Алгоритм автоматизации. В. Данилова, В. А. Рыжкова, М. А

• Название: В. Данилова, В. А. Рыжкова, М. А
• Анкор: Алгоритм автоматизации
• Дата: 10.05.2023
• Размер: 1.09 Mb.
• Имя файла: algoritm-avtomatizirovannogo-kartografirovaniya-sovremennogo-sos.docx
• Тип: Документы; #1118574

УДК 630.11/182+681.3

И. В. Данилова, В. А. Рыжкова, М. А. Корец
»ÌÒÚËÚÛÚ ÎÂÒ‡ ËÏ. ¬. Õ. –Û͇˜Â‚‡ –Œ —¿Õ

¿Í‡‰ÂÏ„ÓpÓ‰ÓÍ, 50/28,  p‡ÒÌÓˇpÒÍ, 660036, —ÓÒÒˡ

≈-mail: [e-mail]
АЛГОРИТМ АВТОМАТИЗИРОВАННОГО КАРТОГРАФИРОВАНИЯ СОВРЕМЕННОГО СОСТОЯНИЯ И ДИНАМИКИ ЛЕСОВ НА ОСНОВЕ ГИС ^*
В рамках геоинформационной системы «Леса Средней Сибири» разработан и апробирован алгоритм автома- тизированного картографирования восстановительной динамики лесной растительности на основе сопряженного анализа данных космической мультиспектральной съемки, цифровой модели рельефа местности (ЦМР) и назем- ных исследований. Методы автоматизированной классификации изображений дистанционного зондирования (ДЗ) и ЦМР-композита (абсолютная высота, уклон и кривизна поверхности) в сочетании с операциями пространствен- ного анализа в ГИС используются для выделения условий местопроизрастания по морфометрическим показате- лям рельефа и формирования карты восстановительной динамики растительного покрова. С использованием предложенного подхода на примере территории тестового участка в Среднем Приангарье по ЦМР (SRTM 90m) и данным мультиспектральной космической съемки (Landsat ETM+) получены векторные карты, отражающие ти- пологическое разнообразие лесной растительности и возрастные стадии ее восстановления в разных лесорасти- тельных условиях.

Ключевые слова: дистанционное зондирование (ДЗ), цифровая модель рельефа местности (ЦМР), ГИС, вос- становительная динамика лесов.


Введение
Картографирование является важным аспектом изучения растительного покрова, эффек- тивным методом его пространственной инвентаризации, оценки динамики и биоразнообра- зия. Задачи систематизации и картографирования разнообразия лесных сообществ как нико- гда актуальны, особенно в связи тем, что за последние пятьдесят лет растительный покров Сибири претерпел существенную трансформацию, связанную с прямым хозяйственным ис- пользованием лесов, а также с воздействием на них рубок, пожаров, энтомовредителей, про- мышленных эмиссий и стихийных бедствий.

Составление или обновление карт растительности – одна из задач, эффективно решаемых в настоящее время с помощью съемки из космоса на основе геоинформационных систем (ГИС) в сочетании с традиционными картографическими методами. Однако существенным недостатком традиционных методов картографирования, как отмечают многие исследовате- ли [1; 2], является субъективность при проведении границ картографируемых объектов. Применение ГИС-технологий позволяет разработать методики выделения территориальных единиц расчленения земной поверхности, в частности лесного покрова, однородных по ряду заданных показателей, снижая при этом влияние субъективного фактора.

Геоинформационные технологии являются в настоящее время наиболее перспективным методом систематизации и анализа фактологической и пространственной информации о ди- намике лесного покрова, применение которых в корне изменило многие понятия. Карта те- перь рассматривается не как статичный объект, а как динамично развивающаяся компьютер- ная база данных.



^* Работа выполнена при поддержке РФФИ (проекты № 10-05-00941-а, 10-05-92513-ИК_а, 10-04-10099-к, 10-04-01003-а, 08-05-92502-НЦНИЛ_а).

