автореферат диссертации по приборостроению, метрологии и информационно-измерительным приборам и системам, 05.11.13, диссертация на тему:Оценка характеристик лесных территорий на основе сопряженного анализа данных ГИС и спутниковой съемки

ВВЕДЕНИЕ

1. МЕТОДЫ ИНТЕРПРЕТАЦИИ ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ

1.1. Развитие методов дистанционного зондирования

1.2. Методы предварительной обработки спутниковых изображений.

1.2.1. Радиометрическая коррекция.

1.2.2. Расчет абсолютных значений яркости.

1.2.3. Создание композитных изображений и масок.

1.2.4. Геометрическая трансформация изображений.

1.2.5. Радиометрическая коррекция влияния рельефа местности.

1.3. Дополнительные признаки для оценки параметров растительности по данным дистанционного зондирования

1.3.1. Зональные отношения.

1.3.2. Локальные пространственные характеристики.

1.4. Интерпретация качественных и количественных характеристик

1.5. Методы классификации

1.5.1. Неуправляемая классификация.

1.5.2. Классификация с обучением.

1.5.3. Методы снижения размерности пространства признаков.

1.5.4. Оценка качества классификации.

1.6. Методы оценки количественных.характеристик по данным дистанционного зондирования

1.6.1. Линейные регрессионные модели.

1.6.2. Методы декомпозиции спектральных смесей.

1.7. Обобщенный контекст сцены

1.8. Актуальные проблемы тематической интерпретации дистанционных данных

2. МЕТОДЫ СОПРЯЖЕННОГО АНАЛИЗА ДАННЫХ СПУТНИКОВОЙ СЪЕМКИ И ГИС ДЛЯ ОЦЕНКИ КАЧЕСТВЕННЫХ И КОЛИЧЕСТВЕННЫХ ХАРАКТЕРИСТИК

ЛЕСНЫХ ТЕРРИТОРИЙ

2.1. Принцип сопряженного анализа разнородных данных в средствах ГИС.

2.2. Метод автоматизированного формирования эталонных выборок.

2.2.1. Расчет статистических сигнатур выделов.

2.2.2. Исключение пограничных зон выделов.

2.2.3. Учет размера и формы выделов.

2.2.4. Анализ степени пространственной однородности выделов.

2.2.5. Стратификация выделов по степени однородности.

2.3. Метод непараметрической регрессии для оценки количественных характеристик растительности

2.4. Методика для классификации категорий земель и оценки запасов надземной фитомассы древесного яруса

2.5. Выводы к разделу СОСТАВ И СТРУКТУРА КОМПЛЕКСА ГИС "ЛЕСА СРЕДНЕЙ СИБИРИ"

3.1. Назначение, функции и структура банка данных многоуровневой ГИС "Леса Средней Сибири"

3.2. Структура лесоинвентаризационной ГИС локалвного масштабного уровня

3.2.1. Цифровая картографическая основа.

3.2.2. База данных ГИС о лесном фонде.

3.2.3. Материалы космической съемки.

3.3. Аппаратурные, программные и функциональные средства комплекса ГИС

3.3.1. Аппаратурные средства для обработки геоданных.

3.3.2. Программные средства.

3.3.3. Функциональные возможности комплекса на базе PC Arclnfo и ArcView GIS.

3.4. Разработанное программное обеспечение

4. ОЦЕНКА ПОРОДНОГО СОСТАВА И ЗАПАСА ФИТОМАССЫ ЛЕСНЫХ НАСАЖДЕНИЙ ПО ДАННЫМ СПУТНИКОВОЙ СЪЕМКИ LANDSAT ТМ С ИСПОЛЬЗОВАНИЕМ ГИС.

4.1. Характеристика объекта исследования

4.2. Выбор данных спутниковой съемки

4.3. Предварительная обработка данных

4.4. Классификация категорий земель

4.5. Количественная оценка запаса надземной фитомассы по данным спутниковой съемки Landsat ТМ методами линейной и непараметрической регрессии

4.5.1. Линейные регрессионные модели оценки запаса.

4.5.2. Оценка запаса древостоев по методу непараметрической регрессии.

