Все
 
 
 


Приложения данных дистанционного зондирования высокого пространственного и спектрального разрешения для оценки породного состава лесов и параметров их биологической продуктивности
 
Код статьиS020596140003370-8-1
DOI10.31857/S020596140003370-8
Тип публикации Статья
Статус публикации Опубликовано
Авторы
Козодеров В. В. 
Аффилиация: Московский государственный университет имени М.В. Ломоносова
Адрес: Российская Федерация
Донской С. А.
Аффилиация: Федеральный государственный бюджетный институт «Рослесинфорг»
Адрес: Российская Федерация
Мельник П. Г.
Аффилиация: Московский государственный технический имени Баумана
Адрес: Российская Федерация
Дмитриев Е. В.
Аффилиация: Институт вычислительной математики РАН
Адрес: Российская Федерация
Название журналаИсследование Земли из космоса
ВыпускНомер 6
Страницы77-85
Аннотация

Проводится сравнение результатов тематической обработки данных гиперспектрального дистанционного зондирования (ДЗ) высокого пространственного разрешения и традиционных наземных обследований лесов. Дистанционные методы инвентаризации рассматриваются как возможная альтернатива соответствующих трудоемких работ на пробных площадях. Основополагающими подходами при решении указанных прикладных задач являются методы обучаемой классификации. Соответствующие вычислительные процедуры тематической обработки гиперспектральных изображений служат для нахождения таких параметров распознанных объектов, как чистая первичная продукция лесов различного породного состава и возраста. Используемые классификаторы вбирают в себя современные представления о распознавании образов лесных объектов по их гиперспектральным изображениям. Точность классификации объектов сравнивается с точностью наземных обследований. Результаты сравнения показывают перспективы разрабатываемых новых подходов.

Ключевые словадистанционное зондирование, гиперспектральные изображения, распознавание объектов лесного покрова, оценка параметров биологической продуктивности лесов
Источник финансированияРабота выполнена при финансовой поддержке Российского Научного Фонда (проект № 16–11– 00007) и гранта Российского Фонда Фундаментальных Исследований (проект № 16–01–00107).
Получено27.12.2018
Дата публикации27.12.2018
Цитировать   Скачать pdf Для скачивания PDF необходимо авторизоваться
Размещенный ниже текст является ознакомительной версией и может не соответствовать печатной.

всего просмотров: 1486

Оценка читателей: голосов 0 

1. Бондур В. Г. Современные подходы к обработке больших потоков гиперспектральной и многоспектральной аэрокосмической информации // Исслед. Земли из космоса. 2014. № 1. С. 4–16.
2. Дмитриев Е. В., Козодеров В. В., Дементьев А. О., Сафонова А. Н. Комплексирование классификаторов в задаче тематической обработки гиперспектральных аэрокосмических изображений // Автометрия. 2018. Т. 54. № 3. С. 3–13.
3. Замолодчиков Д. Г., Уткин А. И. Система конверсионных отношений для расчета чистой первичной продукции лесных экосистем по запасам насаждений // Лесоведение. 2000. № 6. С. 54–63.
4. Козодеров В. В., Дмитриев Е. В. Модели распознавания и оценки состояния лесной растительности по гиперспектральным данным дистанционного зондирования // Исслед. Земли из космоса. 2017. № 6. С. 75–88.
5. Швиденко А. З., Нильссон С., Столбовой В. С. и др. Опыт агрегированной оценки основных показателей биопродукционного процесса и углеродного бюджета наземных экосистем России. 2. Нетто-первичная продукция экосистем // Экологи . 2001. № 2. С. 83–90.
6. Швиденко А. З., Щепащенко Д. Г., Нильссон С., Булуй Ю. И. Таблицы и модели хода роста и продуктивности насаждений основных лесообразующих пород Северной Евразии (нормативно-справочные материалы). Изд. 2-е, доп. М.: Федеральное агентство лесного хозяйства, 2008. 886 с.
7. Dietterich T. G., Bakiri G. Solving Multiclass Learning Problems via Error-Correcting Output Codes // J. Artif. Intell. Res. 1995. V. 2. P. 263–286.
8. Gobakken T., N?sset E. Estimation of diameter and basal area distributions in coniferous forest by means of airborne laser scanner data // Scandinavian J. Forest Res. 2004. V. 19. P. 529–542.
9. Gower S. T., Krankina O., Olson M., Apps M., Linder S., Wang C. Net primary production and carbon allocation patterns of boreal forest ecosystems // Ecol. Appl. 2001. V. 11. P. 1395–1411.
10. Keenan R. J. Climate change impacts and adaptation in forest management: a review // Ann. Forest Sci. 2015. V. 72. P. 145–167.
11. Kozoderov V. V., Dmitriev E. V. Remote sensing of soils and vegetation: quantitative parameters retrieval using pattern-recognition techniques and forest stand structure assessment // Int. J. Rem. Sens. 2011. V. 32. P. 5699–5717.
12. Kozoderov V. V., Kondranin T. V., Dmitriev E. V., Soko lov A. A. Retrieval of forest attributes using optical airborne remote sensing data // Opt. Expr. 2014a. V. 22. № 13. P. 15410–15423.
13. Kozoderov V. V., Kondranin T. V., Dmitriev E. V., Kamentsev V. P. A system for processing hyperspectral imagery: application to detecting forest species // Int. J. Rem. Sens. 2014b. V. 35. № 15. P. 5926–5945.
14. Kozoderov V. V., Dmitriev E. V., Sokolov A. A. Improved technique for retrieval of forest parameters from hyperspectral remote sensing data // Opt. Expr. 2015a. V. 23. № 24. P. A1342-A1353.
15. Kozoderov V. V., Kondranin T. V., Dmitriev E. V., Kamentsev V. P. Bayesian classifi er applications of airborne hyperspectral imagery processing for forested areas // Adv. Space. Res. 2015b. V. 55. № 11. P. 2657–2667.
16. Kozoderov V. V., Dmitriev E. V. Testing diff erent classifi cation methods in airborne hyperspectral imagery processing // Opt. Expr. 2016. V. 24. № 10. P. A956-A965.
17. Kozoderov V. V., Kondranin T. V., Dmitriev E. V. Hyperspectral Remote Sensing Imagery Processing Focused on Forest Applications // Int. Rev. Aerosp. Eng. (I.RE.AS.E). 2017. V. 10. № 5. P. 267–276.
18. Matikainen L, Karila K, Hyyppa J, Litkey P, Puttonen E, Ahokas E. Object-based analysis of multispectral airborne laser scanner data for land cover classifi cation and map updating. 2017 // ISPRS J. Photogr. and Rem. Sens. V. 128. P. 298–313.
19. Nevalainen O., Honkavaara E., Tuominen S., Viljanen N., Hakala T., Yu X., Tommaselli A. M. Individual tree detection and classifi cation with UAV-based photogrammetric point clouds and hyperspectral imaging // Rem. Sens. 2017. V. 9. P. 185–195.
20. Rowell E., Seielstad C., Vierling L., Queen L., Queen W. Using Laser Altimetry-based Segmentation to Refi ne Automated Tree Identifi cation in Managed Forests of the Black Hills, South Dakota // Photogr. Eng. & Rem. Sens. 2006. V. 72. P 1379–1388.
21. Schepaschenko D., Moltchanova E., Shvidenko A., Blyshchyk V., Dmitriev E., Martynenko O., See L., Kraxner F. Improved Estimates of Biomass Expansion Factors for Russian Forests // Forests. 2018. V. 9. № 312. P. 1–23.

Система Orphus

Загрузка...
Вверх