На правах рукописи

БОГОЛЮБОВА АННА АНДРЕЕВНА

АЭРОКОСМИЧЕСКИЙ МОНИТОРИНГ ЗЕМЕЛЬНЫХ УГОДИЙ ОСОБО ОХРАНЯЕМЫХ ПРИРОДНЫХ ТЕРРИТОРИЙ САНКТ-ПЕТЕРБУРГА
Специальность 25.00.26 – Землеустройство, кадастр и

мониторинг земель

А в т о р е ф е р а т

диссертации на соискание ученой степени

кандидата технических наук

Санкт-Петербург

2012

Работа выполнена в федеральном государственном бюджетном образовательном учреждении высшего профессионального образования Национальном минерально-сырьевом университете «Горный».

Научный руководитель –

доктор биологических наук, доцент

Ковязин Василий Федорович

Официальные оппоненты:

Баденко Владимир Львович

доктор технических наук, ФГБОУ ВПО «Санкт-Петербургский государственный политехнический университет», профессор кафедры «Водохозяйственное и ландшафтное строительство»
Загорский Михаил Юрьевич

кандидат технических наук, старший научный сотрудник, ФГБОУ ВПО «Санкт-Петербургский государственный университет», доцент кафедры региональной политики и политической географии
Ведущая организация – ФБУ «Санкт-Петербургский научно-исследовательский институт лесного хозяйства»
Защита диссертации состоится 28 сентября 2012 г. в 15 ч. 00 мин. на заседании диссертационного совета Д 212.224.08 при Национальном минерально-сырьевом университете «Горный» по адресу: 199106 Санкт-Петербург, 21-я линия, д. 2, ауд. 3530.
С диссертацией можно ознакомиться в библиотеке Национального минерально-сырьевого университета «Горный».
Автореферат разослан 27 августа 2012 г.

УЧЕНЫЙ СЕКРЕТАРЬ

диссертационного совета,

кандидат технических наук,

доцент Ю.Н. КОРНИЛОВ

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы исследования. Вторая половина XX века отмечена стремительным ростом количества и размеров городов, в которых проживает более 70% населения планеты. Антропогенное воздействие на природную среду, ухудшение ее состояния и расширение урбанизированных территорий являются характерными особенностями современной эпохи.

В Санкт-Петербурге, где проживает почти 5 млн. человек, имеется более 1,5 млн. легковых автомашин, множество промышленных предприятий, складывается неблагоприятная экологическая ситуация. Урбанизация подавляет и разрушает естественную природную среду как с количественной стороны (захват новых земель), так и с качественной (ухудшение состояния окружающей среды). Одной из причин ухудшения среды обитания является недостаток и плохое состояние растительных ресурсов, в т.ч. особо охраняемых природных территорий (ООПТ).

Для снижения отрицательного воздействия человека на природные экосистемы и рационального их использования необходим мониторинг земельных ресурсов ООПТ. Он позволит выявить и изучить основные факторы, воздействующие на природные комплексы, выявить динамику земельных угодий.

Теоретической и методологической основой диссертации явились труды российских и зарубежных ученых по изучаемой проблеме, нормативно-правовые акты РФ и субъектов Федерации. Существенный вклад в теорию ведения мониторинга природной среды внесли Ю.А. Израэль, И.П. Герасимов, мониторинга городских земель – А.П. Сизов. Общие теоретические и методические проблемы дешифрирования и картографирования материалов аэрокосмических съемок освещали в своих трудах как отечественные (В.И. Сухих, В.Б. Кашкин, А.И. Сухинин, О.Е. Токарева, А.И. Обиралов, А.Н. Лимонов, И.А. Лабутина, Е.А. Балдина, Р.И. Вольпе, Н.С. Подобедов, Л.А. Богомолов, Г.Г. Самойлович и др.), так и зарубежные ученые (Андерсон Дж., Дженсен Дж. Р., Дэйвис Дж., Чен Х., Вонг Е., Рой П. и др.).

В условиях растущего антропогенного воздействия и загрязнения окружающей среды возрастает необходимость развития системы особо охраняемых природных территорий на землях мегаполисов и грамотного управления ими.

Мониторинг земельных угодий ООПТ является незаменимой и важной задачей администрации Санкт-Петербурга при проведении политики оптимизации использования природных ресурсов и минимизации воздействия антропогенных факторов на окружающую природную среду. Для этого необходимо проведение мониторинга состава земельных угодий ООПТ эффективными аэрокосмическими методами. Разработка методики автоматизированного дешифрирования аэро- и космоснимков и технологии аэрокосмического мониторинга земельных угодий ООПТ Санкт-Петербурга являются актуальными вопросами исследования.

Цель работы. Выявить изменения, происходящие в составе земельных угодий особо охраняемых природных территорий Санкт-Петербурга в связи с отрицательным воздействием мегаполиса на природные экосистемы, для прогнозирования их динамики.

