Перспективи і особливості використання різних типів дистанційного зондування Землі для моніторинга екологічних індикаторів болотних та річкових екосистем

Автор(и)

  • Ірина Дронова Департамент екологічних наук, політики та управління Каліфорнійського університету в Берклі, США

DOI:

https://doi.org/10.20535/EHS.2021.233530

Ключові слова:

дистанційне зондування Землі, болотні та річкові екосистеми, картування, моніторинг, об'єктний аналіз зображень, машинне навчання

Анотація

Застосування даних дистанційного зондування Землі (ДЗЗ) із супутникових, повітряних та незайнятих приладових платформ швидко зростає в різних сферах екологічного моніторингу. Охоплення великих просторових масштабів та можливість повторних спостережень роблять цю технологію економічно вигідною порівняно з польовими дослідженнями. Цей потенціал представляє особливий інтерес для чутливих екосистем з високим рівнем біорізноманіття, але складним доступом в польових умовах, таким як водно-болотні угіддя та річкові системи, що знаходяться під загрозою в усьому світі. Цей огляд обговорює основні сучасні проблеми  використання ДЗЗ  для таких екосистем та способи їх вирішення, наголошуючи на трьох основних стратегіях. По-перше, використання знімків ДЗЗ що представляють різні пори року замість однієї дати може значно полегшити розпізнавання різних типів рослинності та болотних поверхонь на основі їх сезонних спектральних контрастів. По-друге, як дуже висока, так і дуже низька просторова роздільна здатність зображень може ускладнити картування різноманітних поверхонь в водно-болотних ландшафтах через наявність спектального «шуму» або недостатнє відтворення меж різних ландшафтних елементів.  Цю проблему можна полегшити за допомогою об'єктного аналізу зображень, де замість окремих пікселей мінімальними одиницями картування є невеликі обєкти, або групи пікселів утворені за допомогою сегментації, а спектральний шум зменшується за рахунок усереднення спектральної інформації на рівні таких об'єктів. Нарешті, картування та моніторинг водно-болотних угідь можуть інтенсивніше використовувати нові алгоритми машинного навчання, які долають статистичні обмеження попередніх підходів та покращують розпізнавання ландшафтних класів. Найголовніше, ці заходи доповнюють один одного і тому їх слід застосовувати разом,  інтегруючи в один робочий процес ландшафтного аналізу.

##submission.downloads##

Опубліковано

2021-05-20