авторефераты диссертаций БЕСПЛАТНАЯ БИБЛИОТЕКА РОССИИ

КОНФЕРЕНЦИИ, КНИГИ, ПОСОБИЯ, НАУЧНЫЕ ИЗДАНИЯ

<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ


Pages:     | 1 |   ...   | 7 | 8 || 10 | 11 |

«МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ им. М.В. ЛОМОНОСОВА ГЕОГРАФИЧЕСКИЙ ФАКУЛЬТЕТ ЛАНДШАФТНОЕ ПЛАНИРОВАНИЕ: ОБЩИЕ ОСНОВАНИЯ. МЕТОДОЛОГИЯ, ...»

-- [ Страница 9 ] --

Благодаря рассмотренному подходу также создается возможность для предсказания изменения состояния ПТК при изменении значения воздействующего фактора в пределах ареала одного типа межкомпонентных отношений. Можно смоделировать будущее состояние одного ПТК, используя знания о структуре и функционировании другого ПТК, который в настоящее время существует при значении фактора организации равном моделируемому значению фактора (эргодический подход).

Очевидно, что рассмотренные в данной работе линейные связи-отношения между растительностью, представленной через данные дистанционного зондирования, и рельефом, а точнее – степенью дренированности рельефа, характеризуемой морфометрическими показателями, рассчитанными на основе ЦМР, не отражают всего многообразия внутриландшафтных взаимодействий, а являются лишь частным результатом. Для получения более полной картины необходимо применять нелинейные регрессионные модели, лучше соответствующие характеру такой сложной системы как природный ландшафт. А с целью построения полноценных многокомпонентных моделей, включающих, помимо растительности и рельефа, также отложения, почвы, воды и т.д., необходимо разрабатывать эффективные способы интерполяции точечной информации, содержащейся в полевых ландшафтных описаниях.

Литература:

1. Marceau D.J. The scale issue in social and natural sciences // Canadian Journal of Remote Sensing. 1999. Vol. 25. No. 4 P. 347- 2. Meentemeyer V. Geographical perspectives of space, time, scale // Landscape Ecology.

Vol. 3. 1989. No. 3/4. P. 163- 3. Хорошев А.В., Алещенко Г.М. Пространственная дифференциация типов межкомпонентных отношений в ландшафте // Научные чтения, посвящённые 100 летию со дня рождения академика Виктора Борисовича Сочавы: Материалы Международной конференции (Иркутск, 20-21 июня 2005 г.). Иркутск: Изд-во Института географии СО РАН, 2005. С. 42-46.

АВТОМАТИЗИРОВАННОЕ ВЫДЕЛЕНИЕ ЛАНДШАФТНЫХ ЕДИНИЦ ПУТЕМ КЛАССИФИКАЦИИ РЕЛЬЕФА С ПРИМЕНЕНИЕМ ГИС Мкртчян А. С.

Львовский национальный университет имени Ивана Франка alemkrt@yahoo.com Существенным недостатком большинства методик ландшафтного картографирования является субъективность при проведении ландшафтных границ. Хотя в ряде случаев (бровки оврагов, уступы террас) границы определяются однозначно, во многих других случаях точное положение границы между геокомплексами остается на усмотрение исследователя. Результатом нередко являются существенные отличия ландшафтных карт, составленных разными исследователями по сходной методике на одну и ту же территорию.

Приведение методологии ландшафтоведения в соответствие с общепринятой естественнонаучной методологией, в частности, требует разработки интерсубъективных методик, позволяющих разным исследователям получать идентичные результаты при использовании одинаковых исходных данных. Существенным импульсом к разработке таких методик может стать развитие методов геоинформационного анализа. Так, мало исследованными остаются возможности автоматизированных классификаций местоположений, которые, при условии наличия достаточных исходных данных и адекватных алгоритмов их обработки, способны выделить в ландшафте территориальные единицы, гомогенные в отношении ряда заданных показателей, сведя при этом к минимуму субъективный фактор.

Как известно, рельеф является одним из важнейших факторов пространственной дифференциации ландшафтных характеристик. Морфология земной поверхности является одним из основных критериев при выделении и картировании природных территориальных комплексов. Не секрет, что именно топографические карты и стереопары аэрофоснимков служат главным источником пространственной информации при оконтуривании геокомплексов, содержание которых определяется в ходе полевых исследований.

В современных ГИС основным способом представления топографической информации являются цифровые модели рельефа (ЦМР). Компьютерный анализ ЦМР предоставляет возможность использования производных морфометрических, гидрологических и иных характеристик, полученных путем применения к ЦМР того или иного алгоритма, для косвенного определения характеристик почвы, биоценозов, микроклимата и других компонентов ландшафта. Так, с недавнего времени получили распространение модели, предсказывающие детальное распределение характеристик растительности горных территорий с использованием топографических показателей, полученных путем анализа ЦМР [5]. Такие топографические показатели также широко используются для предсказания отдельных характеристик почв [4].

Благодаря высокой пространственной детальности ЦМР служат главным источником данных при автоматизированной классификации местоположений. В качестве критериев классификации, как правило, выступают топографические (морфометрические) показатели – абсолютное и относительное превышение, наклон поверхности, ее выпуклость в плане и профиле. При этом возможны два подхода к определению конкретных значений критериев выделения территориальных единиц. При первом подходе такие критерии определяются, исходя из априорных представлений о градациях морфометрических показателей, морфометрических признаках структурных линий рельефа и обусловленных рельефом ландшафтных границ. Так, И. Круглов предложил методику полуавтоматизированного выделения педоморфологических ландшафтных единиц, которая предусматривает деление склонов на 7 категорий по крутизне, а также на выпуклые и вогнутые в плане и профиле;

днища долин и вершинные поверхности выделялись, исходя из значений дренажной площади [2]. Схожая методика создания карты природных территориальных комплексов на основе морфометрического анализа ЦМР описана В.В. Сысуевым [10].

При другом подходе в основу автоматизированной классификации рельефа и связанных с ним ландшафтных характеристик кладется статистическая кластеризация параметров рельефа. При этом вместо проведения границ по заранее заданным критериям, выделяются "естественные группировки" местоположений в пространстве атрибутов.

Генерализация многомерных данных путем статистического анализа (например, итерационного кластерного анализа) широко используется, в частности, в практике дистанционного зондирования для классификации мультиспектральных изображений.

