QGIS сельскохозяйственное применение лесного хозяйства
Цена: 2 304руб. (¥109)
Артикул: 632165094769
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товараПродавец:当当网官方旗舰店
Рейтинг:
Всего отзывов:0
Положительных:0
Добавить в корзину
Другие товары этого продавца
¥174.943 697руб.
¥100.22 118руб.
¥107.32 268руб.
¥33698руб.
географическая информационная система,приложение,сельское хозяйство,географическая информационная система,приложение,лесное хозяйство
Переводчик
Предисловие
1 Применение радиолокационной и оптической связи данных для определения влажности почвы в сельскохозяйственных районах 1
1.1 Обзор 1
1.2 Район исследования и спутниковые данные 2
1.2.1 Радиолокационное изображение 2
1.2.2 Оптическая визуализация 4
1.2.3 Карта земельного покрова 4
1.3 Способ 5
1.3.1 Метод инверсии радиолокационного сигнала для оценки влажности почвы 5
1.3.2 Сегментация посевных площадей и пастбищ 6
1.3.3 Создание карты влажности почвы 7
1.4 Реализация построения карты влажности почвы в QGIS 8
1.4.1 Схема 8
1.4.2 Радиолокационные изображения 12
1.4.3 Оптическая визуализация 16
1.4.4 Карта земельного покрова 20
1.4.5 Разделение посевных площадей и пастбищ 20
1.4.6 Устранение небольших пространственных единиц 22
1.4.7 Составление карты влажности почвы 25
1.4.8 Карта влажности почвы 33
1.5 Ссылки 34
2 Тепловизионное разложение 35
2.1 Определение и предыстория 35
2.2 Метод декомпозиции 36
2.2.1 Предварительная обработка изображения 36
2.2.2 Разложение 38
2.3 Практическое применение методов декомпозиции 40
2.3.1 Импорт данных 40
2.3.2 Предварительная обработка 41
2.3.3 Разложение 49
2.4 Анализ результатов 59
2.5 Ссылки 60
3 Использование QGIS/OTB для автоматического извлечения участков сельскохозяйственных земель из изображений дистанционного зондирования и базы данных RPG 62
3.1 Обзор 62
3.2 Метод извлечения AP 63
3.2.1 Форматирование данных RPG 63
3.2.2 Классификация спутниковых изображений SPOT 65
3.2.3 Перекрестное наложение между AP и FB, полученное на основе проверки урожая 65
3.3 Практическое применение экстракции АП 66
3.3.1 Программное обеспечение и данные 67
3.3.2 Настройка скриптов Python 70
3.3.3 Форматирование данных RPG 73
3.3.4 Классификация спутниковых изображений SPOT 82
3.3.5 Перекрестное наложение и проверка урожая между извлеченными AP и FB 93
3.4 Благодарности 99
3.5 Ссылки 99
4 Картирование растительного покрова с использованием изображений S2 и плагинов полуавтоматической классификации: пример из северной части Буркина-Фасо 101
4.1 Обзор 101
4.2 Рабочий процесс создания карт растительного покрова 102
4.2.1 Знакомство с изображениями SCP и S2 103
4.2.2 Предварительная обработка 103
4.2.3 Классификация земельного покрова 107
4.2.4 Оценка точности классификации и постобработка 109
4.3 Реализация с использованием плагинов QGIS и SCP 110
4.3.1 Программное обеспечение и данные 111
4.3.2 Предварительная обработка данных 112
4.3.3 Классификация земельного покрова 116
4.3.4 Оценка точности классификации и постобработка 121
4.4 Ссылки 125
5 Обнаружение и картографирование вырубок с использованием оптических спутниковых изображений 127
5.1 Обзор 127
5.2 Метод четкого обнаружения 128
5.2.1 Обнаружение изменений – предварительная обработка геометрии и излучения 129
5.2.2 Разграничение лесов 132
5.2.3 Классификация вырубок 133
5.2.4 Вывод в векторной форме 135
5.2.5 Статистическая оценка 137
5.2.6 Ограничения метода 138
5.3 Практическое применение 138
5.3.1 Программное обеспечение и данные 139
5.3.2 Создание изменяющихся изображений 140
5.3.3 Создание, объединение и интеграция масок 141
5.3.4 Обнаружение вырубок 145
5.3.5 Векторное преобразование 147
5.4 Ссылки 150
6 Картирование растительности по радиолокационным изображениям Sentinel-1 151
6.1 Обзор 151
6.2 Классификация изображений дистанционного зондирования 153
6.3 Обработка данных S1 154
6.3.1 Коррекция радиации 155
6.3.2 Ортотрансформация данных коррекции 155
6.3.3 Обрезка общественных мест 155
6.3.4 Фильтрация для уменьшения спекл-эффектов 156
6.3.5 Синтез цвета на основе различных методов поляризации 156
6.4 Реализация обработки в QGIS 158
6.4.1 Загрузка данных 162
6.4.2 Коррекция, ортотрансформация и наложение данных Sentinel-1 в общественных местах 166
6.4.3 Фильтрация спеклов 168