Задачи исследования:

1. 
   Классифицировать земельные угодья ООПТ Санкт-Петербурга в соответствии с их фактическим использованием;
   
2. 
   Обосновать выбор метода и алгоритма автоматизированного дешифрирования аэрокосмической информации на основе оценки общей точности классификации;
   
3. 
   Выявить факторы, которые приводят к изменениям в составе земельных угодий ООПТ Санкт-Петербурга;
   
4. 
   Усовершенствовать методику оценки общей точности автоматизированного дешифрирования данных дистанционного зондирования Земли (ДЗЗ).
   

Идея диссертационной работы. Проведение мониторинга земельных угодий ООПТ Санкт-Петербурга на основе методики автоматизированного дешифрирования данных дистанционного зондирования Земли методом максимального правдоподобия. Получение актуальной информации для оперативного реагирования органов исполнительной власти на произошедшие изменения в составе земельных угодий ООПТ.

Методы исследований. Для решения поставленных задач использован комплексный метод исследований, который включал: сбор, анализ и обобщение статистической информации о составе земельных угодий ООПТ, опубликованной в научной литературе и законодательной базе по проблемам мониторинга земель; методы современной автоматической классификации материалов аэрокосмических съемок и картографирование результатов исследований; технологии наземных обследований земельных угодий ООПТ; экспериментальные исследования; аналитические, статистические, математические методы и моделирование; анализ полученных результатов дешифрирования по точности автоматической классификации, выполненной по различным алгоритмам; сопоставление результатов компьютерного моделирования с данными натурных наблюдений; выявление изменений в составе земельных угодий ООПТ Санкт-Петербурга за 20-летний период (1990 -2011 гг.).

Научная новизна диссертационной работы заключается в том, что в ней впервые применена четырехуровневая классификация земельных угодий, элементы которой неразрывно связаны между собой: масштаб; наименьшая единица площади для картографирования; характер информации (данные ДЗЗ); иерархическая структура классификации и количество элементов в ней. 

В результате применения методов автоматической классификации аэро- и космоснимков установлена точность распознавания видов земельных угодий ООПТ в зависимости от используемого алгоритма.

В работе усовершенствована, обоснована и реализована методика оценки общей точности автоматизированного дешифрирования аэро- и космоснимков и ее увеличение в среднем на 10,5%. Она предполагает последовательное деление снимков на m равных по площади частей с шагом кратным 2. Установлена зависимость общей точности классификации от количества частей, на которые делится исходный снимок. Зависимость показывает, что точность классификации увеличивается по мере разделения снимка, но при разбивки его не более чем на 8 частей. Дальнейшее деление не дает существенного повышения точности.

Научные положения, выносимые на защиту:

1. В условиях Санкт-Петербурга необходимо использовать четырехуровневую классификацию земельных угодий ООПТ, элементы которой неразрывно связаны между собой: масштаб; наименьшая единица площади для картографирования; характер первичной информации (данные ДЗЗ); иерархическая структура классификации и количество элементов в ней.

2. Для мониторинга земельных угодий ООПТ Санкт-Петербурга следует применять усовершенствованную методику автоматизированного дешифрирования аэро- и космоснимков на основе метода максимального правдоподобия.

3. Усовершенствованная методика автоматизированного дешифрирования аэро- и космоснимков, основанная на делении входных данных дистанционного зондирования Земли на части (не более 8) равной площади с шагом кратным 2, позволяет увеличить общую точность классификации земельных угодий ООПТ более чем на 10,5%. Дальнейшая разбивка входных данных не дает существенного увеличения точности.

Научная и практическая значимость работы заключается в применении методов автоматической классификации данных аэрокосмического мониторинга земельных угодий ООПТ Санкт-Петербурга; усовершенствовании методики оценки общей точности автоматизированного дешифрирования аэро- и космоснимков, которая позволяет увеличить его общую точность, на основе предложенной четырехуровневой иерархической классификации земельных угодий ООПТ. Результаты диссертационного исследования внедрены в работу ГКУ «Дирекция особо охраняемых природных территорий Санкт-Петербурга» и используются при мониторинге земельных угодий ООПТ (акт прилагается). Основные результаты диссертационной работы внедрены в учебный процесс кафедры инженерной геодезии Горного университета при изучении студентами специальных дисциплин направления 120700 «Землеустройство и кадастры» и специальности 120101 «Инженерная геодезия».

Достоверность и обоснованность научных положений и рекомендаций подтверждается статистическими сведениями о земельных угодьях ООПТ Санкт-Петербурга, а также периодическими данными ДЗЗ, полученными от официальных поставщиков; аналитическим обзором информации по алгоритмам автоматизированного дешифрирования аэрокосмических снимков; обоснованностью выполненных экспериментально-аналитических исследований и допустимой сходимостью их с результатами компьютерного моделирования; сопоставлением результатов, полученных по методике автоматизированного дешифрирования, как с натурными данными, так и с результатами исследований отечественных и зарубежных авторов, выполненных по другим методикам.