ОСНОВНЫЕ НАУЧНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

Актуальность исследований. В конце текущего столетия леса Сибири оказались в центре многих жизненно важных проблем человечества. Они представляют значительный интерес для мирового сообщества с точки зрения глобальной экологии, развития социально-экономических и торговых отношений. Для поддержания экологической устойчивости бореальных лесов 0

Сибири требуется организация регулярных наблюдений за их состоянием, использованием и воспроизводством. Основу традиционных методов контроля за функционированием лесных экосистем составляют данные лесоустройства, лесопатологических обследований, статистической отчетности и научных исследований лесов. Однако, использование только этой информации для оперативного управления лесным хозяйством недостаточно из-за ее пространственной и временной разобщенности и слабой систематизированности. В настоящее время ощущается острая потребность в создании систем и методов пространственно-временного мониторинга лесов на базе интеграции существующих потоков информации и данных, получаемых с помощью дистанционных методов. На сегодняшний день наиболее целесообразно рассматривать такие методы и данные в связи с геоинформационными системами (т. е. географическими или геотематическими информационными системами), благодаря которым повышается практическая отдача дистанционного зондирования [36].

Для оперативного мониторинга лесных экосистем на обширных территориях Сибири в последнее время все большую актуальность приобретают методы автоматизированного определения качественных (таких, как породный состав) и количественных (например, запас надземной фитомассы) характеристик лесного покрова по данным дистанционного зондирования.

В настоящее время методы автоматизированной оценки характеристик лесов на базе единой информационной системы еще не получили принципиального решения и находятся в стадии проработки научной концепции, развития некоторых ее элементов, их опытной проверки. Однако отдельные целевые задачи мониторинга лесных экосистем решаются уже сейчас как с помощью стандартных наземных методов [19], так и с использованием аэрокосмических средств, хотя в ряде случаев они и не дают достаточной логико-математической формализации, алгоритмической и программной проработки.

В практике лесного хозяйства сейчас широко применяется спектрозональная аэрофотосъемка с последующим визуальным дешифрированием. Дешифрирование данных съемки и составление на его основе картосхем следует отнести скорее к искусству, нежели к науке. Использование таких подходов объясняется, в частности, недостаточной чувствительностью современных методов дистанционного зондирования, неразвитостью процедур объективного анализа данных съемки. Решение проблемы оценки современного состояния лесов должно включать в себя формализацию процедур обработки данных съемки, что позволит снизить элемент субъективизма, привносимый дешифровщиком в процессе "ручного" анализа. Это, в свою очередь, требует выявления взаимосвязей между параметрами состояния фитоэлемента (древесного растения, древостоя) и параметрами регистрируемого излучения.

Учитывая вышесказанное, были сформированы цель и задачи исследований, представленные в диссертационной работе, которая выполнялась i в шабораторми пморфологии плеса мИна^итаута леса им. В.Н. Сукачева СО РАН и входила в тематический план исследовательских работ по НИПу «Мониторинг состояния и динамики лесов» и российско - американского проекта по экосистемному управлению бореальными лесами (Russion - US

Central Siberian Forest Management Project N23-998, 23-990053) .

Цель работы - разработка методов автоматизированной тематической интерпретации цифровых спектрозональных космических снимков лесных территорий на основе многоуровневой геоинформационной системы (ГИС).

Задачи исследований:

• Анализ существующих методов интерпретации дистанционных данных.

• Разработка методики и программного обеспечения для тематической обработки спутниковых изображений с использованием цифрового банка данных геоинформационной системы.

• Формирование цифровых карт породного состава и запасов надземной фитомассы древесного яруса по данным спектрозональной сканерной съемки со спутников Landsat ТМ на территорию тестового объекта (Большемуртинский лесхоз Красноярского края).