Использование при выделении ландшафтных единиц морфометрических показателей "в чистом виде" ставит вопрос об обоснованности выбора этих показателей и их градаций в качестве индикаторов пространственного распределения характеристик других компонентов ландшафта. Более целесообразным является использование с этой целью комплексных показателей и индексов, характеризующих определенные процессы, которые регулируются рельефом и влияют на распределение ландшафтных характеристик. Так, В.В. Сысуев использовал при ландшафтной классификации рельефа три группы топографических переменных, характеризующих, соответственно, перераспределение солнечной радиации, перераспределение влаги и перераспределение твердого вещества под действием гравитации [10].

Нами с целью создания и тестирования методики автоматизованного выделения ландшафтных единиц была использована ЦМР для участка возвышенности в окрестностях Львова, покрытой лиственным, преимущественно буковым лесом на светло серых лесных почвах. Аналогичная методика, реализованная нами для участка долины верхнего течения р. Днестр (Львовская область, Украина), описана в [1]. ЦМР была создана путем интерполяции соответствующих слоев топокарты с помощью функции TOPOGRID программного пакета Arc/Info. Горизонтальная детальность (размер пиксела) ЦМР соcтавляла 5 м.

В качестве основных факторов ландшафтной дифференциации, регулируемых рельефом, учитывались перераспределение солнечной радиации в зависимости от экспозиции и наклона поверхности, перераспределение влаги по склону, и эрозионный потенциал, характеризующий энергию склоновых потоков, которые способствуют сносу и переотложению твердого материала.

Для расчета распределения показателя, характеризующего перераспределение солнечной радиации, использовался алгоритм, разработанный Л. Кумаром с коллегами (реализованный в форме макропрограммы shortwave.aml среды Arc/Info), который позволяет рассчитать интегральную величину поступления коротковолновой солнечной радиации за произвольный период, с учетом эффектов затенения и атмосферного поглощения радиации при низкой высоте солнца над горизонтом, но без учета поглощения облачностью и длинноволновой радиации [6]. Нами рассчитана величина поступления радиации за наиболее важный в экологическом отношении период с 1 марта до 31 октября.

Для отображения перераспределения влаги под действием гравитации можно использовать составной топографический индекс (топографический индекс влажности, СTI), предложенный И. Муром и П. Гесслером. Этот индекс отражает положение в ландшафтной катене и рассчитывается по формуле CTI= ln( As / tan ), где As – дренажная площадь (площадь водосбора, рассчитанная на единицу длины замыкающего контура), – крутизна склона [9]. Большие значения этого индекса соответствуют аккумуляции влаги, повышенному ее содержанию в почве, что, в свою очередь, влияет на другие почвенные характеристики, микроклимат, водный баланс, экологические условия местопроизрастаний. Целый ряд исследований включает данный индекс в число показателей, используемых для предсказания характеристик почвы. Так, П. Гесслер с коллегами разработали статистическую почвенно-ландшафтную модель для предсказания ряда почвенных характеристик, используя такие морфометрические показатели, как плановая кривизна, индекс CTI и дренажная площадь. Данная модель в среднем предсказывает 65% пространственной вариации почвенных характеристик.

Согласно исследованию [4], индекс CTI сам по себе объясняет 71% вариации мощности почвенного горизонта А, 84% вариации мощности почвенного профиля и 78% вариации содержания почвенного углерода.

Для определения эрозионного потенциала рельефа использовалось выражение из усовершенствованного Универсального уравнения потерь почвы:

LS = (m+1) [As / a0 ]m [sin / b0 ]n, где As – дренажная площадь, – крутизна склона, m и n – стандартные параметры, a0 = 22.1м – длина и b0 = 0.09 = sin (5.16) – наклон поверхности стандартных участков, на которых определялись параметры модели [7]. Использование синуса крутизны склонов объясняется тем, что именно к нему является пропорциональной параллельная склону составляющая силы притяжения, которая является действующей силой склонового потока. Для определения реальных объемов смыва величина LS должна быть умножена на значения переменных, характеризующие другие факторы эрозии (осадки, почву, растительность и т. д.) Первым этапом анализа было создание растровых ГИС-слоев описанных ландшафтно-экологических показателей путем применения к исходной ЦМР средств картографической алгебры (использовался инструментарий ГИС Arc/Info [11]).

Экологические показатели были дополнены абсолютной высотой, которая, в частности, влияет на температурные характеристики и дополнительно помогает дифференцировать низинные местоположения в днищах долин и местоположения на вершинных поверхностях, которые могут иметь схожий радиационный режим и близкие значения CTI и LS из-за низких значений (крутизны склонов). Далее все показатели были стандартизированы путем вычитания среднего значения слоя и последующего деления на величину его стандартного отклонения.

Для экологической классификации рельефа и выделения ландшафтных единиц на основе охарактеризованных показателей нами использовалась методика итерационного кластерного анализа, который выделяет классы на основе анализа естественных группировок данных в пространстве атрибутов. Классификация данных осуществлена путем последовательного применения функций ISOCLUSTER и MLCLASSIFY программного пакета Arc/Info. Алгоритм, использованный в первой из этих функций, базируется на методике мигрирующих средних, которая состоит в отнесении каждого элемента (местоположения, пикселя) к классу с ближайшим к нему положением центроида в многомерном пространстве атрибутов (показателей, используемых в классификации), с последующим пересчетом положения центроидов всех классов. В результате был одержан растровый слой, каждый пиксель которого отнесен к одному из пяти классов, соответствующих выделенным морфотипам (типам местоположений, рис.

20, цветная вклейка).

В дальнейшем растровый слой был подвергнут автоматическому сглаживанию и векторизации, для преобразования в векторный слой, в котором каждый отдельный выдел полученных морфотипов представлен полигоном с отдельной записью в таблице атрибутов. Полученные морфотипы поддаются простой ландшафтной интерпретации.

Морфотип 1 соответствует узким гребням и крутым гравитационным (осыпным) склонам, с короткопрофильными щебневатыми почвами на делювии песчаников.

Морфотип 2 занимает выположенные вершинные поверхности, структурные ступени на склонах и останцовые холмы, с короткопрофильными почвами на делювии песчаников и известняков и маломощных лессовидных суглинках. Морфотип 3 занимает выпуклые пологие нижние участки склонов, с глубокими слабооглеенными почвами на лессовидных суглинках. Морфотип 4 занимает днища балок и вогнутые нижние участки пологих склонов, с глубокими оглеенными почвами на лессовидных суглинках. Морфотип соответствует верхним покатым частям склонов, с среднепрофильными почвами на маломощных лессовидных суглинках.

