1. На главную
  2. Электронные версии
  3. Геоэкология. Инженерная геология, гидрогеология, геокриология
  4. № 3, 2023

Геоэкология. Инженерная геология, гидрогеология, геокриология, 2023, № 3, стр. 88-97

Анализ методов картографирования растительного покрова Казанско-Вешенского песчаного массива

Д. И. Арчаков 1, *, Т. Я. Турчин 2, **

1 ФГБНУ Федеральный научный центр агроэкологии, комплексных мелиораций и защитного лесоразведения РАН
400062 Волгоград, пр. Университетский, 97, Россия

2 Филиал федерального бюджетного учреждения “Всероссийский научно-исследовательский институт лесоводства и механизации лесного хозяйства” Южно-европейская научно-исследовательская лесная опытная станция
346270 Ростовская обл., Шолоховский район, станица Вешенская, ул. Сосновая, 59 в, Россия

* E-mail: Archakow777@yandex.ru
** E-mail: t_turchin64@mail.ru

Поступила в редакцию 13.10.2022
После доработки 22.03.2023
Принята к публикации 05.04.2023

Аннотация

В статье рассматриваются два способа классификации спутникового снимка Landsat-8 на примере ключевого участка Казанско-Вешенского песчаного массива Ростовской области. Первый способ – полуавтоматическая классификация растра с обучением (Semi-automatic classification (SC)); второй – нормализованный вегетационный индекс (NDVI). На снимке, согласно типологии по К.Н. Кулику, пески были отклассифицированны по степени зарастания естественной растительностью на открытые, слабозаросшие и заросшие. В отдельные классы были выделены кустарниковая и травянистая (вегетирующая) растительность, лесные культуры сосны, лиственные древостои. Проведен расчет оценки точности дешифрирования полученных картографических изображений по коэффициенту Каппа Коэна. Выполненное исследование необходимо для выявления наиболее достоверного метода дешифрирования выбранной местности. Полученная картосхема может использоваться для первичной оценки состояния фитоэкологических условий ландшафта территории песчаного массива. На основе картографических изображений путем установки в каждом классе от 70 до 100 точек и проверки их достоверности составлены матрицы ошибок, на основе которых рассчитана суммарная точность дешифрирования. Для полуавтоматической классификации она равна 80.7%, для NDVI – 74.3%. Коэффициент Каппа Коэна в полуавтоматической классификации с обучением составил 77.4%, NDVI – 70.5%. Разница в точности дешифрирования составила почти 7%. Таким образом, из рассмотренных способов классификации спутникового снимка наилучший результат получен при использовании полуавтоматической классификации с обучением.

Ключевые слова: агроландшафт, пески, ключевой участок, классификация, дешифрирование, коэффициент Каппа Коэна, вегетационный индекс

Список литературы

  1. Адамович Д.А., Ашихмина Т.Я., Кантор Г.Я. Теоретические проблемы экологии. Использование различных комбинаций спектральных каналов космических снимков спутника Landsat-8 для оценки природных сред и объектов (обзор) // Теоретическая и прикладная экология. 2012. № 2. С. 9–18.

  2. Гаель А.Г. Облесение бугристых песков засушливых областей. М.: Государственное изд-во географической литературы, 1952. 218 с.

  3. Гаель А.Г., Гумилев Л.Н. Разновозрастные почвы на песках Дона и передвижение народов за исторический период // Известия АН СССР, Сер. геогр. 1966. № 1. С. 11–20.

  4. Грибова С.А., Исаченко Т.И., Лавренко Е.М. Растительность европейской части СССР. Л.: Наука, 1980. 429 с.

  5. Гумилев, Л.Н. Древняя Русь и Великая степь. М.: Эксмо, 2006. 508 с.

  6. Дубнянский А.В. Пески Среднего Дона. М.: СельхозГИЗ, 1949. 227 с.

  7. Замалитдинова М.Г., Ткачева И.П., Ергалиев Д.С., Сейткожина А. Исследование изменения растительности в зоне Аральского моря на основе космических снимков с использованием вегетационного индекса NDVI // Вестник Евразийского национального университета имени Л.Н. Гумилева. 2019. № 3. С. 32–38.

  8. Зюзь Н.С. Культуры сосны на песках Юго-Востока. М.: Агропромиздат, 1990. 155 с.

  9. Ивлиева О.В., Райчева А.В. Физико-географические условия Шолоховского района // Природа Государственного музея-заповедника М.А. Шолохова: сб. статей. Ростов-на-Дону: ООО “Ростиздат”, 2000. С. 18–26.

  10. Королева П.В., Рухович Д.И., Рухович А.Д. Местоположение открытой поверхности почвы и линии почвы в спектральном пространстве RED-NIR // Почвоведение. 2017. № 12. С. 1435–1446.

  11. Кулик К.Н. Агролесомелиоративное картографирование и фитоэкологическая оценка аридных ландшафтов. Волгоград: ВНИАЛМИ, 2004. 248 с.

  12. Макушкин П.И., Турчин Т.Я., Макушкина И.П. Оценка санитарного состояния аренных дубняков Казанско-Вешенского песчаного массива // Приоритетные направления развития науки и образования: сб. статей II Междунар. научно-практ. конференции. 2018. С. 77–83.

  13. Малышева Н.В. Автоматизированное дешифрирование аэрокосмических изображений лесных насаждений. М.: Московский государственный университет леса, 2012. 151 с.

  14. Миронов В.В. Облесение песков Юго-Востока. М.: Лесная промышленность, 1970. 168 с.

  15. Файзуллоев Ш.А. Оценка точности классификации данных дистанционного зондирования в ГИС-технологии на примере района каскада ГЭС на реке Вахш // Известия науки республики Таджикистан. Отделение физико-математических, химических, геологических и технических наук. 2020. № 1 (178). С. 96–103.

  16. Congedo Luca. Semi-Automatic Classification Plugin. A python tool for the download and processing of remote sensing images in QGIS. Journal of open Source Software [Электронный ресурс]. 2012. № 6 (64). 197 p. https: //doi.org/joss.03172 (дата обращения 24.03.22).

  17. Landis J.R., Koch G.G. The measurement of observer agreement for categorical data. Biometrics [Электронный ресурс]. 1977. № 33 (1). Р. 159–174. https://doi.org/10.2307/2529310

Дополнительные материалы отсутствуют.

Инструменты

следующая статья выпуска предыдущая статья выпуска содержание выпуска

Геоэкология. Инженерная геология, гидрогеология, геокриология

Архивы выпусков Информация о журнале Отправить рукопись в журнал