1) Есть методика, которая использовалась для картирования болот достаточно большого региона. Поскольку я по образованию далека от картографии, мне бы пригодился совет, как правильнее это все описать (что добавить, где убавить), чтобы получился адекватный с точки зрения картографов материал.
Кроме того, хотелось бы услышать замечания насчет "правильности" подхода. Скажем, меня смущает то, что пришлось использовать "посценное" дешифрирование, хотя в недавних классных работах Giri et al. (2011) и Gong et al. (2013) тоже обошлись без мозаик. В моем случае просто не было ни знаний, ни ресурсов делать единую хорошую мозаику. Из-за удаленности региона было мало наземных данных и пришлось часто достаточно субъективно задавать эталонные участки на основании всяких косвенных материалов типа снимков сверхвысокого разрешения, других карт, собственного опыта и т.д. Можно ли вообще в картировании уйти от субъективности? Возможно, есть еще какие-то минусы, которые вам сразу бросятся в глаза. Какие-то вещи просто непонятно написаны и я никак не могу хорошо их переделать.
В общем, буду рада перечислению слабых мест методики и описания.
Могу добавить, что работа уже была на рецензировании у хороших иностранных ученых и я сделала все, что они просили исправить.
2) Второй вопрос. У меня есть оценка точности карты равная 80%, которая (предположим!) была объективна определена на основании достаточного количества точек. Насколько существенны недостатки методики, вызванные недостатком знаний/опыта, если конечный продукт неплох. Ваше мнение?
ps. Заранее огромная благодарность тому герою, что возьмется мне помочь советом и критикой!В качестве исходных данных для картирования болот были выбраны спутниковые снимки Landsat с разрешением 30 метров, свободно распространяемые через сервисы Геологической Службы США (http://glovis.usgs.gov/). Для создания карты выбирались снимки за пик вегетационного сезона, подобранные с точки зрения максимального соответствия друг другу. Так как задачей исследования является инвентаризация современного состояния болот, то большая часть материалов датируется периодом 2005-2010 годов; лишь при отсутствии сцен за данный период допускалось картирование более ранних снимков. Наибольшее количество выбранных снимков датируется 2007 годом.
На сегодняшний день существует два основных подхода к картированию. Первый предполагает “склейку” отдельных сцен в единую мозаику, что оптимизирует процесс классификации и совмещения границ снимков. К недостаткам метода можно отнести его высокую трудоёмкость и спектральную неоднородность итоговой мозаики, особенно проблематичную при ограниченной доступности качественных снимков (Homer et al., 2001). Второй подход предполагает дешифрирование каждой сцены по отдельности. По сути, ни один из алгоритмов не может быть считаться оптимальным без рассмотрения целей исследования и имеющихся ресурсов (Adam et al., 2010). В нашем случае был выбран второй подход, оказавшийся более эффективным.
Процесс создания карты включал предварительную обработку снимка, задание эталонных участков, дешифрирование, перегруппировку спектральных классов в 11 типов болот и оценку точности карты. Атмосферная коррекция снимков не проводилась, поскольку она не является необходимой до тех пор, пока эталонные участки берутся с самого дешифрируемого снимка (Song et al., 2001). При расчетах площадей использовалась проекция Альберса (Alber, 1996).
При использовании любых методов классификации возникают проблемы, связанные с отделением различных болотных типов друг от друга и от окружающих ландшафтов вследствие перекрытия спектральных сигнатур (Gluck et al., 1996). Чтобы их минимизировать, для каждой сцены создавалась маска болот в Quantum GIS v.2.01. Мы использовали Green Red Vegetation Index (GRVI) для отделения болот от лесов и 5-й канал Landsat для отделения водных объектов. В наиболее сложных случаях применялись другие алгоритмы маскирования, включающие использование теплового канала Landsat, снимков за различные временные периоды, а также эмпирически подобранных вегетационных индексов. Дешифрирование проводилось посценно с помощью Multispec v.3.3 (Purdue Research Foundation) методом классификации с обучением (алгоритм “maximum likelihood classification”) на основании данных всех каналов за исключением теплового. Обработанные снимки фильтровалась от шумов в MATLAB v. 7.13 (Mathworks), при этом удалялись растровые полигоны размером меньше порогового, а значения этих пикселей заменялись значением из наибольшего примыкающего растрового полигона.
Выбор эталонных участков играет первостепенную роль в методе классификации с обучением. В течение последних лет нами было обследовано 28 ключевых участков таежной зоне, однако полученных данных не достаточно для достоверного картирования болот. Снимки сверхвысокого разрешения также не могут использоваться в качестве основного источника информации из-за недостаточного покрытия и трудностей при отделении одних типов болот от других. Как результат, мы были вынуждены задавать эталонные участки на основании спектральных данных, используя имеющиеся материалы лишь в качестве дополнительного источника информации. В процессе выбора эталонных участков, для них были использованы следующие критерии (Gong et al., 2013):
1. максимальная гомогенность, спектральные неоднородности не допускаются;
2. площадь не меньше 6 пикселей при среднем значении в 100 пикселей;
3. тип ландшафтов должен определяться лишь на основании спектральных данных; снимки сверхвысокого разрешения и вспомогательные данные используются в качестве справочной информации.
Объединение снимков и расчеты площадей проводились в модуле GRASS Quantum GIS (функции r.patch и r.stats, соответственно). Оценка точности итоговой карты проводилась путем визуальной интерпретации болотных ландшафтов по снимкам высокого разрешения на основании 439 случайно выбранных точек. Приведенный выше алгоритм дешифрирования спутниковых снимков оказался близок к использованному в недавних исследованиях Giri et al. (2011) и Gong et al. (2013).