Для выявления экологической значимости классификации полученные морфотипы были сопоставлены с характеристиками растительности. Так, ранней весной нами в точках, равномерно распределенных по участку, определялось проективное покрытие весеннего эфемероида анемоны (ветреницы) дубравной (Anemone nemorosa L.). Данное растение вегетирует до развития крон деревьев, следовательно, его распространение по участку слабо зависит от величины сомкнутости древостоя. Обилие анемоны определялось по шкале Воронова [3], которая предусматривает 4 класса проективного учета. Нами была показана статистически значимая связь проективного покрытия анемоны с величинами крутизны склонов и поступления солнечной радиации [8]. Эта связь была использована нами для интерполяции точечных значений проективного покрытия (разработанная нами методика интерполяции опубликована в [8]).

На рис. 2 показана статистическая связь значений обилия анемоны с выделенными морфотипами. Статистический анализ (метод ANOVA) показал высокую надежность связи (значение критерия F составляет 4,175 при 4 степенях свободы, что соответствует уровню достоверности связи 0,9937). Наименьшим обилием характеризуется морфотип 1, наибольшим – морфотипы 3 и 2, остальные морфотипы занимают промежуточное положение.

Морфотипы, выделенные в ходе классификации, были также сопоставлены с характеристиками природного древостоя, определенными в 78 пунктах в пределах участка. Такие характеристики включали формулу древостоя, средние высоту и толщину деревьев, расстояние между ними. В частности, сопоставление морфотипов с формулой древостоя показало, что доля бука наименьшая в морфотипе 4 (бук избегает переувлажненных местоположений, где его место в древостое занимает ольха). Наоборот, наибольшая доля бука характерна для морфотипов 1 и 5, соответствующих хорошо дренированным крутым склонам (рис. 3). Морфотип 3 характеризовался существенно большей долей граба и ольхи, по сравнению с морфотипом 2, где к буку местами примешивается береза.

Рис. 2. Зависимость между морфотипами и классами обилия анемоны Таким образом, метод автоматизированной классификации ЦМР дает возможность выделять территориальные единицы, характеризующиеся статистически значимыми отличиями экологических характеристик. Главным преимуществом данной методики является полная воспроизводимость результатов, отсутствие субъективности при разбиении территории на геокомплексы и проведении границ между ними. Разумеется, для надежного выделения контуров геокомплексов одной ЦМР недостаточно: необходимо привлекать данные, характеризующие целый ряд ландшафтообразующих факторов, включая геологическое строение и характер антропогенных нагрузок. Вместе с тем, выделение геокомплексов с помощью воспроизводимых автоматизированных методик, на основе экологически значимых параметров способствует получению более надежных и объективных результатов.

Рис. 3. Зависимость между морфотипами и долей бука в формуле древостоя.

Литература 1. Ковальчук И. П., Мкртчян А. С., Круглов И. С. Автоматизированная типизация земель горно-предгорных ландшафтов на основе параметров рельефа // Рельеф и природопользование предгорных и низкогорных территорий. Материалы международной научно-практической конференции 3-7 октября 2005 г. Барнаул: Изд-во АлтГУ, 2005. –С. 133-138.

2. Круглов І. Методика напівавтоматизованого створення геопросторового шару педоморфологічних одиниць басейну верхнього Дністра // Вісн. Львів. ун-ту. Сер.

геогр. – 2004. – Вип. 31. –С. 312-320.

3. Миркин Б. М., Розенберг Г. С. Фитоценология: принципы и методы. –М.: Наука, 1978. – 211 c.

4. Gessler P.E., Moore I.D., McKenzie N.J., Ryan P.J. Soil landscape modelling and spatial prediction of soil attributes // Int. J. Geogr. Inf. Syst. – 1995. –Vol. 9. –P. 421–432.

5. Guisan A., Zimmermann N. Predictive habitat distribution models in ecology // Ecological Modelling. –2000. –№135. –P. 147–186.

6. Kumar L., Skidmore A.K., Knowles E. Modelling topographic variation in solar radiation in a GIS environment // International Journal for Geographical Information Science. –1997. –Vol.

11(5). –P. 475-497.

7. Mitasova H., J. Hofierka, M. Zlocha, and R. L. Iverson. Modeling topographic potential for erosion and deposition using GIS // Int. Journal of Geographical Information Science. – 1996a.–10(5). –pp. 629-641.

8. Mkrtchyan A. Spatial interpolation of field data on plant abundance // Commarmot B., Hamor F. D. (eds.) Natural Forests in the Temperate Zone of Europe – Values and Utilisation.

Proceedings of international conference 13-17 October 2003. –Birmensdorf, Swiss: Federal Research Institute WSL;

Rakhiv: Carpathian Biosphere Reserve. –P. 314-321.

9. Moore I.D., Gessler P. E., Nielsen G. A., Peterson G. A. Soil attribute prediction using terrain analysis // Journal of Soil Science Society of America. –1993. –Vol. 57. –C. 443–452.

10. Syssouev V. Modelling geosystem differentiation // Вісн. Львів. ун-ту. Сер. геогр. – 2004.

– Вип. 31. –С. 340-349.

11. Understanding GIS: An Arc/Info method. –Redlands, California: Esri, 1994. –420 pp.

ПРОСТРАНСТВЕННЫЙ АНАЛИЗ СТРУКТУРЫ ЛАНДШАФТОВ СОЛЯНОКУПОЛЬНЫХ ПОДНЯТИЙ Петрищев В.П.

Институт степи УрО РАН, Оренбург Псевдотектонические процессы, связанные с образованием соляных поднятий, являются одним из мощнейших факторов, изменяющих ландшафтную структуру регионов проявления данной формы тектогенеза [3]. Более чем 250 соляных структур Южного Приуралья, различных по времени заложения и современной активности, форме соляного ядра и мощности надсолевых пород объединяются в несколько типов, сходных с типологией Ю.А.Косыгина [2]: соляные антиклинали с закрытым размытым ядром, соляные антиклинали с закрытым соляным ядром и открытыми гипсо-ангидритовыми крыльями, соляные купола с открытыми штоками, соляные купола с закрытыми штоками, соляные валы с закрытыми штоками.

Исследования проведены при поддержке грантов РФФИ проекты №04-05-65213 и №04-05- Данные типы представлены на рис.1. Структурно-тектонические особенности каждого типа соляных куполов определяют тип геоморфологического выражения солянокупольного тектогенеза и тип солянокупольного ландшафта. В подтверждение этому служит сопоставление морфологии солянокупольных ландшафтных геокомплексов со структурными особенностями проявления соляной тектоники. Наиболее наглядно морфологическая структура ландшафта может быть отражена с помощью ландшафтной карты, поскольку структура ландшафта запечатлевается в структуре карты.