6.4.4 Другие инструменты 170
6.5 Классификация данных 172
6.6 Ссылки 177
7 Дистанционный анализ эндемической растительности в парке Амазонки в Гайане 179
7.1 Предыстория и определения 179
7.1.1 Глобальный контекст 179
7.1.2 Виды 179
7.1.3 Доступные изображения дистанционного зондирования 181
7.1.4 Программное обеспечение 181
7.1.5 Метод реализации 182
7.2 Установка программного обеспечения 183
7.2.1 Установка доступных зависимостей с помощью OsGeo 183
7.2.2 Установка библиотеки алгоритмов машинного обучения 185
7.2.3 Установка Дзецака 185
7.3 Методы 185
7.3.1 Обработка изображений 187
7.3.2 Создание маски облаков 188
7.4 Обработка 190
7.4.1 Создание обучающего набора 190
7.4.2 Классификация с использованием плагина Dzetsaka 192
7.4.3 Постобработка классификации 198
7.5 *Постобработка 200
7.5.1 Синтез изображений после классификации 201
7.5.2 Глобальный состав и удаление избыточных областей 202
7.5.3 Статистическая проверка и ограничения 204
7.6 Резюме 205
7.7 Ссылки 205
8 Карта естественной растительности и рельефа 207
8.1 Обзор 207
8.2 Методы 207
8.2.1 Сегментация изображения VHSR по одной дате 208
8.2.2 Расчет индекса изменения во времени 209
8.2.3 Использование временных рядов для извлечения естественной растительности 210
8.2.4 Плотность растительности 212
8.2.5 **Индекс продуктивности площадей с травянистыми растениями 213
8.3 Реализация приложения 215
8.3.1 Область исследования 215
8.3.2 Программное обеспечение и данные 216
8.3.3 Обработка изображений VHSR 217
8.3.4 Расчет индекса вариации временного ряда 222
8.3.5 Использование порогового метода для извлечения естественной растительности из временных рядов изображений Sentinel-2 225
8.3.6 Классификация плотности растительности с использованием метода опорных векторов в контролируемой классификации 230
8.3.7 Извлечение уровня продуктивности пастбищ 232
8.3.8 Итоговая карта 234
8.4 Ссылки 237
9 Применение объектно-ориентированной классификации при картографировании горной растительности и геоморфологии 238
9.1 Определение и предыстория 238
9.2 Методы обнаружения форм рельефа горной растительности 239
9.2.1 Предварительная обработка изображения 239
9.2.2 Сегментация изображения 244
9.2.3 Сегментация изображений, выборка, обучение и классификация 245
9.2.4 Статистическая проверка классификации 248
9.2.5 Ограничения метода 250
9.3 Приложения в QGIS 251
9.3.1 Предварительная обработка 251
9.3.2 Сегментация 261
9.3.3 Классификация 268
9.4 Ссылки 285
1 Применение радиолокационных и оптических связей данных при влажности почвы в сельскохозяйственных областяхМохаммад Эль-Хадж, Николас Багдади, Мехрез Зриби, Хасан Баззи
1.1 Обзор
Пространственный и временной мониторинг влажности почвы на сельскохозяйственных территориях имеет важное прикладное значение, особенно связанное с круговоротом воды на Земле. Мониторинг на месте можно осуществлять с помощью датчиков, но эта технология дорогая и может осуществляться только на небольших сельскохозяйственных территориях. Таким образом, дистанционное зондирование с воздуха является важным средством получения изображений с высоким пространственным и временным разрешением и проведения крупномасштабного картографического анализа влажности почвы.
Данные радара можно использовать с течением времени для оценки и картирования влажности оголенной поверхности почвы [BAG 16b]. Фактически, физические, эмпирические и полуэмпирические модели инверсии радиолокационного сигнала были разработаны для мониторинга влажности почвы в различных пространственных масштабах (масштаб локального участка, масштаб участка, сетки размером от сотен до тысяч квадратных метров). На поверхностях, покрытых растительностью, часто необходимо объединить радиолокационные и оптические данные для оценки поверхностной влажности почвы.Оптические данные могут дополнять радиолокационные данные и использоваться для оценки физических параметров растительности, таких как индекс площади листьев (LAI), на основе спутниковых индексов, таких как нормализованный разностный индекс растительности (NDVI).Эти параметры можно использовать для оценки влияния растительности на сигналы обратного рассеяния радара, извлечения информации о почве и, наконец, достижения инверсии для оценки поверхностной влажности почвы.