Научная новизна. Разработана методика для оценки качественных и количественных характеристик растительности на основе интерпретации спутниковых снимков совместно с данными лесоинвентаризационной ГИС, реализующая комбинированный анализ разнородных геоданных: растровых спутниковых изображений, цифровой модели рельефа местности и векторных лесоустроительных карт. При этом: предложен метод формирования эталонных участков и выборок для последующей тематической обработки спутниковых изображений (классификации категорий земель и оценки количественных характеристик растительности), позволяющий автоматизировать и ускорить процесс создания эталонных выборок, а также снизить эффект субъективности на результирующие данные и требования к квалификации оператора ГИС; предложен модифицированный метод непараметрической регрессии, позволяющий оценивать значение количественных характеристик растительности для каждого пикселя дистанционного изображения.

Практическое значение и внедрение результатов работы Реализованные методы анализа дистанционных и картографических данных внедрены в состав программного обеспечения комплекса ГИС «Леса Средней Сибири», используемой в Институте леса им. В.Н. Сукачева СО РАН. Разработанные процедуры анализа картографических данных также использованы в составе ГИС «Экосистемное управление в бореальных лесах центральной Сибири», внедренной в Вольшемуртинском опытно-показательном лесхозе Красноярского края, при сотрудничестве с Восточно-Сибирским лесоустроительным предприятием.

Результаты обработки дистанционных данных спутника Landsat ТМ позволяют оперативно формировать карты породного состава и среднего запаса насаждений на значительные территории (площадь одной сцены Landsat ТМ -3550000 га) . Это в свою очередь способствует расширению и актуализации существующего банка данных ГИС и позволяет осуществлять проектирование взаимосвязанного комплекса лесохозяйственных мероприятий в рамках экосистемного управления лесами. Предложенная методика, апробированная при обработке изображений Landsat ТМ, может быть адаптирована и для анализа других типов изображений спутниковой съемки, например - SPOT.или «Ресурс-01» [28].

На защиту выносится:

1. Методика сопряженного анализа данных ГИС и спутниковой съемки для оценки качественных и количественных характеристик растительности, в рамках которой реализованы: метод автоматизированного формирования эталонных выборок для классификации категорий земель и оценки количественных характеристик растительности по данным дистанционной съемки; модифицированный метод непараметрической регрессии для оценки значений количественных характеристик растительности для каждого пикселя дистанционного изображения.

2. Программный модуль для обработки дистанционных изображений, расширяющий функции комплекса ГИС «Леса Средней Сибири».

3. Результаты апробации методики для тематической обработки данных спектрозональной съемки со спутника Landsat ТМ на территорию Большемуртинского лесхоза Красноярского края.

Публикации и апробация результатов

По теме диссертации опубликовано 14 работ. Из публикаций, подготовленных в соавторстве, в диссертацию включены результаты, полученные лично автором. Автор участвовал в исследованиях по темам «Геоинформационная система реконструкции климата по древесно-кольцевым хронологиям на территории Сибири и Урала» РФФИ N96-07-89101 (рук. Ефремов С.П.); «Геоинформационная система состояния лесов Енисейского меридиана, подверженных воздействию насекомых-дендрофагов» РФФИ N96-07-87105 (рук. Харук В.И.); ФЦП «Интеграция» - «Научно-исследовательская кафедра биофизики», №162, 1997-2000 (рук. Ваганов Е.А., Лопатин В.Н.); «Комплексное исследование биосферной роли бореальных лесов на сибирских трансектах IGBP» №6 1997-1999 (рук. Ваганов Е.А.)

Результаты данной работы были доложены и обсуждены на конференциях молодых ученых (КНЦ СО РАН, 1996, 1999, 2000), Всероссийской конференции «Проблемы защиты населения и территорий от чрезвычайных ситуаций» (Красноярск, 1997), Международной конференции "Экология таежных лесов" (Сыктывкар, 1998), Международной конференции по учету и мониторингу лесных экосистем (Бойс, Идахо, США, 1998), 2-м всероссийском совещании «Аэрокосмические методы и геоинформационные системы в лесоведении и лесном хозяйстве» (Москва, 1998), Всероссийской научно-практической конференции с международным участием «Достижения науки и техники - развитию сибирских регионов» (Красноярск, 1999), Международном совещании «Методы оценки состояния и устойчивости лесных экосистем» (Красноярск, 1999) .