Математический анализ карты или ландшафтного рисунка [1] позволяет провести корреляцию некоторых геоструктурных и геоморфологических особенностей соляных поднятий с морфологией образуемых ими солянокупольных ландшафтов. Приводимые ниже соотношения относятся к шести наиболее ярко проявляющимся на поверхности соляным поднятиям – Боевогорскому (Мертвосольскому), Булановскому, Тузлуккульскому, Илецкому, Букобайскому, Яковслевскому (Надеждинскому).

Таблица 1. Корреляционные соотношения структурно-геоморфологических и ландшафтно-морфологических параметров солянокупольных ландшафтов Южного Приуралья Кс Кр Кн G -0,40659 0, -0, H -0, -0,91882 -0, L/S -0,50324 -0,1282 -0, Кс – коэффициент сложности ландшафтной структуры, Кр – коэффициент разнообразия, Кн – коэффициент неоднородности;

G – глубина залегания соляного ядра (мощность надсолевых пород), H относительная высота, L/S – горизонтальная расчлененность (отношение длин горизонталей к площади соляного поднятия).

Анализ представляемой таблицы позволяет сделать ряд выводов, касающихся геоструктурной и геоморфологической обусловленности морфологического каркаса солянокупольных ландшафтов. Коэффициент сложности, отражающий степень разбиения ландшафта на элементарные геокомплексы, показывает обратную зависимость от относительной высоты. Чем сглаженнее рельеф над соляным поднятием, тем больше в морфологии ландшафта проявляются геохимические факторы дифференциации его структуры. Таким образом, соляные структуры открытого типа, представленные в рельефе карстовыми озерами и котловинами формируют более сложные по структуре геокомплексов, подчеркивая прямое воздействие соляного тектогенеза на ландшафт.

Несколько иные факторы влияют на ландшафтное разнообразие, т.е. на число разновидностей элементарных ПТК, входящих в состав ландшафта. Чем ближе к поверхности залегает соляное ядро, тем выше значение коэффициента ландшафтного разнообразия, тем контрастнее солянокупольный ландшафт проявляется в общей региональной ландшафтной структуре.

Коэффициент ландшафтной неоднородности, который отражает соотношение реальных и средних площадей составляющих ландшафта, оказывается в наибольшей степени зависимым от амплитуды высот в пределах соляного купола и от горизонтальной расчлененности, т.е. можно сформулировать тот же вывод, что и для коэффициента сложности ландшафта – чем меньше превышение максимальных высот над минимальными и расчленение рельефа, тем выше неоднородность структуры солянокупольного ландшафта.

Меньшую зависимость коэффициенты сложности и неоднородности имеют от глубины залегания соляного ядра. Очевидно, что в солянокупольных ландшафтах Приуралья сочетаются как элементы, присущие зональным степным геосистемам, так и элементы, отражающие влияние соляного диапира. Соотношение этих элементов в пользу зональных будет у структур с глубоко погребенным соляным ядром, а - в пользу составляющих, отражающих соляной тектогенез, у открытых соляных диапиров.

Вполне очевидна зависимость между ландшафтным выражением соляного поднятия и его активностью. Для наиболее активных соляных структур, скорость подъема которых составляет 0,5-1 мм в год, мера сложности составляет 2,2-2,5, разнообразия – 2,9-3,1.

Наиболее сложной морфоструктурой в пределах Южного Приуралья обладает карстово антропогенный ландшафт Илецкого месторождения соли (коэффициент энтропийной сложности составляет 3,0), претерпевшего неоднократные катастрофические события, связанные с развитием соляного карста и подземной добычей соли. За 250 лет добычи соли на этом месторождении произошла инверсия рельефа с образованием обширной озерной впадины и активно протекающими карстовыми процессами.

Таблица 2. Соотношение ландшафтной сложности, разнообразия и неоднородности солянокупольных ландшафтов центральной и бортовой зоны Прикаспийской впадины.

Название ключевого участка Kc Kp Kн Приэльтонье (центральная зона) 1,97 2,51 0, Урочище Боевая гора (бортовая зона) 2,26 3,05 0, Kc – коэффициент энтропийной меры сложности ландшафта;

Kp – коэффициент энтропийной меры разнообразия ландшафта;

Kн - коэффициент ландшафтной неоднородности. Достаточно интересно сравнение скромных по размерам солянокупольных ландшафтов Предуралья с ландшафтами куполов-гигантов Прикаспийской впадины. В качестве сравниваемых эталонов выбраны солянокупольные ландшафты Приэльтонья, отражающие общие для всех куполов-гигантов закономерности влияния на морфоструктуру геосистем. Внешнюю или бортовую зону Прикаспийской области распространения солянокупольных ландшафтов представляет ландшафт (урочище) Мертвосольской (Боевогорской) структуры, характерной для северо-восточных (Предуральских) и юго-восточных (Южно-Эмбенских) окраин Прикаспийской впадины.

За основу при расчетах были взяты коэффициенты энтропийной сложности, разнообразия и неоднородности А.С.Викторова [1]. Для составления схемы ландшафтного рисунка были использованы опубликованные материалы В.А.Николаева [3] по ландшафтам Приэльтонья и данные собственных полевых исследований в указанных районах.

Тектоническая G Кс структура H Ландшафтный рисунок 3D-изображение Кр L/S Кн Боевогорский 25 2, (Мертвосольски 120 3, й) шток 5,5 0, Булановское поднятие 50 2, Салмышского 85 2, вала 2,0 0, 50 2, Тузлуккульская 85 3, антиклиналь 1,4 1, Рис. 1 а. Соотношение морфоструктуры солянокупольных ландшафтов и геотектонических особенностей, образующих их соляных поднятий.

Анализ полученных результатов показывает, что по степени сложности неоднородности принципиальных различий между сравниваемыми ландшафтами нет.

Определенное различие в сложности ландшафтной структуры связано с размерами территории, вовлеченной в неотектонический подъем. Если размеры солянокупольного ландшафта Эльтона составляют 20-22 км, то протяженность урочища Боевая гора – не более 2 км. Существенным является различие в ландшафтном разнообразии между представленными ландшафтными комплексами. Приэльтонье располагается в пределах раннехвалынской аккумулятивной равнины, в зональном отношении относящейся к северной подзоне полупустыни. Боевая гора находится на эрозионно-денудационной олигоцен-миоценовой равнине Подуральского плато, приуроченной к южной подзоне степной зоны. Таким образом, в зону соляного тектогенеза оказываются вовлеченными геосистемы различного уровня взаимодействия зональных и азональных факторов.