Для картирования влажности почвы под растительным покровом в большинстве исследований используется полуэмпирическая модель водяного облака (WCM), предложенная Аттемой и Улаби [ATT 78]. Обычно в этой модели общий сигнал обратного рассеяния радара определяется как сумма двух частей: ① сигнал обратного рассеяния от почвы, умноженный на двустороннее затухание;② прямой сигнал растительности. В большинстве исследований влияние растительности выражается через физические параметры растительности (биомасса, индекс площади листьев, содержание воды, высота растительности).Воздействие почвы обычно определяется как функция влажности почвы и шероховатости поверхности (с учетом инструментальных параметров: угла падения, длины волны и интенсивности поляризации) и может быть смоделировано с использованием физических моделей обратного радиолокационного рассеяния, в частности модели интегрального уравнения (IEM) [FUN 94], или полуэмпирических моделей обратного рассеяния, таких как модель Дюбуа [DUB 95] или модель Багдади [BAG 16a].
Цель этой главы — показать, как использовать бесплатное программное обеспечение с открытым исходным кодом QGIS для объединения радиолокационных изображений [радара с синтезированной апертурой (SAR)] с высоким пространственным разрешением (приблизительно 10 м).&раз; 10 м) для картирования поверхностной влажности почвы на сельскохозяйственных участках (яровые и озимые культуры) и лугах.
1.2 Область исследований и спутниковые данные
Район исследования расположен недалеко от Монпелье на юге Франции (рис. 1.1). Это сельскохозяйственный район (15 км.&раз;15 км).На рис. 1.1 показана схема QGIS спутникового изображения исследуемой территории, полученного со спутника Sentinel-2A (S2A: спутник Sentinel-2A).
Рисунок 1.1. Географические координаты оптического изображения исследуемой территории, расположенного в 5 км к востоку от Монпелье, полученного спутником S2A, находятся в универсальной поперечной проекции Меркатора (UTM), а зона проекции составляет 31 с.ш.Цветную версию этого рисунка см. в 2020.8.5.
1.2.1 Радар изображение
В исследовании использовались два радиолокационных изображения Sentinel-1A (S1A, спутник Sentinel-1A) c-диапазона (длина волны около 5,6 см), полученные 19 января 2017 г. и 26 января 2017 г. 19 января 2017 г. почва на участке исследований была сухой (осадков не было в течение 19 дней, а влажность почвы, измеренная на участке района исследований, составляла около 11%), тогда как 26 января 2017 г. почва была очень влажной (влажность почвы, измеренная на участке района исследований, составляла около 30%), поскольку количество осадков за четыре дня до получения радиолокационных изображений было относительно большим (всего 23 мм).Изображения S1A доступны бесплатно на веб-сайте Copernicus① и веб-сайте Google Earth Engine②. Исходные изображения, предоставленные веб-сайтом Copernicus, требуют радиометрической коррекции (преобразования чисел в коэффициенты обратного рассеяния) и геометрической коррекции, а изображения, загруженные из Google Earth Engine, были откалиброваны и ортотрансформированы (с использованием геодезической системы WGS84).
Радиолокационные изображения, использованные в этой главе, были загружены с веб-сайта Google Earth Engine.Каждое изображение включает в себя три полосы: полоса 1 соответствует коэффициенту обратного рассеяния (единица измерения: дБ) вертикальной кополяризации (VV), полоса 2 соответствует коэффициенту обратного рассеяния (единица измерения: дБ) противоположной (перекрестной) поляризации (VH), а полоса 3 содержит локальный угол падения относительно эллипсоида (единица измерения:&град ;).Две полосы, соответствующие коэффициентам обратного рассеяния в поляризациях VV и VH, преобразованы в линейный масштаб. В части 1 рисунка 1.2 показана обработка радиолокационных изображений.
Рисунок 1.2 Шаги по созданию карты влажности почвы
Цветная версия этой фигуры (на английском языке) доступна в 2020.8.5.