Апробация работы. Основные положения, рекомендации и основные выводы диссертационной работы докладывались на XV международной конференции молодых ученых в университете Природопользования г. Вроцлава (Польша, 2010 г.); VI международной научно-практической конференции молодых ученых и специалистов «Землеустройство, кадастр и геопространственные технологии» (Москва, 2010 г.); ежегодных международных научно-технических конференциях «Актуальные проблемы лесного комплекса» (Брянск, 2010, 2011гг.); ежегодной научной конференции профессорско-преподавательского состава Аграрного университета (Санкт-Петербург, 2010, 2011 гг.); I международной научно-практической конференции «Экологические проблемы природных и антропогенных территорий» (Чебоксары, 2011 г.); VII международной научно-технической интернет-конференции «Леса России в XXI веке» (Санкт-Петербург, 2011 г.); международной научно-технической конференции молодых ученых и специалистов «Современные проблемы и перспективы рационального лесопользования в условиях рынка» (Санкт-Петербург, 2011 г.); международной научно-практической конференции молодых ученых и студентов «Опыт прошлого – взгляд в будущее» (Тула, 2011г.); международной научно-практической конференции «Научное и практическое обеспечение земельных отношений» (Пермь, 2011 г.). Результаты исследований ежегодно докладывались на научно-практических конференциях факультета освоения подземного пространства Горного университета.

Благодарности. Основные положения научной работы обсуждались с профессорско-преподавательским составом кафедры инженерной геодезии Горного университета. Автор приносит всем сотрудникам кафедры глубокую благодарность за ценные замечания. Особую признательность выражаю к.т.н., доценту Пшемыславу Тымкову (институт «Геоинформатики и инженерной геодезии» университета Природопользования г. Вроцлава (Польша)) за полезные советы, критические замечания и содействие в подготовке диссертации. Отдельно благодарю руководителя ГКУ «Дирекция ООПТ Санкт-Петербурга» Т.В. Ковалеву за предоставленную информацию.

Личный вклад автора заключается в постановке задач, разработке методики проведения исследований, анализе законодательной базы, посвященной мониторингу земель в РФ и за рубежом; в разработке четырехуровневой иерархической классификации земельных угодий ООПТ Санкт-Петербурга, в которой тесно взаимосвязаны масштаб, характер входных данных, наименьшая единица площади отображения; проведении автоматической классификации аэрокосмических снимков ООПТ Санкт-Петербурга на основе различных математических алгоритмов; в выдвижении гипотезы о зависимости общей точности автоматизированного дешифрирования материалов аэрокосмических съемок от деления их на равные по площади части и ее доказательстве. Все материалы диссертационного исследования собраны, обработаны, проанализированы и сформулированы лично автором. Всего изучено 10 объектов общей площадью 5 513,9 га.

Публикации. Автором по теме диссертации опубликовано 18 печатных работ, из которых 3 - в изданиях, рекомендованных ВАК Минобрнауки России.

Структура и объема работы. Диссертационная работа изложена на 144 страницах машинописного текста, состоит из введения, четырех глав, заключения, библиографического списка из 119 источников, в том числе 19 зарубежных, включает 17 рисунков, 28 таблиц и 3 приложения.

Основное содержание работы

В первой главе диссертационной работы проведен анализ современного состояния работ в области мониторинга фактического использования земель на основе данных ДЗЗ среднего и высокого разрешения в РФ и за рубежом. Приведены сведения об этапах проведения работ по мониторингу земель, рассмотрены современные проблемы организации, управления, классификации и перспектив развития ООПТ Санкт-Петербурга. Представлена динамика использования земель Санкт-Петербурга по данным государственного мониторинга. Сформулированы цель и задачи исследований.

Во второй главе проанализирован и обобщен зарубежный опыт составления классификаторов земного покрова. Выявлены критерии классификации земельных угодий ООПТ Санкт-Петербурга. При классификации используются данные ДЗЗ среднего и высокого разрешения. Приведена зависимость уровня классификации от пространственного разрешения исходных данных.

Третья глава посвящена исследованию особенностей автоматизированной обработки и интерпретации данных ДЗЗ при проведении мониторинга земельных угодий ООПТ. Обоснованы этапы обработки цифровых снимков для алгоритмов контролируемой и неконтролируемой классификаций. Предложена технология аэрокосмического мониторинга земельных угодий ООПТ, проведена апробация методики их автоматизированного дешифрирования на примере Юнтоловского заказника Санкт-Петербурга с использованием ГИС: ILWIS 3.31, Maximum Likelihood Classifier.exe по различным алгоритмам классификации.

В четвертой главе изучена существующая методика оценки точности результатов автоматизированного дешифрирования по материалам аэрокосмических съемок. Приведена методика оценки результатов автоматической классификации и построения матрицы ошибок. Усовершенствована методика оценки точности результатов автоматизированного дешифрирования снимков земельных угодий ООПТ Санкт-Петербурга посредством их деления. Установлена зависимость общей точности классификации снимков от разбивки входной информации на части с соблюдением равенства площадей.