Поэтому заведомо трудно сопоставимыми будут ландшафты солянокупольных поднятий бортовых частей Прикаспийской впадины, где они вписаны в общерегиональную систему ландшафтогенеза, и уникальные ландшафты куполов-гигантов, которые резко контрастируют с полупустынными геосистемами морской аккумулятивной равнины.

Приведенное сопоставление ландшафтной структуры солянокупольных ландшафтов позволяет сделать следующий вывод: если сложность ландшафтной структуры связана с тектоническими и геологическими факторами, то ландшафтное разнообразие изменяется в зависимости от принадлежности солянокупольного ландшафта к тем или иным региональным физико-географическим (ландшафтным) таксонам – районам, провинциям.

Резюмируя изложенное, следует подчеркнуть, что, будучи самостоятельным тектоническим телом с собственным режимом тектонической активности, каждый из соляных куполов соответственно образуют по-своему уникальный ландшафт. Этим обусловливается часто встречающееся резкое различие между иногда близлежащими солянокупольными ландшафтами, принадлежащими к одной физико-географической провинции или району.

Тектоническая G Кс структура H Ландшафтный рисунок 3D-изображение Кр L/S Кн Илецкий шток 0 3, (Илецкое 30 2, месторождение 1,4 0, соли) 200 2, Букобайская 75 2, антиклиналь 3,3 0, 100 2, Яковлевская 130 2, антиклиналь 2,8 0, Рис. 1 б. Соотношение морфоструктуры солянокупольных ландшафтов и геотектонических особенностей, образующих их соляных поднятий.

Литература.

1. Викторов А.С. Рисунок ландшафта. М.: "Мысль", 2. Косыгин Ю.А. Соляная тектоника платформенных областей. М.-Л., Гостоптехиздат, 3. Николаев В.А., Копыл И.В., Пичугина Н.В. Ландшафтный феномен солянокупольной тектоники в полупустынном Приэльтонье. Вестн. Моск. ун-та, сер. 5 «География», № 2, 1998, с. 35-39.

КАРТОГРАФИРОВАНИЕ ЗАКОНОМЕРНОСТЕЙ РАСПРЕДЕЛЕНИЯ СНЕЖНОГО ПОКРОВА В ЛАНДШАФТАХ ДЛЯ ЦЕЛЕЙ РАЦИОНАЛЬНОГО ЗЕМЛЕУСТРОЙСТВА Плохих Р.В.

Институт географии ЦГГИ МОН РК, г.Алматы Снежный покров в формировании и динамике степных ландшафтов сельскохозяйственного назначения выступает в качестве сезонного яруса, обусловливающего наряду с другими ландшафтоформирующими факторами их дифференциацию. Выявление закономерностей распределения снежного покрова в природно-территориальных комплексах (ПТК) важно для практики сельскохозяйственного природопользования, поскольку данная информация позволяет определить допустимые пределы изменений при направленной сельскохозяйственной трансформации ландшафтной структуры. Изучение роли снежного покрова в дифференциации степных ПТК, а именно, в формировании определенной степени ландшафтной неоднородности территории, влиянии на урожайность в земледелии и продуктивность пастбищ осуществлялось в 2005г. на территории НИИЗХ им. А.И.Бараева (бывший Всесоюзный научно-исследовательский институт зернового хозяйства в Шортандинском районе Акмолинской области) в рамках проекта научных прикладных исследований «Ландшафтное картирование и разработка тематических карт пилотных объектов Акмолинской области» по заказу Государственного научно-производственного центра земельных ресурсов и землеустройства (г.Астана).

Одной из поставленных в проекте задач стало создание карты распределения снежного покрова масштаба 1:25000 с учетом ландшафтной организации территории.

Анализ пространственных особенностей залегания снежного покрова основывался, прежде всего, на выявлении взаимосвязей между климатическим характеристиками, особенностями покрытия подстилающей поверхности, формами и элементами рельефа, поскольку данные показатели являются наиболее значимыми для района активного сельскохозяйственного землепользования.

Изучение и картографирование закономерностей распределения снежного покрова на территории хозяйства включали сбор и анализ количественных и качественных климатических показателей: температурный режим, характер и количество выпадающих атмосферных осадков, их сезонный и годовой ход, закономерности атмосферной циркуляции, ветровой режим, данные о продолжительности залегания снежного покрова и количестве накопленной в нём влаги, повторяемость основных по условиям снежности типов зим и др.

Рассмотрим отдельные климатические факторы, предопределяющие особенности формирования и динамики снежного покрова на территории НИИЗХ:

- длительность периода со средней суточной температурой воздуха ниже 0°С изменяется по территории хозяйства от 137 до 188 дней;

- самый холодный месяц на всей территории хозяйства - январь со значениями -14,8 16,9 С;

- в среднем за холодный период наблюдается от 4 до 13 дней с температурой ниже 25, а в отдельные холодные годы даже 45 дней;

- по средним датам снежный покров в северной части хозяйства появляется на 2 дня раньше, чем в южной с колебаниями в отдельные годы от 7 до 9 дней;

по средним датам устойчивый снежный покров в северной части хозяйства формируется на 2 дня раньше, чем в южной с колебаниями в отдельные годы от 5 до 9 дней;

- по средним датам устойчивый снежный покров разрушается в северной и южной частях хозяйства одновременно, с более ранними сроками в отдельные годы до 9 дней в южной части;

по средним датам снежный покров сходит в южной части хозяйства на дня раньше, чем в северной с колебаниями в отдельные годы от 3 до 7 дней;

- число дней со снежным покровом для северной части хозяйства составляет 159, для южной – 157;

- глубина промерзания почвогрунтов по годам варьирует от 50 до 250 см;

- среднее число дней с сильным ветром (более 15 м/сек) составляет для северной части территории хозяйства 35 (по данным ст. Акколь), для западной – 17 (ст. Жалтыр), для южной – 40 (ст. Астана);

увеличение повторяемости дней с сильным ветром наблюдается на всей территории хозяйства в период ноябрь-январь, снижение – в феврале;

- в зимний период на всей территории хозяйства наибольшую повторяемость имеет ветер юго-западного направления, несколько меньшую – западного и южного;

- для ветров юго-восточного направления наблюдается интересная закономерность, связанная с особенностями рельефа, большей их повторяемости в южной, юго-западной и западной частях исследуемой территории и очень редкая в северной, северо-восточной и восточной;

- доля повторяемости штилей за год для характерных метеостанций в северной части территории хозяйства – 14%, в западной – 10%, в южной – 11%, в восточной – 5%;

в зимний период высокая повторяемость штилей отмечается в октябре и декабре-январе;

- мощность снежного покрова в склоновых ПТК северо-восточной экспозиции при повышении местности на каждые 10 м увеличивается на 2 см;

- средние из наибольших декадных высот снега за зиму для отрицательных форм рельефа составляют 25-26 см, с амплитудой колебания высот от 6 до 59 см;

- средняя декадная высота снежного покрова имеет максимальные значения в период - III декада февраля - I декада марта;

большие значения средней декадной высоты снежного покрова наблюдаются в северной части хозяйства;

- показатели среднего из максимальных и максимального прироста высоты снежного покрова за сутки связаны с фактором вероятности быстрого снегооотложения за короткий временной интервал;

средний из максимальных приростов высоты снежного покрова за сутки имеет наибольшие значения в ноябре (ст. Акколь и Астана), январе и феврале (ст.