Личный вкладавтора. Лично автором обобщен технологический опыт применения многих методов обработки дистанционных изображений с использованием технологических возможностей ГИС на основе принципов сопряженного анализа разнородных геоданных; предложен метод формирования эталонных выборок, модифицированный метод непараметрической регрессии, выполнена разработка программных процедур для обработки и анализа дистанционных данных, реализованных в модуле «Spatial Tools». Разработка используемого в работе комплекса ГИС «Леса Средней Сибири», а также решение прикладных эколого-географических задач выполнялись совместно с сотрудниками лаборатории морфологии леса и других лабораторий института.

Объем и структура работы. Материалы диссертации изложены на 155 страницах машинописного текста. Диссертация состоит из введения, четырех разделов, основных результатов, списка литературы и приложения. Она включает в себя 22 таблицы и 25 рисунков. Список литературы включает в себя 104 библиографических источника, из них 4 9 - на иностранных языках.

ОСНОВНЫЕ НАУЧНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

1. Предложена методика сопряженного анализа в ГИС лесоинвентаризационных и спутниковых данных с целью дистанционной оценки характеристик лесной растительности. В рамках методики реализованы:

- методы предварительной обработки растровых дистанционных изображений, включающие алгоритмы радиометрической коррекции влияния рельефа местности (по Ламберту) и разрядной декомпозиции яркостного сигнала для создания изображений-масок;

- оригинальный метод автоматизированного формирования эталонных участков и выборок;

- метод выбора информативных дешифровочных признаков для классификации категорий земель на основе анализа трансформированной межклассовой дивергенции;

- метод непараметрической регрессии для оценки запасов надземной фитомассы насаждений по дистанционным изображениям.

2. Разработан программный модуль для обработки дистанционных изображений, расширяющий функции комплекса ГИС «Леса Средней Сибири».

3. По предложенной методике выполнена тематическая обработка данных спектрозональной съемки со спутника Landsat ТМ на территорию Болынемуртинского лесхоза Красноярского края:

- получена автоматизированная классификация б-ти категорий земель с использованием расширенного вектора спектрозональных и дополнительных признаков;

- выделены участки однородных по составу высокополнотных насаждений березы, осины и группы темнохвойных пород (пихты, ель, кедр) со средней точностью 70%, выделены также категории нелесных земель и сельскохозяйственных угодий;

- повышена точность дешифрирования сосновых насаждений за счет использования дополнительного априорного признака крутизны поверхности;

- с применением аппарата линейной регрессии установлено наличие обратной зависимости между запасом выдела и индексом пространственного разнообразия изображения насаждений.

- построена растровая карта запасов надземной фитомассы насаждений с использованием метода непараметрической регрессии по расширенному набору спектрозональных и дополнительных признаков.

4 . Предложенные методы и технология лесоводственной интерпретации дистанционных данных в сравнении с традиционными позволяют автоматизировать и ускорить процесс тематической обработки изображений, снизить влияние субъективности на результирующие данные и требования к квалификации оператора, одновременно сохраняя высокую точность, полученных оценок породного состава и запаса насаждений.

1. Аковецкий Б. И. Дешифрирование снимков. // М.: Недра, 1983.- 28 бс.

2. Андроников В.А. Аэрокосмические методы изучения почв. // М.: Колос, 1997. 217с.

3. Бузыкин А. И. Формирование и продуктивность древостоев. // Формирование и продуктивность лесных фитоценозов. Красноярск, ИлиД СО АН СССР, 1982, С.5-26.

4. Букчин М.А. , Гершензон В.Е. Захаров М.Ю. , Лупян Е.А., Плюснин И. А. Возможность создания и перспективы использования недорогих станций приема данных со спутников серии NOAA в режиме HRPT // Исслед. Земли из космоса. 19 92. № б. С. 85-90.

5. Бутаков Е.А. и др. Обработка изображений на ЭВМ // М.: Радио и связь, 1997.

6. Валентюк А.Н. г Предко К.Г. Оптическое изображение при дистанционном зондировании // Минск: Навука i тэхн1ка, 1991. 360с.