ISSN 1818-7900. ¬ÂÒÚÌËÍ Õ√”. –Âpˡ: »ÌÙÓpχˆËÓÌÌ˚ ÚÂıÌÓÎÓ„ËË. 2010. “ÓÏ 8, ‚˚ÔÛÒÍ 4

© ». ¬. ƒ‡ÌËÎÓ‚‡, ¬. ¿. —˚ÊÍÓ‚‡, Ã. ¿.  Ópˆ, 2010

Состояние вопроса

Увеличение объема поступающей аэрокосмической информации, используемой для соз- дания и актуализации тематических карт в ГИС, а также повышение требований к скорости и точности ее интерпретации, делает актуальной проблему автоматизации процесса обработки космической информации и тематического картографирования.

За последние годы появился ряд работ, посвященных решению этих задач [2; 3]. В них описываются различные подходы к картографированию природно-территориальных ком- плексов разного ранга на основе последовательной реализации алгоритмов обработки ин- формации в ГИС, начиная со сбора, представления и анализа первичных полевых данных, обработки и интерпретации материалов дистанционного зондирования и заканчивая автома- тизированным созданием карт различного тематического содержания. Выделяемые при этом территориальные единицы расчленения земного покрова характеризуются различным тема- тическим содержанием, размерностью и классификационным рангом.

Большинство работ, в которых рассматриваются вопросы разработки тематических карт с использованием ЦМР, посвящены ландшафтному картографированию. Ландшафтные еди- ницы выделяются на основе автоматизированной классификации ЦМР [1], космических снимков [2; 4] либо их сопряженного анализа [5]. Заслуживает внимания метод выделения потенциальных типов условий местопроизрастания, обусловленных формами рельефа, на основе детального анализа морфометрических показателей ЦМР [6].

Наиболее полно и систематизированно технология создания ландшафтных и производных от них тематических карт описана в ряде глав коллективной монографии под редакцией док- тора географических наук А. К. Черкашина [2], посвященной вопросам ландшафтно- интерпретационного картографирования.

Другое направление исследований связано с дифференциацией на космических снимках пространственных единиц растительного покрова разного ранга [3], классов растительного покрова, классов преобладающих лесообразующих пород [7]. При этом показатели ЦМР ис- пользуются как косвенные признаки, характеризующие условия местопроизрастания.

Целью наших исследований является разработка алгоритма автоматизированного карто- графирования восстановительной динамики лесных экосистем на основе ГИС-технологий.

Задача автоматизированного картографирования растительного покрова и, в частности, его восстановительной динамики достаточно сложна и включает в себя ряд подзадач, для успешного решения которых требуются специалисты технических и биологических дис- циплин.

Одна из задач – идентификация типологического разнообразия лесов по космическим снимкам. Для идентификации типологического разнообразия лесного покрова используются косвенные признаки, например, элементы рельефа местности, индицирующие определенные лесорастительные условия. Для автоматизированной систематизации и типизации лесорасти- тельных условий, которые во многом определяют состав и структуру растительного покрова, ГИС-технологии являются наиболее перспективным методом.

С появлением специализированного программного обеспечения и совершенствованием космической съемки традиционные методы дешифрирования данных дистанционного зонди- рования могут быть в значительной мере автоматизированы и объединены в единую техно- логию, что значительно облегчит процесс дешифрирования и выведет достоверность и де- тальность результатов на новый качественный уровень [2].

Другая задача, требующая решения при разработке тематических карт, связана с тем, что научная и практическая ценность карт в значительной степени определяется принципами классификации, на основе которых строятся их легенды. Поэтому для систематизации расти- тельных сообществ и их динамических состояний необходима классификация, отражающая природные закономерности их распространения, особенности происхождения и направление дальнейшего развития.