Астана);

максимальный прирост высоты снежного покрова за сутки (более 15 см/сут.) наблюдается по ст. Астана в октябре, январе и феврале;

по ст. Акколь в – октябре, ноябре, декабре, феврале и марте;

- отмечаются несколько периодов максимального снегонакопления: II декада ноября, II-III декада декабря, II декада января, I-II декада февраля;

- наименьшая декадная высота снежного покрова отмечается в I декаде декабря, III декаде января и II-III декаде февраля;

- средняя плотность снежного покрова при наибольшей декадной высоте выше в северной части территории хозяйства – 293 кг/куб. м, по сравнению с южной – 282 кг/куб.

м;

- средний за зиму запас воды в снежном покрове составляет 60-80 мм, наибольший – 148-165 мм, наименьший в отдельные годы не превышает 28 мм.

Для выяснения влияния элементов рельефа на снегоотложение, интенсивность таяния и впитывание талых вод в 1974-1984 гг. проводились исследования на территории совхоза имени КазЦИК (ТОО Бектау) и опытного хозяйства ВНИИЗХ Шортандинского района (Азаров Н.К., 1996). Установлено, что мощность снежного покрова на наветренных экспозициях склонов (запад, юг, юго-запад, северо-запад) меньше, чем на равнине (контроль) и определяется шероховатостью поверхности почвы, высотой растительных остатков, крутизной склона. На наветренных склонах при одинаковой крутизне, но различных экспозициях снежный покров распределяется неравномерно. Так, при западной экспозиции его высота меньше контроля в среднем на 14%, южной - на 24%, юго-западной - на 17%, северо-западной - на 9%. На заветренных склонах (север, северо восток, восток) мощность снежного покрова значительно больше, чем на контроле.

Распределение снега по экспозициям во многом зависит от направления зимних ветров, особенно во время метелей. В районе исследований часто повторяются метелистые ветры южных и юго-западных направлений, поэтому снег на склонах этих экспозиций откладываются только за счет растительных остатков и шероховатости почвы, мощность снежного покрова при этом значительно меньше, чем на равнине.

Элементы рельефа являются исключительно важным фактором, определяющим время схода снежного покрова с полей. Таяние снега на склонах различных экспозиций начинается неодновременно. Нижние их участки, независимо от стороны горизонта, освобождаются от снега на 3-5 дней раньше, чем водораздельные участки. На северных и северо-восточных склонах снег сходит в среднем на 5-13 дней позднее, чем на южных, которые имеют всегда меньшую мощность снежного покрова.

Анализ факторов, определяющих особенности формирования и динамики снежного покрова, позволил создать пространственно-подобную картографическую модель территории НИИЗХ (рисунок 21, цветная вклейка). Нами была выполнена типизация ПТК по снегонакоплению, в результате чего выделены их четыре категории: с большой мощностью снега (более 40 см), со средней мощностью снега (31-40 см), с малой мощностью снега (21-30 см), с очень малой мощностью снега (менее 20 см). Поскольку выпадение снега, как правило, сопровождается сильными метелями и поземкой, а основной вид использования ПТК – земледельческий, для которого характерно наличие стерни на полях в зимний период, снег начинает задерживаться от первых снегопадов и распределяется по земной поверхности довольно равномерно. При наличии естественных и искусственных препятствий и при сильных ветрах начинается перенос снега и усиленное снегоотложение на стерне, в понижениях рельефа и на заветренных склонах (таблица 1).

Территориально снежный покров большой мощности (31-40 и более 40 см) откладывается в центральной части территории НИИЗХ и в ПТК эрозионных ложбин и западин. Мощность снега 21-30 см характерна для южной, северо-западной и северо восточной частей территории хозяйства. Наименьшее снегонакопление наблюдается в крайней южной и северо-западной частях территории, и в пределах урочищ склона северных экспозиций местных водораздельных поверхностей, с эрозионным расчленением, сложенные гранитами, гранодиоритами, плагиогранитами, перекрытые четвертичным делювиально-пролювиальным чехлом рыхлых отложений, с разнотравно типчаково-разноковыльной растительностью, на черноземах южных карбонатных, в комплексе с лугово-черноземными и солонцами степными (номера урочищ – 38, 40, 41).

Определенное влияние на снегоотложение оказывают культурные ландшафты, в частности, защитные лесонасаждения вдоль железной дороги в центральной части территории хозяйства.

Неравномерное отложение и сход снежного покрова, зависящий от степени разорванности сплошного ареала снежного покрова, мощности слоя снега, экспозиции и микрорельефа склоновых ПТК, степени загрязненности снега, обуславливают разное накопление продуктивной влаги почвой. Так, наибольшие запасы продуктивной влаги в метровом слое почвы накапливаются в склоновых ландшафтах северных и восточных экспозиций, наименьшие – южных и западных экспозиций. Запасы влаги в почве к началу весеннего периода в склоновых ландшафтах северных и восточных экспозиций почти в два раза выше, чем южных и западных.

Проведенные исследования позволили дополнить представление об участии снежного покрова в формировании и динамике ПТК и обосновать следующие положения:

- снежный покров оказывает воздействие на характер границ между природно территориальными комплексами, что проявляется в тенденции перемещения границ и различной их резкости;

- сезонная и многолетняя динамика снежного покрова влияет на структуру ПТК;

- снежный покров воздействует на тип ландшафтных связей и влияет на характер обмена веществом и энергией в ПТК;

- характер и особенности развития физико-географических процессов на территории НИИЗХ обусловлены в значительной мере ведущими параметрами снежного покрова (продолжительность залегания, мощность, снегозапасы и др.);

- связь снегозапасов с поверхностным стоком фактически предопределяет характер, интенсивность, глубину и степень проявления комплекса природных и антропогенно обусловленных процессов (плоскостного смыва, линейной эрозии и др.).