1.2.2 Оптическое изображение
В исследовании использовалось оптическое изображение, полученное спутником S2A 15 октября 2016 года.В идеале лучше всего использовать оптические изображения, собранные близко к дате сбора каждого радиолокационного изображения. Это оптическое изображение доступно бесплатно на сайте наземного центра данных Тейя① и охватывает площадь 110 км.&раз;110км. На веб-сайте Theia представлены атмосферно и топографически скорректированные данные S2A (уровень обработки 2A).Изображение S2A можно скачать с сайта Theia в формате 13 независимых спектральных диапазонов, система проекции также Universal Transverse Mercator (UTM).
Чтобы облегчить использование оптических изображений, сначала были наложены три диапазона видимого света (диапазон 2, диапазон 3 и диапазон 4) и один инфракрасный диапазон (диапазон 8);затем оптическое изображение было обрезано по площади исследования (15 км&раз; 15км) для корректировки пространственной дальности оптического изображения;затем перепроецируйте обрезанное изображение в геодезическую систему WGS84, чтобы сделать его той же системой проецирования, что и радиолокационное изображение; наконец, используйте спектральные полосы, соответствующие красному и инфракрасному диапазонам (полоса 4 и полоса 8 соответственно), для расчета изображения NDVI на основе перепроецированного оптического изображения. Часть 2 рисунка 1.2 демонстрирует обработку оптических изображений.
1.2.3 Карта земного покрова
Посевные площади и пастбища были выделены с использованием карты земельного покрова②, созданной Центром науки и технологий Тейи.Эта карта представляет собой тематический растровый файл со значениями от 11 до 222, каждое значение соответствует типу растительного покрова ③.Для карты земного покрова Тейи используется проекционная система Lambert-93.Карта земного покрова сначала была обрезана в соответствии с пространственной протяженностью исследуемой территории, а затем обрезанная карта была перепроецирована в геодезической системе WGS84, чтобы иметь ту же систему проекции, что и радиолокационное изображение и оптическое изображение.В части 3 рисунка 1.2 показана обработка карты земного покрова.
1.3 Метод
В этом разделе описаны шаги по созданию карт влажности почвы для посевных площадей и лугов.Во-первых, предлагается метод инверсии на основе нейронной сети, которая обучается с использованием смоделированного набора данных коэффициентов обратного радиолокационного рассеяния, полученных из модели водного облака (WCM).В WCM используется модель калиброванного интегрального уравнения (IEM) Багдади и др. [BAG 06] используется для моделирования воздействия почвы. Применение нейронных сетей к реальным спутниковым данным требует определения площадей посевов и лугов, которые можно извлечь из карты земного покрова исследуемой территории.Затем эти области были разделены на однородные подрайоны (масштаб графика) с использованием изображений NDVI, рассчитанных на основе оптических изображений.* Наконец, метод инверсии на основе нейронной сети применяется к каждому однородному субрегиону для получения карты влажности почвы.
1.3.1 Метод инверсии радиолокационного сигнала для оценки влажности почвы
Почва в сельскохозяйственных районах в течение длительного периода года покрыта растительностью.Таким образом, учет влияния растительности на сигналы обратного рассеяния радара необходим для точной оценки влажности почвы.
Сигнал обратного рассеяния радара в линейной шкале, определяемой WCM (&сигма;tot), который является эффектом растительности (&сигма;veg), почва 0 20 действие почвы (&сигма;почва) ослаблена растительностью (T&сигма; почва) и сумма множественных эффектов рассеяния почвы и растительности (часто упускаемых из виду):
(1.1)
(1.2)
(1.3)
В формуле V1 и V2 являются дескрипторами растительности: биомасса, влажность растительности, высота растительности, индекс листовой площади (LAI), нормализованный индекс растительности (NDVI) (V1=V2 =NDVI в этой главе);&тэта; угол падения радара (&град;); A и B — параметры подгонки модели, которые зависят от выбранного дескриптора растительности и конфигурации радара.
Воздействие почвы 0 зависит от влажности почвы и шероховатости поверхности (в дополнение к параметрам прибора SAR) и моделируется в этой главе с использованием модели интегрального уравнения (IEM), откалиброванной Багдади и др. [СУМКА 06].
Этапы разработки алгоритма оценки влажности почвы следующие:
(1) Откалибруйте WCM, используя экспериментальные данные, полученные на эталонном участке: сигналы радара, NDVI (по оптическим изображениям), а также данные о влажности почвы и шероховатости поверхности, измеренные на месте во время прохождения радарного датчика.Параметры A и B рассчитываются на этапе калибровки модели.