Используемые подходы и методы
Для классификации разнообразия лесной растительности с целью отражения стадий ее восстановительной динамики в разных лесорастительных условиях был использован генети- ческий подход (позднее его стали называть географо-генетическим), разработанный в России на примере горных лесов Дальнего Востока [8]. Этот подход получил дальнейшее развитие и практическое применение в разных по лесорастительным условиям регионах: на Урале, на юге Средней Сибири [9–11]. Подобные принципы классификации использованы и в ряде за- рубежных исследований [12; 13].

Основной единицей генетической классификации является тип леса, понимаемый как ряд генетически связанных и последовательно сменяющихся насаждений, которые развиваются в пределах определенного типа лесорастительных условий. Тип лесорастительных условий выделяется с учетом геологического и геоморфологического строения территории. Генетиче- ский подход к классификации основывается на том, что все насаждения в пределах относи- тельно однородной по топологическому положению территории рассматриваются как воз- растные стадии характерного для этих условий коренного насаждения. Коренные и производные типы насаждений в пределах определенного типа лесорастительных условий группируются в восстановительный ряд растительности – тип леса.

Этот подход особенно актуален для лесов Среднего Приангарья в связи с их сильной на- рушенностью и преобладанием в качестве современной растительности различных стадий ее восстановления, что значительно затрудняет выявление естественного генезиса лесов и их классификацию. Важным преимуществом такого подхода является то, что разнообразие лес- ных сообществ систематизируется не по изменчивым внешним признакам (например, видо- вой состав), а по сходству условий местопроизрастания. В результате анализа ЦМР изучае- мая территория дифференцируется на участки, однородные по топографическому положению и сочетанию элементов или форм мезорельефа, а, следовательно, по экологиче- ским режимам, создающим определенный лесорастительный эффект.

В качестве основы для классификации использована система единиц, разработанная для лесов Урала [14; 15], а также разработки Л. В. Попова [11] для возвышенной равнины юга Средней Сибири. Разнообразие лесов района исследований рассматривается как совокуп- ность различных стадий рядов восстановления лесной растительности.

Методика автоматизированного картографирования восстановительной динамики лесов разрабатывается в рамках ГИС «Леса Средней Сибири» [16] на основе специализированной подсистемы ГИС «Динамика и биоразнообразие лесов». Подсистема сформирована на основе банка данных ГИС и постоянно пополняется новыми данными.

Согласно устоявшейся концепции использования данных ДЗЗ комплексная обработка аэрокосмической информации осуществлялась в несколько этапов. На первом этапе произ- водилась предварительная обработка, в процессе которой выполнялись геометрическая кор- рекция и преобразование изображений в заданные картографические проекции; пространст- венная привязка снимков к местности; радиометрическая коррекция и комплексирование мультиспектральных изображений с целью улучшения их качества.

На втором этапе с использованием нормализованных изображений производилась тема- тическая обработка с привлечением методов классификации и распознавания образов [17].

В нашем случае объектами тематической классификации являлись два типа изображений: мультиспектральное изображение дистанционной съемки и многоканальное изображение характеристик рельефа местности (ЦМР-композит), включающее слои высоты, уклона и кри- визны поверхности. Тематическая обработка обоих типов изображений выполняется незави- симо друг от друга стандартными процедурами неуправляемой или управляемой классифи- кации. Возможно также последовательное использование неуправляемой и управляемой классификации с промежуточным этапом идентификации и коррекции множества информа- ционных классов. В качестве метода неуправляемой классификации часто используется про- цедура ISODATA [18], а для управляемой классификации особенно распространены реализа- ции алгоритмов параллелепипеда, минимального расстояния (MINDIST) и максимального правдоподобия (MAXLIKE). В современных программных пакетах можно встретить

и более сложные алгоритмы сегментации изображений с использованием контекстуальной пространственной информации (например, текстура и форма) [19].