Основные результаты исследований отражены в защищаемых положениях:

1. В условиях Санкт-Петербурга необходимо использовать четырехуровневую классификацию земельных угодий ООПТ, элементы которой неразрывно связаны между собой: масштаб; наименьшая единица площади для картографирования; характер первичной информации (данные ДЗЗ); иерархическая структура классификации и количество элементов в ней.

Классификация земельных угодий и дешифрирование их контуров по данным ДЗЗ позволяют получить актуальную информацию о фактическом использовании и динамике изменения земельных угодий ООПТ. Следовательно, необходима классификация земельных угодий ООПТ в соответствии с их фактическим использованием, которая позволит вести оперативный мониторинг состава земельных угодий на основе данных ДЗЗ, выявить его динамику в связи с антропогенным воздействием.

Основная концепция создания классификации земельных угодий заключается в том, чтобы разделить между собой различные уровни интенсивной деятельности человека. Как правило, виды земельных угодий ранжируются, начиная с низкой и заканчивая высокой степенью антропогенного воздействия. Есть несколько подходов к классификации земель. Наиболее распространенные подходы основаны на классификации земель по видам и формам собственности, составу земельных угодий, по типам землепользования и интенсивности их использования. К наиболее известным относятся классификаторы (США): Геологической службы LULC (Land Use/Land Cover Classification System, Андерсон и др., 1976 г.); классификатор Michigan Land Use Classification (разработан с учетом особенностей сельского хозяйства и природных ресурсов штата Мичиган); классификация земель по Варфоломеу (Харланд Варфоломей, 1955 г.) с учетом уровней интенсивности использования и др. Классификаторы зарубежных авторов составлены так, что их легко применить к данным ДЗЗ. Достаточное количество проанализированных классификаторов показывает малую вероятность того, что только один из них может быть разработан так досконально, что подходит для реализации любых целей и задач. Существуют различные точки зрения при составлении классификаторов, а сам процесс субъективен, даже тогда, когда при их составлении применяется численный подход. Очевидно, что каждый классификатор должен разрабатываться в соответствии с потребностями пользователей.

Установлены существенные принципы и критерии классификации земельных угодий ООПТ Санкт-Петербурга. Стажировки автора в ГКУ «Дирекция ООПТ Санкт-Петербурга» позволили максимально точно разработать и детализировать классификацию земельных угодий ООПТ для ее будущих пользователей, которая позволяет работать с данными ДЗЗ. Предлагаемая классификация (табл. 1) соответствует следующим требованиям: возможности отображения всей территории ООПТ; ее рубрики соответствуют потребностям будущих пользователей; терминология состава земельных угодий однозначна.

Размер минимального контура земельного угодья, который изображается на тематической карте, зависит от ее масштаба и разрешения исходных данных, на основе которых виды земельных угодий будут выявлены, идентифицированы и интерпретированы. Выбор окончательного масштаба представления информации в рубрике осложнен тем обстоятельством, что на одном и том же уровне разные виды земельных угодий не могут быть идентифицированы с уровнем точности, который приближается к размеру минимальной единицы площади отображения, а в некоторых рубриках могут встретиться специфические контура земельных угодий, которые слишком малы, чтобы быть нанесенными на тематическую карту. Однако когда речь идет о тематической карте, отражающей фактическое использование земельных угодий, то трудно представить любой контур со стороной меньше, чем 2 мм в масштабе карты (для 4-го, самого детализированного уровня предложенной классификации в масштабе 1: 5 000 составляет 2 мм×2 мм=0,01  га). Меньшая площадь контура вызовет неудобство для пользователя тематической карты (как в цифровом, так и в аналоговом виде) в процессе работы с ней, т. к. он будет нечетким и нечитабельным. Минимальный размер отображения контура земельного угодья ограничивает пользователей компьютерной графики минимальным разрешением при печати. Зависимость уровня классификации от пространственного разрешения исходных данных ДЗЗ приведена в табл. 2.

Исходя из вышеизложенного, выявлены критерии классификации видов земельных угодий:

1. Минимальная точность интерпретации контуров земельных уго-

дий при автоматизированном дешифрировании данных ДЗЗ должна составлять не менее 85%.

2. Точность дешифрирования контуров земельных угодий должна быть равной для всех рубрик классификатора.

3. При выборе данных ДЗЗ для составления тематических карт фактического использования земельных угодий определенного масштаба нужно учитывать графическую точность отрисовки контуров на карте, а также при ее печати. Точность составляет 0,3 мм в масштабе карты.

4. Классификация земельных угодий применима в первичном виде только в границах ООПТ Санкт-Петербурга, так как она разработана с учетом индивидуальных особенностей этих территорий. Классификация может применяться и на других объектах, если она удовлетворит требования пользователей, либо взята за основу, дополнена или видоизменена.

5. Классификация пригодна только для использования ее в период вегетации.

6. Агрегация видов земельных угодий разных уровней допускается.

7. Возможность ежегодного сравнения данных разных лет и прогнозирования изменений о фактическом использовании земельных угодий.