7. Вараксин Г.С., Черкашин В.П., Корец М.А. ГИС для инвентаризации лесокультурного фонда и оценки состояния искусственного лесовосстановления. // Лесная таксация и лесоустройство: Межвузовский сборник научных трудов. Красноярск: СибГТУ, 2000. с. 255-264.

8. Виноградов Б. В. Аэрокосмический мониторинг экосистем. // М. : Наука, 1994. 320с.

9. Гарбук С.В., Гершензон В.Е. Космические системы дистанционного зондирования Земли. М.: ИТЦ «СКАНЭКС», 1997, 296 с.

10. Геоинформационные системы. Обзорная информация. М.: ЦНИИГАИК, 1992, 52 с.

11. Гоутц А.Ф.Х., Уеллмен Дж.Б., Барнс У.Л. Дистанционное зондирование Земли в оптическом диапазоне волн. // ТИИЭР. Пер. с англ. М.: Мир, 1985, Т.73, С. 7-29.

12. Данюлис Е.П., Жирин В.М., Сухих В.И., Эльман Р.И. Дистанционное зондирование в лесном хозяйстве.- М.: Агропромиздат, 1989.

13. Денисов Д.А., Дудкин А.К., Пяткин В.П. Цифровой анализ изображений (Методы описания геометрических структур). Препринт 747. Новосибирск, 1987. 54 с.

14. Дуда Р., Харт П. Распознавание образов и анализ сцен. // Пер. с англ. Стефанюка В.Л. М.: Мир, 1976., 512 с.

15. Живчин А.Н., Соколов B.C. Дешифрирование фотографических изображений. // М.: Недра, 1980. 253с.

16. Захаров М. Ю., Лупян Е.А., Мазуров А. А., Назаров P.P., Флитман Е.В. Интеграция архивов спутниковых данных в специализированные информационные системы // Исслед. Земли из космоса. 1998. № 3. С. 65-69.

17. Инструкция по проведению лесоустройства в лесном фонде России. Под ред. Минаева Л.Ю. // 4.1. Организация лесоустройсва. М.: Воениздат, типрг. №6, 1995. - 274с.

18. Калашников Е.Н., Первунин В.А., Беляев В.В. Среднемасштабное картографирование лесного фонда // Опыт комплексного изучения и картографирования ресурсов Красноярского края. М.: ЦНИИГАиК, 1993, с.8-15.

19. Китов А.Д., Гусев А.Н. Программные исследования обработки визуальной информации методами Фурье // Материалы X конференции СЭИ. Деп.16 окт.1980г. N4424-80.- 8с.

20. Кондратьев К. Я. Система наблюдений Земли (EOS) Экологические приоритеты и планирование наблюдений 1. Приоритеты. // Исслед. Земли из космоса 43, 1992.

21. Кондратьев К.Я., Козодеров В.В., Федченко П.П. Аэрокосмические исследования почв и растительности // JI. : Гидрометеоиздат, 1986. 211с.

22. Корец М.А. Индикация экологических и продукционных показателей лесных территорий по данным со спутника «Ресурс 01» // Материалы конференции молодых ученых, посвященная 275-летию РАН. Красноярск, 17 марта 1999 г., с.36-41.

23. Корец М.А. Разработка цифровой карты повреждения лесов сибирским шелкопрядом // Тезисы конференции молодых ученых. Красноярский научный центр СО РАН. 19 97 г. с. 5 0-52.

24. Корец М.А., Черкашин В.П., Рыжкова В.А. Методы индикации экологических характеристик лесных территорий по данным со спутника «Ресурс-01» с использованием ГИС // Исслед. Земли из космоса. 2000. №5. С. 74-81.

25. Космическая система сбора данных о Земле (КОСДАН) // Системный проект. М.: Российское космическое агентство, 1992 .

26. Краснощеков Ю.Н., Коротков И.А., Чередникова Ю. С. , Цэдэндаш Г. Методы оценки и картографирования современного состояния лесных экосистем МНР. Улан-Батор, 1990. 30с.

27. Кронберг П. Дистанционное изучение Земли // Пер. с нем. Буша В.А., Скобелева С.Ф., под ред. Трифонова В.Г. М.: Мир, 1988. - 350с.