В данной работе для разработки методики автоматизированного картографирования мы ограничились использованием наиболее распространенных и хорошо зарекомендовавших себя процедур тематической классификации: ISODATA и MAXLIKE. Они встречаются прак- тически во всех доступных программных пакетах анализа изображений (ERDAS, ENVI, SCANEX, ArcGIS ImageAnalyst и др.).
Результаты
Разработка сопряженной классификации растительности и лесорастительных условий. Для разработки сопряженной классификации растительности и лесорастительных условий был проведен предварительный анализ исследуемой территории с использованием содержа- щихся в БД ГИС тематических и общегеографических карт, литературных данных, материа- лов наземных исследований. С использованием ЦМР построены обобщенные топографиче- ские профили, отражающие геоморфологические особенности тестовой территории (рис. 1). На основе профилей и ландшафтных карт [20] проанализировано разнообразие геоморфоло- гических условий тестовой территории и выделены участки, относительно однородные по характеру рельефа (по соотношению форм мезорельефа, интервалам абсолютных высот и степени расчлененности поверхности), предположительно соответствующие геоморфологи- ческим комплексам лесорастительных условий (ГМК). В пределах каждого ГМК определен состав преобладающих коренных типов леса и производных модификаций для дальнейшей систематизации существующего разнообразия лесных сообществ.

По полевым, фондовым и литературным данным для равнинной и низкогорной частей района исследований выделены наиболее типичные восстановительные ряды лесной расти- тельности в разных лесорастительных условиях. Восстановительные ряды формируются из возрастных стадий, объединенных в пределах класса возраста: а) начальные стадии восста- новления (гари и вырубки); б) лиственные насаждения (молодняки) (до 40 лет); в) смешан- ные хвойно-лиственные насаждения (40–80 лет); г) приспевающие хвойные насаждения (80–120 лет); д) спелые и перестойные хвойные насаждения (более 120 лет).

Таким образом, с использованием генетического подхода была разработана сопряженная классификация растительности и лесорастительных условий, на основе которой строится ле- генда карты восстановительной динамики растительности. В классификации отражены связи лесной растительности с условиями среды и основные тенденции восстановительной дина- мики в различных лесорастительных условиях.
Алгоритмавтоматизированногокартографирования
На примере тестового участка в Среднем Приангарье разработан и апробирован алгоритм автоматизированного формирования карт лесорастительных условий и восстановительной динамики лесной растительности на основе сопряженного анализа данных космической мультиспектральной съемки (Landsat TM/ETM+), цифровой модели рельефа местности и материалов наземных исследований.

Разработанный алгоритм идентификации и картографирования лесорастительных условий и лесной растительности включает следующие этапы.

1. 
   Подготовка исходных данных (изображений ДЗ и ЦМР). Этап подготовки исходных данных включает подбор и предварительный анализ качества спутниковых изображений на исследуемую территорию. На этом этапе формируются композитные RGB-изображения и подбираются оптимальные схемы контрастирования для визуального анализа спутниковых сцен. При необходимости на этом этапе формируются маски облачности и мозаика из смеж- ных сцен с близкими датами съемки, а также выполняется геореференцирование (привязка) спутниковых изображений к топографической основе или к базовому растровому покрытию территории, составленному из ранее привязанных и ортотрансформированных изображений космосъемки.
   

Рис. 1. Топографические профили, построенные на основе ЦМР. Геоморфологические комплексы лесорастительных условий:

1. 
   – денудационные и эрозионно-денудационные возвышенные равнины (абс. выс. 120–380 м), средне- и слаборас- члененные, сложенные терригенными и вулканогенно-осадочными породами с лиственнично-сосновыми и сосно- во-лиственничными кустарничково-травяно-зеленомошными лесами;
   
2. 
   – холмисто-грядовые расчлененные плато низкогорий (абс. выс. 380–740 м), сложенные карбонатными, терри- генными и вулканогенными породами с интрузиями траппов, с лиственнично-сосновыми и сосново-лист- венничными кустарничково-зеленомошными лесами склонов различной крутизны и темнохвойными травяно- зеленомошными лесами плоских и увалистых участков плато
   

Для заданной территории формируется растровый слой абсолютных высот (Н) путем интерполяции по изолиниям высот, сети высотных отметок, оцифрованных с топографических карт, либо на основе уже существующих цифровых моделей рельефа (ЦМР), например, SRTM (Shuttle Radar Topography Mission).