Предложенная четырехуровневая классификация земельных угодий ООПТ Санкт-Петербурга отражает характер антропогенного воздействия на них и соответствует предъявляемым к ней критериям.

2. Для мониторинга земельных угодий ООПТ Санкт-Петербурга следует применять усовершенствованную методику автоматизированного дешифрирования аэро- и космоснимков на основе метода максимального правдоподобия.

Мониторинг земельных угодий предполагает процесс систематического и непрерывного сбора информации о состоянии и использовании земель для определения тенденций их изменения. Использование материалов аэрокосмических съемок - необходимое условие проведения регулярных наблюдений для получения оперативной информации о фактическом использовании территорий. Сравнение полученной информации с результатами съемок, выполненных в прошлые десятилетия, позволяет точно зафиксировать произошедшие изменения.

Определение видов земельных угодий на основе спектральных характеристик спутниковых данных является одной из фундаментальных задач дистанционного зондирования. Классификация многозонального снимка предполагает компьютерное распознавание объектов на снимке. Использование снимков для распознавания объектов основано на особенностях их спектральной отражательной способности (различия яркостных характеристик).

Классификация цифрового снимка заключается в группировке пикселей в соответствии с принятым правилом. При этом возможны два подхода: контролируемая классификация (supervised classification) или классификация с обучением и неконтролируемая классификация (unsupervised classification) - кластеризация (рис. 1).

Рис. 1. Схема классификации с обучением (а) и без обучения (б)
Для распределения пикселей снимка по классам применяют разные методы, причем выбор того или иного классифицирующего правила зависит от исходных данных и решаемой задачи. Все методы классификации можно разделить на параметрические и непараметрические. При использовании параметрических методов предполагается, что векторные данные, полученные на этапе обучения для каждого класса в видимом диапазоне спектра (синий (0,4-0,5 мкм), зеленый (0,5-0,6 мкм), красный (0,6-0,7 мкм), имеют нормальное распределение. При использовании непараметрических методов такого предположения не требуется. Сравнив алгоритмы автоматической классификации, выберем наиболее точный из них.

Апробация методики проведена на территории Юнтоловского заказника. Исходной информацией служили аэроснимки заказника (2005 и 2011 гг., масштаб 1:5 000; местность равнинная). В качестве вспомогательного исходного материала использовались топографический план и карты (2002 и 2005, 2010 гг., масштабы 1:2000 и 1:5000 соответственно). Перед тем, как приступить к работе с аэроснимком, проведена его географическая привязка. Выполнена геометрическая коррекция и регистрация цифрового аэроснимка в местной прямоугольной системе координат МСК-64 посредством трансформации проекции с использованием метода билинейной интерполяции в ГИС ArcGIS 10.0.

Передискретизация снимка проходила следующим образом: изображение корректировалось посредством соотношения с топографической картой, используя координаты углов прямоугольной сетки координат по 24 планшетам и 14 связующим точкам. Точность привязки составила 0,3-1,0 м и принята удовлетворительной, т. к. топографическая карта составлена ранее, чем проведены аэрофотосъемки местности. Автоматизированное дешифрирование снимков проводилось по различным алгоритмам для выявления наиболее точного метода классификации.

Далее проведена предварительная обработка аэроснимков, создана «обучающая выборка» в программных продуктах: ГИС ILWIS 3.31 и Maximum Likelihood Classifaer.exe, предназначенных для обработки цифровых изображений. Выполнена автоматическая классификация сформированной выборки согласно методам: максимального правдоподобия, минимального расстояния, параллелепипеда, минимального расстояния Махаланобиса и CLUSTER (кластеризации). Полученные результаты автоматической классификации материалов аэрофотосъемки по различным алгоритмам приведены в табл. 3. Сравнительный анализ методов показал, что при классификации видов земельных угодий ООПТ лучше применять алгоритм максимального правдоподобия, т.к. он позволяет увеличить точность распознавания контуров отдельных видов угодий от 27,2 до 71,5%.

Предложенная технология (рис. 2) позволяет вести оперативный мо-

ниторинг контуров земельных угодий ООПТ, полученных автоматически по алгоритму максимального правдоподобия, за короткие сроки и без дополнительных затрат на полевое обследование, а также позволяет установить на местности их границы. Внедрение методики с использованием метода максимального правдоподобия повысит полноту содержания тематических карт в аналоговой и цифровой формах представления; увеличит точность распознавания контуров отдельных видов угодий; повысит производительность труда и улучшит условия выполнения работ по сравнению с традиционными неавтоматизированными методиками.

Сравнив полученные тематические карты (2005, 2011 гг.) земельных угодий заказника «Юнтоловский» с имеющимися геоботаническими картами 1990 и 1997 гг. выявили существенные изменения контуров земельных угодий за 20-летний период (рис. 3).

