покрова. При классификации растительного покрова по цифровым изображениям часто используют индекс площади листьев – LAI (Leaf Area Index). Есть формулы перехода от NDVI к LAI.

Индекс LAI можно измерить в натурных условиях. В настоящее время в Интернет ежемесячно публикуются растровые изображения LAI (пространственное разрешение 250 м) на весь мир. Эти данные в сочетании с методами классификации мультиспектральных изображений могут значительно повысить достоверность при обработке изображений в экспертных системах, учитывающих множество различной информации

Мультиспектральная классификация изображений основывается на поиске пикселей аналогичных эталону по его спектральным характеристикам. Это позволяет создавать лесные тематические электронные карты. Процедура классификации изображений заключается в поиске аналогичных пикселей изображения и группировке их в классы или категории, основанные на значениях яркостей. Классификация изображений разделяется на автономную и классификацию с обучением.

Точность мультиспектральной классификации лимитируется геометрическим разрешением данных дистанционного зондирования. При этом основной проблемой является проблема смешанных пикселей. Эта проблема имеет большое значение и часто возникает на границе между 2 различными классами. Например, такая ситуация возможна на границе леса и сельскохозяйственных земель. Если использовать космоснимки с разрешением 15 м, то точно провести эту границу не возможно. Подобные проблемы разделения смешанных пикселей можно решить при использовании технологии субпиксельной классификации мультиспектральных изображений.

Предположим, что Вы скачали снимок Landsat и располагаете скаченной сценой в виде архива. Если распаковать архив, то можно обнаружить в нём геопривязанные изображения tiff с суффиксами B1...8, что-то вроде этого:

Чтобы понять, почему одна сцена снимка Landsat 7 представлена 8-ю различными растрами, придётся немного погрузиться в технические детали. Дело в том, что аппаратура спутников Landsat 7 снимает земную поверхность в 8-и различных диапазонах (каналов) частот 450 до приблизительно 12 500 нанометров. Каждому такому каналу (англ. Band) соответствует определённый диапазон длины волны (частоты). Так, первый сенсор снимает поверхность Земли от 450 до 515 нм, второй сенсор - от 525 до 625 нм и так далее. Всего таких датчиков (сенсоров), как уже сказано выше, восемь. Каждый такой канал отвечает за съемку в привычном для человеческого глаза цвете (правда, канал 6 снимает в области радиочастот от 10 500 до 12 500 нм и для задач визуализации интереса не представляет). Несколько упрощённо говоря, канал 1 отвечает за съемку синего диапазона, канал 2 - зеленого, а канал 3 частотой от 630 ... 690 нм - красного диапазона. Если попытаться открыть снимок любого канала, то увидим черно-белую картинку. В ArcGIS она может выглядеть так:

Это явно не то, что нам нужно (в смысле нашей обычной привычки видеть изображение цветным). Теория цвета говорит о том, чтобы получить цветную картинку в модели RGB(красный, зелёный, синий), нужно совместить изображения в разных каналах. И лучше всего это делать специальным программным обеспечением. К счастью, разработчики из ESRI продумали этот момент и создали инструмент Composite Band для решения подобных задач. Его можно найти в наборе Data Management Tools>Raster :

Интерфейс у указанной утилиты такой (в качестве входных данных используем изображения различных каналов) :

Строго говоря, каналы снимков от сенсоров Landsat вы можете смешивать в любых сочетаниях. Всё зависит от того, какие задачи анализа стоят перед исследователем. И тут на помощь может придти канонизированный опыт специалистов по обработке ДЗЗ. Например, наиболее "естественную" (с точки зрения бытового, неискушенного восприятия) цветную картинку из космоса можно получить, совместив каналы 3-2-1 (последовательность имеет значение! ). Пример такого изображения может выглядеть сл. образом (р. Волга в районе Ульяновска):

Но для специалистов по дешифрированию космоснимков такое изображение не является содержательным с точки зрения извлечения исчерпывающей информации. Гораздо чаще используется сочетание каналов 4-3-2 . Пример такого изображения представлен ниже:

Приведённая выше комбинация каналов 4-3-2 обладает гораздо большей информативностью и точностью для задач дифференциации растительного покрова и заселённых (селитебных) территорий. Плотный красно-розовый цвет является показателем насыщенности хлорофилла (растительности), а холодные голубые тона отвечают за городскую застройку (обратите внимание на цвет взлётной полосы внизу справа на снимке).

Для гидрогеологов и гидрографов несомненно удачным будет сочетание каналов 7-4-2, позволяющим контрастно оттенить поверхности водоёмов:

Сочетание 5-3-1 будет полезно при обновлении топографических карт- хорошо видны дороги, границы полей, территории городской застройки и прочая картографическая структура:

Для более современной миссии Landsat 8 аналоги сочетания каналов, рассмотренных в этой статье для Landsat 7 будут несколько иными. Этот момент надо иметь в виду, если вы будете использовать съемку с Landsat 8. Так например, композит 6-4-2 для Landsat 8 будет соответствовать сочетанию 5-3-1 для Landsat 7 и выглядит так (снимок конца октября 2014 г.):

В общем, используя инструмент Composite Band можно решать задачу подготовки наиболее выразительного композита каналов под конкретную прикладную проблему по дешифрированию снимков Landsat. И в заключении, в дидактических целях, приведём для наглядности расположенные рядом снимки одной и той же территории в различных сочетаниях каналов (миссия Landsat 7 ) :