28. Кузьмичев В.В., Черкашин В.П., Ледовских В.Я., Джансеитов К. К. Дистанционная индикация пространственной структуры лесных фитоценозов. // В кн.: Исследование таежных ландшафтов дистанционными методами. Новосибирск: Наука, Сиб. отд-ние, 1979. с.75-88.

29. Лапко А.В., Ченцов С.В., Крохов С.И., Фельдман Л.А. Обучающиеся системы обработки информации и принятия решений. // Под. ред. Федотова A.M. Новосибирск: Наука, Сиб. издательская фирма РАН, 1996. - 296 с.

30. Михайлова И.Я., Корец М.А. Структура ГИС «Экосистемное управление в бореальных лесах Средней Сибири» // Тезисы конференции молодых ученых. Красноярский научный центр СО РАН. 1997 г. с. 58-60.

31. Попов Л. В. Южнотаёжные леса Средней Сибири. Иркутск: Изд - во Иркут. ун - та, 1982. - 330 с.

32. Претт У. Цифровая обработка изображений. // М.: Мир, 1982.- 312с.

33. Рачкулик В.И., Ситвикова М.В. Отражательные свойства и состав растительного покрова. // Л.: Гидрометеоиздат, 1981.- 171с.

34. Рыжкова В. А. Методические подходы к экологическому картографированию лесовосстановительных процессов на дистанционной основе // Теория лесообразовательного процесса. Тез. докл. всесоюзного совещания. Красноярск, ИЛ СО АН СССР. 1991. С. 131-132.

35. Слейтер Ф.Н. Радиометрические проблемы дистанционного зондирования. // ТИИЭР. Пер. с англ. М.: Мир, 1985, Т.73, С.56-71.

36. Справочник для таксации лесов Дальнего востока. Под ред. Корякина В.Н. // Хабаровск: типог. №1, 1990. 526с.

37. Стрельцов В.А., Горелов В. А. Пути повышения эффективности космических систем исследования природных ресурсов Земли. -М.: ЦНИИГАИК, ГУГК СССР, 1990.

38. Тикунов B.C. Классификация в географии // Москва-Смоленск: СГУб 1997. 376с.

39. Тикунов B.C. Моделирование в картографии // М.: МГУ, 1997. 405с.

40. Федоров Д.К., Чепин Е.В. Алгоритмы распознавания образов на основе атрибутивных грамматик для цифровой обработкиизображений. Московский инженерно-физический институт. Препринт. 1988, N 008.

41. Фу К. С. Структурные методы в распознавании образов / Пер. с англ. Под ред. М.А. Айзермана. М: Мир, 1977, 320с.

42. Черкашин А.К., Михеев B.C., Китов А.Д. Количественные методы оценки земельных угодий на основе космической информации // География и природные ресурсы. N2, 199 6,.-с. 124-133.

43. Щлихт Г.Ю. Цифровая обработка цветных изображений // М.: ЭКОМ, 1997. 336с.

44. Яншин В. В. Анализ и обработка изображений: принципы и алгоритмы. -М.: Машиностроение. 1997. 112с.

45. Ahern F.J., Erdle Т., Maclean D.A., Kneppek I.D. A quantitative relationship between forest growth rates and Thematic Mapper reflectance measurements // Int. J. Remote Sensing 12, 1997, pp.387-400.

46. Anderson G.L., Hanson J.D., Haas R.H. Evaluating Landsat Thematic Mapper derived vegetation indices for estimating above-ground biomass on semiarid rangelands // Remote Sens. Environ. 45, 1993, pp.165-175.

47. Ardo J. Volume quantification of coniferous forest compartments using spectral radiance recorded by Landsat Thematic Mapper // Int. J, Remote Sensing 13, 1992, pp.1779-1786.

48. ArcView GIS. Using ArcView GIS. Environmental Systems Research Institute, Redlands, USA, 1996, 350 p.

49. Baker J., Balzter H., Daridson M., et al. EC. Environment and Climate Program. Theme 3: Space Techniques Applied to Environmental Monitoring. Project SIBERIA // Final report, FSU Jena, 2001.