Рис. 3. Мониторинг земельных угодий

заказника «Юнтоловский» за 20-летний период
3. Усовершенствованная методика автоматизированного дешифрирования аэро- и космоснимков, основанная на делении входных данных дистанционного зондирования Земли на части (не более 8) равной площади с шагом кратным 2, позволяет увеличить общую точность классификации земельных угодий ООПТ более чем на 10,5%. Дальнейшая разбивка входных данных не дает существенного увеличения точности.

Классификацию данных ДЗЗ нельзя считать завершенной, пока не выполнена оценка ее точности. Стандартной формой представления оценки точности классификации является матрица ошибок, которая характеризует не только погрешность классификации для каждого класса, но и ошибки, связанные с неверной интерпретацией пикселей. Оценка проводилась в матричном виде на основе кросс-табуляции.

При оценке точности использовались две карты: проверяемый (тематическая карта) и опорный растры (топографическая карта). При интерпретации результатов полагали, что проверяемая тематическая карта потенциально является неточной, а топографическая карта по данным полевых исследований геоботаников СПбГУ хорошо отражает реальную ситуацию. Для построения матрицы ошибок, тематическая информация записывалась от образца пикселей, которые отображали один и тот же вид земельных угодий на двух картах. Расчет матрицы ошибок представлен в табл. 4. Анализ данных свидетельствует, что из 1536000000 пикселей 1098712113 идентифицировались верно. Таким образом, общая точность автоматической классификации снимка по методу максимального правдоподобия составила 71,5%.

Для увеличения общей точности автоматической классификации снимков была усовершенствована методика автоматизированного дешифрирования данных ДЗЗ. Она основана на гипотезе: если разделить снимок на m частей равной площади, составить к каждой m_i части обучающую выборку, выполнить их классификацию на основе метода максимального правдоподобия и оценить точность, то в результате получим ее увеличение за счет разбивки снимка, конечно при увеличении временных затрат на дешифрирование таких частей. Выдвинутая автором гипотеза проверена экспериментальным путем: исходный снимок был поделен на части равной площади с шагом кратным i=2.

В результате эксперимента и проверки выдвинутой гипотезы получена зависимость точности классификации снимка от количества его делений на равные по площади части при дешифрировании (рис. 4). Из рис. 4 видно, что зависимость имеет логарифмический характер и выражается функцией вида Т=a·ln(x)+b, где Т – общая точность классификации, х – количество делений снимка. Аппроксимация экспериментальных данных по одиннадцати точкам показала, что общая формула зависимости общей точности классификации от количества частей снимка имеет следующий вид:

Т=4,16·ln(x)+72,87 (1)

Таблица 4

Расчет матрицы ошибок и показателей точности тематической карты в пикселях

Эталонные данные, кол-во пикселей	Классифицируемые данные, количество пикселей					Расчет показателей точности
	Водные объекты	Лес. насажд. и раст.-ть	Водно- болотные угодья	Бывшие с.х. угодья	Искусств. поверх.-ть	Сумма по строкам	Точность производ., %	Пропуск, %
Водные объекты	446719814	10638995	19573229	218145	3138051	480288234	93,0	7,0
Лес. насажд. и раст.-ть	15762970	185437482	6205003	33839888	3601810	244847154	75,7	24,3
Водно-болотные угодья	23847248	11154462	122364597	21310307	28880734	207557348	59,0	41,0
Бывшие с.х. угодья	168052	110096789	8074583	139433203	6794801	264567429	52,7	47,3
Искусств. поверх.-ть	0	465375	87031630	46485814	204757017	338739836	60,4	39,6
Сумма по столбцам	486498084	317793103	243249042	241287356	247172414	1536000000	1098712113	K=63,7%
Точность пользов., %	91,8	58,4	50,3	57,8	82,8	T=71,5%	MPA=68,2%	MUA=68,2%
Ложная классиф., %	8,2	41,6	49,7	42,2	17,2	-	-	-

Рис. 4. Зависимость общей точности автоматической классификации снимка от количества его делений на части равной площади

Полученная аппроксимирующая кривая описывает выявленную зависимость с учетом высокого значения коэффициента детерминации R²=0,96. Усовершенствованная методика оценки точности автоматизированного дешифрирования позволяет увеличить общую точность классификации земельных угодий более чем на 10,5% при делении снимка не более чем на 8 частей. При дальнейшей разбивки снимка увеличение общей точности классификации незначительно. Полученные результаты приведены в табл. 5.

Таблица 5

Зависимость общей точности автоматической классификации

от количества частей снимка

mi, шт.	1	2	4	6	8	10	12	14	16	20	24
Т, %	71,5	75,7	79,7	81,5	82,2	82,8	83,3	83,7	84,1	84,7	85,2

ЗАКЛЮЧЕНИЕ

Диссертация представляет законченную научно-квалификационную работу, в которой решены актуальные задачи по классификации земельных угодий ООПТ Санкт-Петербурга; усовершенствованию методики автоматизированного дешифрирования аэро- и космоснимков методом максимального правдоподобия, позволяющей увеличить общую точность классификации в среднем на 10,5 %.