2. 
   Расчет дополнительных признаков ЦМР включает в себя формирование растровых слоев величины уклона (S) и кривизны (C) [21] поверхности на базе слоя абсолютных высот (H). Для упрощения последующей обработки величины H, S и С приводятся к интервалу значений 0–255 и объединяются в трехслойное растровое изображение (ЦМР-композит). Отображение ЦМР-композита в цветовом пространстве RGB позволяет также наглядно представить и визуально проанализировать орографическую структуру территории.
   

3. 
   Неуправляемая классификация изображений ДЗ и ЦМР-композита. Неуправляемая классификация (кластеризация) подготовленных изображений – мультиспектральной спутниковой съемки и ЦМР-композита – выполняется с использованием метода ISODATA
   

[18] независимо для каждого из двух наборов данных. Учитывая особенности этого метода, количество желаемых информационных классов задается заведомо большим, чем предполагается получить в итоге.

4. 
   Управляемая классификация изображений ДЗ и ЦМР-композита. Сигнатуры, получен- ные в результате неуправляемой классификации, используются далее как обучающие выбор- ки для выполнения управляемой классификации методом максимального правдоподобия. В итоге на изображении ДЗ выделяются элементарные классы расчленения земной поверх- ности, а на ЦМР – классы условий местопроизрастания.
   

5. 
   Анализ и идентификация информационных классов. Анализ и идентификация полученных после автоматизированной обработки классов выполняются экспертным путем с использованием композитных изображений (ДЗ и ЦМР), лесоинвентаризационных, полевых данных, прочих доступных тематических карт.
   

6. 
   Выборочная генерализация или детализация информационных классов. Избыточность исходного количества информационных классов подразумевает объединение некоторых из них в новые классы. В то же время иногда возникают ситуации, когда внутри определенных классов необходимо выделить подклассы. В этом случае выполняется повторная кластеризация, но только для заданных участков изображения, определяемых классами, нуждающимися в детализации.
   

С целью уменьшения мозаичности полученного распределения классов на конечном изо- бражении может выполняться его генерализация, например, по методу нечеткой композиции (Fuzzy Convolution) [22]. Данный метод, реализованный в пакете ERDAS (в версиях старше 9.0), использует контекстуальную информацию о взаимном расположении пикселей, анали- зируя «окрестности» каждого классифицированного пикселя в окне заданного размера.

Процедуры классификации и идентификации выполняются для изображений ДЗ и ЦМР независимо друг от друга. В результате формируются растровые слои элементарных классов расчленения земной поверхности.

7. 
   Формирование растровых карт растительности и условий местопроизрастания. Элемен- тарные классы расчленения земной поверхности, полученные по данным ДЗ, идентифици- руются как стадии восстановления растительности за исключением безлесных территорий. При анализе растрового слоя, полученного по данным ЦМР, классы идентифицируются как элементы ландшафтной структуры исследуемого района.
   

8. 
   Перевод полученных растровых карт в векторную форму, их геометрическое пересечение и генерализация. Для реализации принципов генетического подхода необходимо выполнить геометрическое пересечение вышеперечисленных карт и сформировать новые комбинированные классы. Эту операцию технологически проще осуществлять с векторными
   

картами. Поэтому растровые карты переводятся в полигональные векторные слои, для которых затем выполняется операция геометрического пересечения с объединением атрибутивных таблиц, содержащих имена ранее идентифицированных информационных классов.