Наиболее отчетливо воздействие снежного покрова проявляется в формировании разных уровней ландшафтной организации территории (региональный и локальный). При планировании и организации системы рационального землеустройства, учет основных характеристик снежного покрова и его роли в дифференциации ПТК разного иерархического уровня обеспечивает объективную основу оценке и прогнозированию интенсивности развития неблагоприятных физико-географических процессов.

Таблица 1 – Распределение видов урочищ по категориям снегоотложения Категория снегоотложения большая средняя малая очень малая мощность мощность мощность мощность снега снега снега снега Вид урочищ (более 40 см) (31-40 см) (21-30 см) (менее 20 см) Местные водораздельные поверхности денудационных структурных равнин (1-6)* Местные водораздельные поверхности денудационных цокольных равнин (7)* Склоны южных экспозиций местных водораздельных поверхностей денудационных структурных равнин (8-16)* Склоны северных экспозиций местных водораздельных поверхностей денудационных структурных равнин (17-45)* Склоны южных экспозиций местных водораздельных поверхностей денудационных цокольных равнин (46-49)* Эрозионные ложбины временных и постоянных водотоков (50-57)* *Номера урочищ даны согласно легенде к ландшафтной карте территории НИИЗХ Шортандинского района Акмолинской области масштаба 1:25000.

ОЦЕНКА ПОТЕНЦИАЛЬНОЙ БИОЛОГИЧЕСКОЙ ПРОДУКТИВНОСТИ ЮЖНО-ТАЕЖНЫХ ЛАНДШАФТОВ ПО ДАННЫМ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ Р. Б. Сандлерский Географический факультет МГУ и. М. В. Ломоносова srobert_landy@mail.ru При планировании лесного и сельского хозяйства полезно совершенствовать оценки чистой биологической продуктивности, доли солнечной энергии, затрачиваемой на транспирацию и производство биологической продукции как с учетом, так и без учета свойств почв и рельефа, влияющих на соотношение затрат энергии на продукцию и транспирацию. Получить такие оценки на основе наземных измерений практически невозможно. Они возможны на основе дистанционных данных дистанционного зондирования отображающих энергетическое состояние земной поверхности в момент съемки в различных спектральных диапазонах. Спутниковые измерения отраженной солнечной энергии в сопоставлении с солнечной постоянной позволяют рассчитать поглощенную солнечную энергию на единицу поверхности и эксергию – долю поглощенной солнечной энергии, идущую на продуктивность и транспирацию (Jorgensen, Svirezhev, 2004). В термодинамике, откуда понятие эксергии (“exergy”) вошло в экологию и другие дисциплины, эксергия – это максимальная работа, которую может совершить термодинамическая система при переходе из данного состояния в состояние равновесия со средой. Эксергией иногда называется работоспособность системы – функция дистанции между текущим состоянием системы и термодинамическим равновесием.

Измерение эксергии по мультиспектральной съемке осуществляется через дистанцию между распределением мощностей по спектру поглощенной солнечной энергии для единицы поверхности и равновесным состоянием, с гипотетическим поглощением солнечной энергии пропорционально распределению мощностей в спектре солнечной постоянной. Степень отклонения реального спектра поглощения от равновесного оценивается как энтропия Кульбака (K) (Jorgensen, Svirezhev, 2004) – мера различия двух сравниваемых распределений и параметр открытых неравновесных термодинамических систем:

p out p out ln i in K= p i i где piout/piin – доля отраженной/поступившей энергии в канале i от суммарной отраженной /поступившей энергии.

Эксергия (Ex), оцениваемая через энтропию Кульбака:

E out Ex = E out K + ln in + R E где Ein – суммарный приход энергии, Еout – суммарная отраженная энергия, R – суммарная поглощенная энергия.

Величина эксергии дает представление об энергетических затратах на транспирацию и продуктивность. Для оценки непосредственных затрат энергии на продукцию можно Исследования выполнены при финансовой поддержке проекта РФФИ №06-05-64937а использовать соотношение отраженной энергии в красном (RED) и ближнем инфракрасном диапазонах (NIR), лежащее в основе расчета распространенного индекса NDVI (Normalized Difference Vegetation Index), тесная связь которого с чистой первичной продукцией хорошо исследована и доказана в работе Ю. Г. Пузаченко и А. Г. Санковского (2005).

Отношение разности отраженной энергии в ближнем инфракрасном и красном диапазонах к эксергии позволяет оценивать долю энергии, затраченной на производство биологической продукции (NPPEX%):

NIR - RED NPPEX% = 100 Ex Доля энергии, затраченной на транспирацию (TREX%):

Ex - (NIR - RED) TREX% = 100 Ex Информативность предлагаемых оценок рассмотрена на примере территории Центрально-Лесного биосферного заповедника и его охранной зоны – 32°53’ В.Д., 56°46’ С.Ш. Ландшафт заповедника: моренно-грядовая возвышенность с темнохвойными неморальными и бореальными естественными лесами, в сочетании с лесными и верховыми болотами, ветровалами, вырубками, разновозрастными вторичными лесами и используемыми и заброшенными полями и лугами. На этой территории проведено более 2000 полевых описаний состояния растительности, гранулометрического состава почвообразующих пород, мощности почвенных горизонтов и их окраски по шкале Манселла, так же построена на основе топографической карты масштаба 1: цифровая модель рельефа. На территории осуществлены наземные измерения состояния древесного полога: сумма площадей сечений древостоя (BSA, м/га2) и листового индекса (LAI) рассчитанного по цифровой фотографии (цифровой фотоаппарат с объективом Fisheye) на трансекте длиной 7.3 км с шагом 20 м в различные сезоны года. Разнообразие территории и обеспеченность ее полевыми измерениями позволяет хорошо тестировать физический смысл полученных оценок.

Составляющие энергетического баланса рассчитаны по спектрозональной съемке Landsat 5, 7 с пространственным разрешением 28.5 м. Мультиспектральные сканеры этих спутников позволяют рассчитать величину отраженной радиации в полосе длин волн для 0.45 – 2.35 µm, с температурным каналом 10.12 – 14.5 µm, охватывая, таким образом, большую часть спектра солнечной радиации. Расчет выполнен для пяти сроков: 22 марта 2001 г, 27 апреля 2000 г, 3 мая 1990 г, 20 июня 2002 г, 27 сентября 2000 г. Спутники снимают эту территорию в 11 часов 30 мин по московскому времени. В это время суток обычно наблюдается наиболее интенсивный фотосинтез.