Основные научные и практические результаты работы:

1. 
   Разработана четырехуровневая классификация земельных угодий ООПТ Санкт-Петербурга, в которой неразрывно связаны между собой масштаб картографирования, входные данные ДЗЗ, наименьшая единица отображения площади.
   
2. 
   Обоснован выбор метода автоматической классификации аэрокосмической информации при ее дешифрировании на основе оценки точности. Установлено, что для автоматической классификации контуров земельных угодий ООПТ необходимо применять алгоритм максимального правдоподобия.
   
3. 
   Апробация предложенных рекомендаций осуществлена на объекте - «Юнтоловский» заказник. На основании разработанной классификации видов земельных угодий было проведено компьютерное моделирование по выбору наиболее точного метода автоматизированного дешифрирования снимков. Эксперимент показал, что максимальную точность (85,2%) дает применение метода максимального правдоподобия.
   
4. 
   Доказана гипотеза о возникновении зависимости общей точности автоматизированного дешифрирования от количества частей снимка равной площади. Эксперимент показал, что при разбивке снимка в интервале: от 1-ой части до 8-ми, точность классификации увеличивается на 10,5%. Деление снимка на более чем 8 равных по площади частей не приводит к увеличению общей точности классификации.
   
5. 
   Усовершенствована методика автоматизированного дешифрирования аэро- и космоснимов, основанная на делении исходных данных ДЗЗ на части равной площади с шагом кратным 2. Она позволяет увеличить общую точность классификации более чем на 10,5%. Полученная зависимость общей точности классификации автоматизированного дешифрирования снимков от разбивки входной информации с соблюдением равенства площадей показывает, что деление снимка более, чем на 8 частей не дает существенного увеличения общей точности.
   

Наиболее значимые печатные работы по теме диссертации:

1. Боголюбова А.А. Методика построения матрицы ошибок и оценка общей точности классификации аэрофото- и космоснимков / Маркшейдерский вестник. 2012. № 4. С. 22-25.

2. Ковязин В.Ф., Боголюбова А.А., Мартынов А.Н. Видовое разнообразие древесно-кустарниковых растений в экосистемах Санкт-Петербурга различной степени антропогенного воздействия / Известия Санкт-Петербургской государственной лесотехнической академии: СПбГЛТА. 2010. Т. 189. С. 33-45.

3. Ковязин В.Ф, Гореликов В.Г., Боголюбова А.А. Применение фрактальной геометрии при разработке кадастра древесных пород, высаженных при лесохозяйственной рекультивации земель / Маркшейдерский вестник. 2010. № 2. С. 54-55.

4. Боголюбова А.А. Классификация почвенно-растительного покрова особо охраняемых природных территорий Санкт-Петербурга / Сборник научных трудов по итогам международной научно-технической конференции «Актуальные проблемы лесного комплекса». Вып. 28. - Брянск: 2011. С. 168-172.

5. Боголюбова А.А., Зубова Т.В. Динамика изменения площадей земельных угодий заказника «Юнтоловский» в период с 1990-2005 гг. // Сборник научных трудов по итогам международной научно-технической конференции «Актуальные проблемы лесного комплекса». Вып. 30. - Брянск: 2011, С. 3-6.

6. Боголюбова А.А., Кореневская В.С., Ковязин В.Ф. Мониторинг природных ресурсов заказника «Юнтоловский» // Материалы седьмой международной научно-практической интернет-конференции «Леса России в XXI веке», г. Санкт-Петербург, 2011. С. 25-28.

7. Боголюбова А.А. Последствия антропогенного воздействия на природный заказник «Юнтоловский», связанные с реализацией проекта Западного скоростного диаметра / Материалы VI Международной научно-практической конференции молодых ученых «Землеустройство, кадастр и геопространственные технологии». 2011. - М.: ГУЗ. С. 33-38.

8. Боголюбова А.А. Земли особо охраняемых природных территорий и их правовой режим / Сборник научных статей I Международной научно-практической конференции «Экологические проблемы природных и антропогенных территорий». – Чебоксары: 2011. С. 174-175.

9. Боголюбова А.А. Системный подход к организации управления особо охраняемыми природными территориями Санкт-Петербурга / Материалы Международной научно-практической  конференции «Научное и практическое обеспечение земельных отношений». - Пермь: 2011. С. 24-27.

10. Боголюбова А.А. Особо охраняемые природные территории Санкт-Петербурга: состояние и перспективы развития / Вестник МАНЭБ. 2010 г., Т. 14, №4. С. 61-63.

11. Ковязин В.Ф., Боголюбова А.А. Критерии оценки степени антропогенного воздействия на природную среду мегаполисов / Вестник

МАНЭБ. 2010 г., Т. 15, №4. С. 61-66.