Полученный в результате пересечения векторный слой подвергается пространственной генерализации, с целью устранения малых по площади полигонов, путем слияния их с соседями. Пороговое значение площади удаляемых полигонов выбирается с учетом возможности отображения минимально допустимых объектов для желаемого масштаба результирующей карты и пространственного разрешения исходных растровых изображений.

9. 
   Анализ комбинаций геометрически пересеченных классов и формирование классов карты восстановительной динамики растительности.
   

На этом этапе формируется окончательная легенда векторной полигональной карты с атрибутами, отражающими элементарные единицы картографируемых лесных и нелесных классов земной поверхности в сочетании с условиями местопроизрастания. Полученные комбинации исходных признаков формируются в новые тематические группы – восстановительные ряды растительности.
Формированиекартывосстановительнойдинамикирастительности
По описанной выше методике была сформирована карта восстановительной динамики растительности тестовой территории (рис. 2). В качестве исходных данных использовались два ортотрансформированных изображения Landsat 7 ETM+ (даты съемки 07.08.2002 и 12.08.2002, пространственное разрешение 30 м), объединенные в мозаику и обрезанные по границе тестового участка, а также модель рельефа местности SRTM 90m (пространственное разрешение 90 м). Все исходные растры были преобразованы в картографическую проекцию UTM для зоны 46 и совмещены с доступными лесоустроительными планами и пробными площадями полевых обследований.

В результате классификации ЦМР-композита (Н, S, C) были выделены плакоры, склоны различной крутизны, долины рек.

Классы, полученные по данным дистанционного зондирования, были идентифицированы как стадии восстановления растительности: спелые и перестойные хвойные насаждения, приспевающие хвойные насаждения, смешанные хвойно-лиственные насаждения, лиственные насаждения (молодняки), начальные стадии восстановления гарей и вырубок.

Полученные растровые слои лесорастительных условий и стадий восстановления растительности были переведены в векторные полигональные слои, пространственное объединение которых позволило сформировать карту восстановительной динамики растительности (см. рис. 2) на основе предварительно разработанной сопряженной классификации.

Выводы

Разработанная методика представляет собой пошаговый алгоритм выделения территориальных единиц расчленения земной поверхности, в частности лесного покрова.

Использование детерминированного алгоритма, использующего методы автоматизиро- ванной классификации ЦМР-композита и космического изображения, а также операции про- странственного анализа в ГИС, позволяют свести к минимуму субъективный фактор при те- матическом картографировании.

Сочетание автоматизированных методов выделения границ с экспертными оценками при идентификации выделенных классов позволяет выявлять характеристики растительного по- крова, которые непосредственно не отображаются на космических снимках, но являются объектами тематического картографирования (типы лесорастительных условий, типологиче- ские единицы лесного покрова, восстановительно-возрастные стадии).

Рис.2.Фрагмент карты восстановительной динамики растительности Среднего Приангарья