(2) Чтобы охватить все возможные значения параметров почвы и растительности в сельскохозяйственных условиях, использовались калиброванные WCM и IEM [BAG 06] для генерации синтетических данных сигналов обратного рассеяния радара на основе широкого диапазона значений влажности почвы (от 2% до 40%), шероховатости поверхности (0,5–4,0 см) и NDVI (0–1).Кроме того, угол падения радара в WCM варьируется в зависимости от диапазона углов падения радиолокационного датчика (20&Град; ~ 45&град ;) меняется.
(3) Добавьте шум к синтетическим данным, чтобы лучше моделировать экспериментальный набор данных радиолокационного сигнала (добавляется гауссов шум с нулевым средним значением и стандартным отклонением 1 дБ [MIR 15]) и значение NDVI (NDVI добавляет 15% относительного шума [EL 09]).
(4) Использовать синтетические наборы данных для обучения нейронных сетей.Эта процедура и использованные улучшения подробно описаны в [EL 16].
В этой главе показана обученная нейронная сеть.Для заданной даты получения радиолокационных данных входная часть нейронной сети состоит из радиолокационного сигнала в поляризации VV и VH, а также местного угла падения и значения NDVI (рассчитанного на основе оптического изображения).Результатом работы нейронной сети является оценка влажности почвы в %.
1.3.2 Разделение сельскохозяйственных культур и пастбищных мест
В этой главе предпринята попытка оценить влажность почвы для каждой однородной пространственной единицы (подучастка, участка или набора участков), состоящей из ячеек с однородными значениями NDVI, варьирующимися как±разрешение пикселей 0,1. Для этого необходимо очертить каждую однородную пространственную единицу (многоугольник).Сначала на основе карты земного покрова создается маска для выделения посевных площадей и пастбищ.Затем используйте изображения NDVI, чтобы сегментировать эти посевные площади и пастбища на однородные подрайоны (пространственные единицы).Используемый метод сегментации:“Средний сдвиг&рдкво;. Эту функцию можно найти в библиотеке обработки изображений ① панели инструментов Orfeo (OTB), разработанной Французским национальным центром космических исследований и выполняемой в интерфейсе QGIS.использовать“Средний сдвиг”Сегментация выводит векторный файл, состоящий из нескольких объектов (типов полигонов), каждый из которых делит однородную пространственную единицу.Пространственной единицей может быть подучасток, участок или совокупность участков со схожими значениями NDVI.
Значения влажности почвы в первую очередь оцениваются на основе средних значений пикселей радара в радиусе действия объекта.Внутри каждого полигона создается 10-метровый буфер, чтобы гарантировать, что пиксели, используемые для усреднения сигнала обратного рассеяния, не содержат граничные пиксели (живые изгороди, дороги и т. д.).Перед применением буфера требуется определенная степень сглаживания вершин многоугольника, чтобы избежать топологических проблем ②. Кроме того, для получения надежного среднего сигнала обратного рассеяния из расчета были исключены элементы с дальностью действия менее 20 радарных пикселей.Фактически, из-за наличия пятен на радиолокационных изображениях средние коэффициенты обратного рассеяния менее 20 пикселей незначительны.Чтобы исключить полигоны размером менее 20 пикселей, сначала используйте команду“Региональная статистика”Функция вычисляет количество пикселей радара в пределах диапазона каждого объекта (пространственной единицы), а количество пикселей для каждого элемента автоматически записывается в таблицу атрибутов файла сегментации.Затем объекты размером менее 20 радарных пикселей удаляются. В части 4 рисунка 1.2 показан процесс сегментации участков сельскохозяйственных культур и травы и удаления объектов размером менее 20 радарных пикселей.
Сельское и лесное хозяйство являются важными областями применения дистанционного зондирования и пространственных данных.«Приложение QGIS для сельского и лесного хозяйства» показывает примеры применения дистанционного зондирования и QGIS в области сельского и лесного хозяйства, включая инверсию влажности почвы в сельскохозяйственных районах, автоматическое извлечение сельскохозяйственных участков, классификацию и картографирование земельного покрова, обнаружение и картирование сплошных вырубок, уникальный анализ растительности, картографирование естественной растительности и рельефа и т. д. Эти примеры применения иллюстрируют ценность применения данных дистанционного зондирования с различным пространственным разрешением, временным разрешением и спектральным разрешением для понимания и моделирования различных процессов эволюции растительности и почвы, а также управления сельскохозяйственными и лесными ресурсами.лесные ресурсы. «Приложения QGIS для сельского и лесного хозяйства» подробно описывает источники данных, методы и этапы работы QGIS для каждого случая применения, предоставляя читателям идеи и методы использования QGIS для решения практических прикладных задач.Читатели также могут получить соответствующие данные и информацию на веб-сайте «Приложение QGIS для сельского хозяйства и лесного хозяйства».............