Таблица 1

Уровень 1	Уровень 2	Уровень 3	Уровень 4
1.  Лесные насаждения и растительность	Лесные насаждения	Хвойные насаждения	Древостой с преобладанием ели (ельники) Древостой с преобладанием сосны (сосняки) Древостой с преобладанием лиственницы (листвяги)
		Мелколиственные насаждения	Древостой с преобладанием березы (березняки) Древостой с преобладанием ивы (ивняки) Древостой с преобладанием осины (осинники) Древостой с преобладанием черной ольхи (черноольшаники) Древостой с преобладанием серой ольхи (сероольшаники)
		Широколиственные насаждения	Древостой с преобладанием дуба (дубравы) Леса с преобладанием клена (кленовники) Леса с преобладанием ясеня (ясеневники) Леса с преобладанием липы (липняки) Леса с преобладанием вяза (вязовники)
		Смешанные насаждения	Хвойные леса смешанного состава (с преобладанием сосны, ели) Мелколиственные леса смешанного состава (с преобладанием березы и осины) Широколиственные леса смешанного состава (дуб, клен, липа, вяз)
	Мелколесья и кустарниковые заросли	Мелколесья	Заросли кустарниковых ив
		Кустарниковые заросли	Лещинники
	Бездревесная растительность	Лесные земли, непокрытые лесной растительностью	Свежие вырубки Свежие вывалы деревьев Антропогенные пустоши с редкой растительностью и кострища
		Нелесная растительность	Овраги
			Прогалины
	Луговая (травянистая) растительность	Разнотравные луга	Разнотравье
		Тростниковые заросли	Тростники
		Настоящие луга	Естественные луга
		Заболоченные луга	Луга избыточно-увлажненные
		Камышовые заросли	Камыши
		Злаковые луга	Злаковые растения
	Растительность искусственных поверхностей и бывших торфоразработок	Растительность на намывных землях	Зеленые насаждения
		Растительность на бывших торфоразработках	Комплексный растительный покров

Классификация земельных угодий ООПТ Санкт-Петербурга

Окончание таблицы 1

Классификация земельных угодий ООПТ Санкт-Петербурга

Уровень 1	Уровень 2	Уровень 3	Уровень 4
2. Водно-болотные угодья (болота)	Внутренние водно-болотные угодья	Переходные болота	Переходные болота
		Верховые (олиготрофные) болота	Верховые (олиготрофные) болота
		Низинные (евтрофные) болота	Торфяники
3. Искусственная поверхность	Городская застройка	Сторонние землепользователи	Индивидуальные постройки
			Земельные участки в частной собственности
	Коммерческие и транспортные блоки	Объекты коммунально-бытового хозяйства	Объекты коммунально-бытового хозяйства
		Государственные и коммерческие единицы	Административные здания, строения, сооружения, исторические постройки и их фундаменты
		Транспортная инфраструктура	Дороги: грунтовые, полевые и лесные дороги, тропы и т.д.
		Мосты	Мосты
	Несанкционированные свалки, стройплощадки и временные карьеры	Свалки бытового и строительного мусора	Свалки бытового и строительного мусора
		Временные стройплощадки	Временные стройплощадки
		Карьеры (по добыче щебня, песка), скопление камней	Карьеры (по добыче щебня, песка), скопление камней
	Площади под рекреацию	Рекреационные земли	Места для спорта и отдыха
		Городские насаждения	Зеленые насаждения общего пользования
		Оздоровительные лагеря	Детские оздоровительные лагеря
4. Водные объекты	Внутренние воды	Водотоки	Реки и каналы Канавы
		Площадные водные объекты	Озера Пруды
	Морские воды	Прибрежные лагуны	Лахтинский разлив
		Балтийское море	Финский залив
5. Бывшие земли для с.х.использования	Сенокосы	Сенокосные луга	Сенокосы: заливной, суходольный, заболоченный
	Пашня	Огороды	Огороды, залежи
Примечание: при разработке проектов классификации земельных угодий приведенные рубрики и элементы могут быть уточнены и дополнены, чтобы сделать их применимыми к любой категории ООПТ Санкт-Петербурга.

Таблица 2

Зависимость уровня классификации от пространственного разрешения исходных данных ДЗЗ

Критерии классификации	Уровень классификации
	I	II	III	IV
Пространственное разрешение исходных данных, м	15	6	2	0,5
Масштаб составляемой тематической карты	1: 50 000	1:25 000	1:10 000	1:5 000
Минимальный размер площади отображения, га	1,00	0,25	0,04	0,01

Таблица 3

Результаты автоматической классификации земельных угодий Юнтоловского заказника на основе алгоритмов контролируемой (а, б, в, г)

и неконтролируемой (е) классификации в ГИС ILWIS 3.31 и Maximum Likelihood Classifier.exe

Рез-ты исследов.	Наименование алгоритма автоматической классификации
	Алгоритм минимального расстояния	Алгоритм параллелепипеда	Алгоритм минимального расстояния Махаланобиса	Алгоритм максимального правдоподобия	Кластеризация
Результирующая тематическая карта
Общая точность автоматической классификации, %	55,7	27,2	66,7	71,5	36,1
Легенда	- лесные насаждения и растительность; - водные объекты; - водно-болотные угодья; - искусственная поверхность; - бывшие с.х. угодья;