Восстановительные ряды лесной растительности и их сочетания: 1– улово-пихтово-кедровые травяно- зеленомошные высоких дренированных водоразделов и коренных склонов (абс. выс. 450–520 м, ряд 1); 2 – сосня- ки с примесью лиственницы и темнохвойных пород травяно-зеленомошные широких водоразделов и пологих склонов (абс. выс. 250–400 м, ряд 3); 3 – сосняки бруснично-разнотравные, бруснично-зеленомошные пологих склонов речных террас (абс. выс. 170–300 м) в сочетании с ельниками с примесью лиственницы травяно- зеленомошными нижних частей склонов речных долин (ряды 4 и 9); 4 – сосняки бруснично-разнотравные, брус- нично-зеленомошные пологих склонов речных террас в сочетании с ельниками с примесью лиственницы травяно- зеленомошными и ельниками травяно-болотными пойм и низких речных террас (ряды 4 и 9, 10); 5 – сосняки бруснично-разнотравные, бруснично-зеленомошные пологих склонов речных террас (абс. выс. 170–300 м) в соче- тании с сосняками разнотравно-брусничными, брусничными и бруснично-лишайниковыми песчаных плакоров и высоких террас в долинах крупных рек (абс. выс. 200–250 м) и ельниками с примесью лиственницы травяно- зеленомошными нижних частей склонов речных долин (ряды 4, 5 и 9); 6 – лиственнично-сосновые травяно- зеленомошные и зеленомошные пологих и среднекрутых склонов междуречий (абс. выс. 300–350 м) в сочетании с лиственнично-сосновыми кустарничково-зеленомошными верхних частей склонов и вершин куполообразных и грядовых водоразделов (абс. выс. 350–400 м, ряды 6 и 7); 7– лиственнично-сосновые кустарничково- зеленомошные верхних частей склонов и вершин куполообразных и грядовых водоразделов (ряд 7); 8 – листвен- нично-сосновые травяно-зеленомошные и зеленомошные пологих и среднекрутых склонов междуречий в сочета- ниии с ельниками с примесью лиственницы травяно-зеленомошными нижних частей склонов (ряды 6 и 9); 9 – сосново-лиственничные травяно-зеленомошные и кустарничково-зеленомошные среднекрутых и крутых склонов междуречий (абс. выс. 300–500 м, ряд 8); 10 – ельники с примесью лиственницы травяно-зеленомошные дрениро- ванных нижних частей склонов речных долин в сочетании с ельниками травяно-болотными пойм и низких реч- ных террас (ряды 9 и 10)


Относительная простота и доступность предлагаемого подхода, который можно реализо- вать в большинстве программных продуктах ГИС (ENVI, Scanex, ERDAS Imagine, IDRISI и др.), дает возможность для открытого использования, модификации и тиражирования пред- ложенной методики.

Полученные карты актуального растительного покрова позволяют оценить современное состояние и прогнозировать темпы восстановительной динамики лесной растительности в разных лесорастительных условиях. Такие карты фактически являются пространственными

моделями, отражающими экосистемное разнообразие исследуемой территории, могут слу- жить для решения как лесоводственных, так и широкого спектра экологических задач.

Список литературы

1. 
   ЕрмаковН.Б.,ПоляковаМ.А.,ПоповД.Ю.,ГоломовзинВ.В.Моделирование пространственной организации растительности горных территорий на основе данных дистанционного зондирования и цифровой модели рельефа // Вычислительные технологии. 2007. Т. 12, спец. вып. № 2. С. 42–59.
   
2. 
   Кирсанов В. А., Смолоногов Е. П. Принципы классификации лесорастительных условий и типов леса Лозьвинского Урала // Географические аспекты горного лесоведения и лесоводства. Чита, 1967. С. 19–22.
   
3. 
   КолесниковБ.П.Кедровые леса Дальнего Востока. М.; Л: Изд-во АН СССР, 1956. 263 с.
   
4. 
   КоноваловаТ.И.,БессолицынаЕ.П.,ВладимировИ.Н.идр.Ландшафтно-интер- претационное картографирование. Новосибирск: Наука, 2005. 424 с.
   
5. 
   Ландшафтная карта СССР. Масштаб: 1:2 500 000 / Под ред. И. С. Гудилина. М., 1987.
   
6. 
   МерекаловаК.А.Выделение геосистем с единым типом межкомпонентных отношений
   

// Тр. Междунар. конф. «Ландшафтное планирование. Общие основания. Методология. Технология». М., 2006. С. 199–203.

7. 
   МкртчянА.С.Автоматизированное выделение ландшафтных единиц путем клас- сификации рельефа с применением ГИС // Тр. Междунар. конф. «Ландшафтное плани- рование. Общие основания. Методология. Технология». М., 2006. С. 203–208.
   
8. 
   СмолоноговЕ.П.Возрастная динамики и хозяйственно-выборочные рубки в широколиственно-темнохвойных лесах // Динамика и строение лесов на Урале. Свердловск, 1970. С. 117–135.
   