50. Baulies X. , Pons X. Approach to forestry inventory and mapping by means of multispectral airborne data // Int. J. Remote Sensing 16, 1995, pp.61-80.

51. Baumgardner M.F., Ahn С.-W., and Biehl L.L. Delineation of soil variability using geostatistics and fuzzy clustering analyses of hyperspectral Data // Soil Sci . Soc. AM. J., VOL. 63, 1999. pp.142-150

52. Decell H.P. and Guseman L.F. Jr. Linear feature selection with applications // Pattern Recogn, V. 11, 1979, pp.55-63.

53. Everi H.V., Escobar O.E. and Richardson A.J. Estimating grassland phytomass production with Near-Infrared and Mid-infrared spectral variables. // Remote Sens. Environ., 1989, V.l pp.27-39.

54. George H.R., Fitzpatrick K. A Coefficient of Agreement as a Measure of Thematic Classification Accuracy. // Photogrammetric Engineering and Remote Sensing, V.52, No.2, 1986, pp.223-227.

55. Gonzalez R.C. and Thomason M.G. Syntactic Pattern Recognition An Introduction Reading // MA Addison-Wesley, 1978.

56. Haralick R.M. , Shanmugan K. , and Dinstein I. Textural features for image classification // IEEE Trans Syst, Man, Cybern , V. SMC-3, 1983, pp.610-621.

57. Hyyppa J. New methods in remote sensing of forests. Final report. // Helsinki University of Technology, Laboratory of Space Technology, 1998, pp.23.

58. I GBP Related Activities in the Siberian Transect. Edited by M.A. Korets // IGBP-DIS Working Paper #20. IGBP Data and Information System Office (Feb. 1999). P.51.

59. Kashyap R.L. and Chellapa R. Estimation and choice of neighbors in spatial-interaction models of images // IEEE Trans Inform Theory, V. 11-29, 1983, pp.60-72.

60. Kitler J. and Young Y.C. A new approach to feature selection based on the Karhunen-Loeve expansion // Pattern Re-cogn , V. 5, 1973, pp 335-352.

61. Kuhl F.P., Mitchell O.R., Glenn M.E., and Charpentier O.I. Global shape recognition of 3-D objects using a differential library storage // Comput Graph Image Processing V. 6, 1993, pp.113-127.

62. Landgrebe D.A. The development of a spectral-spatial classifier for earth observational data // Pattern Recogn, 1998, pp.65-175.

63. Larsson H. Linear regressions for canopy cover estimation in Acacia woodlands using Landsat-TM, -MSS and SPOT HRV XS data // Int. J. Remote Sensing 14, 1993, pp.2129-2136.

64. Lennington R.K. and Rassbach M.E. CLASSY-An adaptive maximum likelihood clustering algorithm // Proc LACIE Symp, V. II, NASA Johnson Space Center, JSC-16015, 1979, pp.671689.

65. Map Projections // Environmental System Research Institute, Inc. 1994. P.135.

66. Matsuyama T. Expert Systems for Image Processing: Knowledge-based composition of image analysis Processes. //

67. Computer Vision, Graphics, and Image Processing, v. 48, N1, 1989, pp. 22-49.

68. Matsuyama T. Knowledge Organization and Control Structure in Image Understanding // Pro. 7th Int. Conf. Pattern Recogn., Monthreal, Juli 1984. V. 2. -pp. 1118-1127.

69. Merembeck B.F. and Turner B.J. Directed canonical analysis and the performance of classifiers under its associated linear transformation // IEEE Trans Ceosci Remote Sensing, vol GE-18, 1980, pp.190-198.

70. Mitchell O.R., Myers C.R., and Boyne N. A max-min measure for image texture analysis," IEEE Trans Comput, V. C-26, 1977, pp. 409-414.

71. Monmonier M.S. Measures of Pattern Complexity for Choropleth Maps // The American Cartographer. 1994. V. 1. №2. P. 159-169.

72. Monserud R.A., Leemans R. Comparing global vegetation maps with the Kappa statistic. // Ecological Modelling, V. 62, 1992, pp.275-293.

73. Montgomery B.C., Peck E.A. Introduction to Linear Regression Analysis. Wiley, USA, 1997, pp. 270-272.

74. Muasher M.J. and Landgrebe D.A. The K-L expansion as an effective feature ordering technique for limited training sam-ple size // IEEE Trans Ceosci Remote Sensing, V. GE-21, 1983, pp.438-441.

75. Murphy D.L. Estimating Neighborhood Variability with a Binary Comparison Matrix // Photogrammetric Engineering and Remote Sensing. 1985. V. 51. № 6. P. 667-674.

76. Pfaltz J.L. and Rosenfeld A. Web grammars // Proc. 1st Int joint Conf on Artificial Intelligence. Washington DC, 1998, pp.609-619.

77. Proceedings of the LACIE Symposium (2 vols), NASA Johnson Space Center, JSC-16015, 1979. P.213.

78. Pussinen A. Aerial photos and LANDSAT TM image in compartmentwise survey // University of Joensuu, Faculty of

79. Forestry. Thesis for the Master of Science in Forestry Degree, 1998, pp.48.

80. Rawlings J.O. Applied Regression Analysis. Wadsworth and Brooks, California, 1998, pp.186-187.

81. Richards J.A., Landgrebe D.A., and Swain P.H. Pixel labeling by supervised probabilistic relaxation // IEEE Trans Patten Anal Machine Intell, V. PAMI-3, 1981, pp.81191 .

82. Richards J.A., Remote Sensing Digital Image Analysis // 2nd Edition. Berlin: Springer, 1993. P.340.

83. Rlera J.L., Magnuson J.J., Vande Castle J.R., and MacKenzie M.D. Analysis of large-Scale spatial heterogeneity in vegetation indices among North American landscapes // Ecosystems, 1998, V.l, pp.268-282

84. Schmucker K.J. Fuzzy Sets, Natural Language Computations and Risk Analysis // Computer Science Press, 1982, p.7.

85. Strahler A.H., Logan T.L., and Bryant N.A. Improving forest classification accuracy from Landsat by incorporating topographic information // Proc Symp. Remote Sensing of the Environment. Env Res Inst of Michigan, Ann Arbor Ml, 1998, pp.927-942.

86. Swain P.H. and Davis S.M. Remote Sensing: The Quantitative Approach // N.Y., McGraw-Hill, 1998, P.357.

87. Swain P.H., Landgrebe D.A., and Silva L.F. Future directions for remote sensing research an engineering perspective // Proc 7th Int Conf Pattern Recognition, 1994, pp.401-403.

88. Swain P.H., Tilton J.C., and Vardeman S.B. Contextual classification of multispectral image data // Pattern Recogn, V. 13, 1981, pp. 429-441.

89. Tomlin C.D. and Berry J.K. A mathematical structure for cartographic modeling in environmental analysis // Amer Cong Surveying and Mapping, 1999, pp.269-283.150

90. Turner M.G. Landscape Ecology: The Effect of Pattern on Process // Annu. Rev. Ecol. Syst. 1998. № 20. P. 171-197.

91. Wang F. Fuzzy Supervised Classification of Remote Sensing Images // IEEE Transactions on Geoscience and Remote Sensing, V.28, 1990, pp.194-201.

92. Wang S., Elliot D.B., Campbell J.В., Ench R.W. and Haralick R.V. Spatial reasoning in remotely sensed data // IEEE Trans Geosci Remote Sensing, V. GE-21, 1983, pp.94101.

93. Westin F.C. and Frazee C.J. Landsat data, its use in a soil survey program // Soil Sci. Soc. Amer. J., 1976, V. 40, pp.81-89.

94. Weszka J.S., Dyer C.R., and Rosenfeld A. A comparative study of texture measures for terrain classification // IEEE Trans Syst, Man Cybern, V. SMC-6, 1986, pp.269-285.

95. Wharton S.W. A contextual classification method for recognizing land use patterns in high resolution remotely sensed data // Pattern Recogn, V. 15, 1982, pp. 317-324.