9. 
   СмолоноговЕ.П.Основные положения генетического подхода при построении лесотипологических карт // Экология. 1998. № 4. С. 256–261.
   
10. 
    СысуевВ.В.,ШарыйП.А.Выделение типов условий местопроизрастания для лесоустройства по участковому методу. Лесоведение. 2000. № 5. С. 10–19.
    
11. 
    Попов Л. В. Южнотаежные леса Средней Сибири. Иркутск: Изд-во Иркут. гос. ун-та, 1982. 330 с.
    
12. 
    Пузаченко Ю. Г., Хорошев А. В., Алещенко Г. М. Анализ организации ландшафта на основе космического снимка // Исследование Земли из космоса. 2003. № 3. С. 63–71.
    
13. 
    ФильрозеЕ.М.Схема генетической классификации типов леса Южного Урала // Эколого-географические и генетические принципы изучения лесов. Свердловск, 1983. С. 53–59.
    
14. 
    Харук В. И., Им С. Т., Рэнсон К. Дж., Сан Г. Космоснимки высокого разрешения в анализе временной динамики экотона лесотундры // Исследование земли из космоса. М.: Изд-во «Наука», 2005. № 6. С. 46–55.
    
15. 
    Черкашин В. П., Корец М. А Результаты развития ГИС «Леса Средней Сибири» // Структурно-функциональная организация и динамика лесов: Материалы Всерос. конф. Красноярск, 2004. С. 383–387.
    
16. 
    Jensen J. R. Introductory Digital Image Processing: A Remote Sensing Perspective. 2^nd ed. Englewood Cliffs, New Jersey: Prentice-Hall, 1996. P. 165–174.
    
17. 
    MooreI.D.,GraysonR.B.Digital Terrain Modelling: A Review of Hydrological, Geomorphological, and Biological Applications // Hydrological Processes. 1991. Vol. 5. P. 3–30.
    
18. 
    Pfister R. D., Kovalchik B. L., Arno S. F., Presby R. C. Forest Habitat Types of Montana // USDA For. Serv. Gen. Tech. Report INT. 1977. Vol. 34. 174 p.
    
19. 
    RichardsJ.A.XiupingJ.Remote Sensing Digital Image Analysis: An Introduction. Birkhäuser, 2005. 439 р.
    
20. 
    TouJ.T.,GonzalezR.C.Pattern Recognition Principles // Reading, Massachusetts: Addison-Wesley Publishing Company, 1974. 377 р.
    
21. 
    WalkerD.A.Hierarchical Subdivision of Arctic Tundra Based on Vegetation Response to Climate, Parent Material and Topography // Global Change Biology. 2000. Vol. 6, is. 1. P. 19–34.
    
22. 
    Yener H., Koc A. A Monitoring System for Forest Areas in Istanbul // Исследование Земли из космоса. М.: Изд-во «Наука», 2002. № 2. С. 61–70.
    

Материалпоступилвредколлегию02.07.2010

1. 
   V. Danilova, V. A. Ryzhkova, M. A. Korets
   

A GIS-AIDED ALGORITHM FOR MAPPING THE CURRENT FOREST STATE AND DYNAMICS
A GIS-based method of forest vegetation dynamics mapping based on a combined analysis of multi-band optical satellite data, a digital elevation model (DEM), and ground data was applied in the framework of complex geographic information system “Forests of Central Siberia GIS”. Image classification procedures applied to remote sensing (RS) scenes and DEM-composites (elevation, slope and curvature) were used to map forest vegetation dynamics and growth conditions. Based on the methodology described, Landsat 7 ETM+ satellite imagery, SRTM 90m DEM, and field data were processed for the Middle Angara test site. The resulting map includes two polygonal vector layers: one is forest regeneration stages and the other is forest vegetation succession series in a range of site conditions.

Keyworlds: Earth remote sensing, digital elevation model (DEM), GIS, forest regeneration dynamics.