Таблица 1.Характеристики энергетического баланса в целом для территории Переменные март апрель май июнь сентябрь Общая поглощенная 858.00 1435.93 1426.97 1613.04 1008. энергия (R), Вт/м Эксергия (Ex), Вт/м2 509.86 1126.44 1150.42 1257.04 789. Затраты на чистую – 1.7 1.4 4.5 2. продукцию, NPPEX%% В таблице 1 представлены составляющие энергетического баланса для исследуемой территории. Полученные общие оценки затрат энергии на чистую продукцию не противоречат существующим представлениям. На чистую продукцию, по различным оценкам идет 0.1 – 0.2% эксэргии солнечной радиации (Бродянский, Бандура, 1996, Hall, Rao, 1999). Ю.М. Свирежев и С. В. Йоргенсон (2004) приводят для умеренных широт среднюю оценку доли энергии идущей на производство чистой биологической продукции – 0.9%. Полученная средняя оценка для июня – 4.5%, что вполне приемлемо для времени наблюдения с максимальным фотосинтезом.

На рисунке 22 (цветная вклейка) представлены эксергия (Вт/м2) и доля поглощенной солнечной энергии идущей на производство биологической продукции (%%), рассчитанные для 20 июня 2002 года. Не проводя глубокого анализа можно выделить несколько типов ландшафтного покрова, различающихся по структуре энергетического баланса – рисунок 2. Выделяются по низкой эксергии и затратам на производство продукции верховые болота, аналогичными показателями характеризуются селитебные земли. В целом леса имеют большую эксергию и большие различия в доле энергии идущей на производство продукции. Зарастающие поля и вывалы характеризуются средней эксергией и, в целом, высокой долей энергии идущей на производство продукции.

Характеристики энергетического баланса достоверно описываются измеренными в поле свойствами растительности: так пространственное варьирование по трансекту эксергии и доли энергии, затраченной на продуктивность определяются суммой площадей сечений деревьев (м3/га) на 82% и 21%, а листовым индексом на 83% и 20% соответственно.

В таблице 2 представлены результаты регрессионного анализа зависимости эксергии и доли солнечной энергии затраченной на производство биологической продукции от свойств растительности (анализ выполнен на основе более 1000 комплексных полевых описаний). Анализ показывает, что возраст, запасы и состав леса определяет для июня до 41% варьирования эксергии и до 37% затрат энергии на производство биологической продукции. Высота и соответственно возраст леса положительно влияют на величину эксергии и отрицательно на энергозатраты на производство продукции, что соответствует общим представлениям. Хвойные породы при прочих равных условиях имеют большую эксергию и меньшие затраты энергии на производство продукции по сравнению с широколиственными и мелколиственными.

, %% 5 Х - эксергия, Вт/м, / Y - затраты энергии на продуктивность, %% Рисунок 2. Основные типы ландшафтного покрова по соотношению составляющих энергетического баланса: 1 – зарастающие сельскохозяйственные земли, 2 – вырубки и вывалы, 3 – леса, 4 – верховые болота, 5 – селитебные земли, 6 – пруды Таким образом, значения и соотношение эксергии и затрат энергии на производство биологической продукции позволяют с высокой надежностью, с разрешением 60х60 м на местности, определить запасы и состав древесины, а также оптимальный возраст рубки.

Таблица 2. Регрессионный анализ зависимости энергетических характеристик от свойств растительности Энергетические характеристики Характеристики растительного Затраты энергии Эксергия, Вт/м покрова на продуктивность, %% параметры модели B t B t константа 1224.21 243.29 5.25 31. Высота леса 1.66 11.81 -0.24 -7. Суммы площадей сечений (м /га):

Ель 1.19 8.87 -0.33 -10. Сосна 0.66 1.26 -0.10 -3. Мелколиственные породы 0.13 0.91 0.17 5. Широколиственные породы -0.47 -1.39 0.14 4. Проективное покрытие (%%):


Кустарники 0.17 2.98 - Травы -0.18 -3.71 0.07 2. Мхи 0.12 2.65 -0.16 -4. Коэффициент детерминации (R2) 0.41 0. Рисунок 3. Карта потенциальной продуктивности как результата перераспределения влаги и тепла рельефом: чем светлее, тем больше потенциальная продуктивность На основе регрессионного анализа зависимости доли энергии затраченной на производство биологической продукции от свойств рельефа на различных иерархических уровнях (анализ выполнен по цифровой модели рельефа и рассчитанных по ней морфометрических характеристик:

форма поверхности, крутизны, освещенность) без учета растительности, установлено, что варьирование характеристик рельефа описывают 18% варьирования затрат энергии на производство продукции, что позволяет построить карту потенциальной продуктивности как результата перераспределения влаги и тепла рельефом – рисунок 3.

Максимальная потенциальная продуктивность предсказывается на наиболее крутых и соответственно дренируемых склонах моренных гряд преимущественно южной экспозиции.

Регрессионный анализ показывает, что затраты энергии на производство продукции статистически надежно определяются также гранулометрическим составом почв, мощностью гумусового и подзолистого горизонтов и степенью окислительного процесса.

Для лесных территорий свойства почвы описывают 17% варьирования затрат энергии на производство продукции, для сельскохозяйственных – 27%. Так как состояние растительности надежно воспроизводиться через рельеф и каналами дистанционной мультиспектральной съемки, то предлагаемая методика позволяет оценить вклад в продуктивность свойств почвы и рельефа. Использование сцен за разные сезоны года позволяет оценить длительность периода вегетации на различных элементах рельефа и почвах и выявить сезонные особенности функционирования различных типов ландшафтного покрова: так, например верховые болота наиболее активны весной и осенью, а не летом в отличие от лесов.

В целом, предлагаемая технология позволяет оценить текущую и потенциальную биологическую продуктивность любой территории и с определяемой точностью оценить качество земель и на этой основе определить наиболее эффективные формы их использования.

Автор выражает признательность профессору, доктору географических наук Ю. Г.

Пузаченко за постановку проблемы и общее руководство работой.

Литература.

Jorgensen S.V., Svirezhev Y. M. 2004. Towards a Thermodynamic Theory for Ecological Systems. Elsevier Ltd. The Boulevard, Oxford UK, – 369 p.

Hall D. O., Rao K.K. 1999. Photosynthesis, 6th Edition, Studies in Biology, Cambridge University Press. – 258 p.

Бродянский В., Бандура А. 1996. Ресурсы ноосферы и экономика//Энергия № 10, С. 12 – Пузаченко Ю.Г., Санковский А.Г. 2005. Климатическая обусловленность чистой продукции биосферы Известия РАН сер. Географ. 5,. С. 14 – АНАЛИЗ ЛАНДШАФТОВ С ПРИМЕНЕНИЕМ ЭКОЛОГИЧЕСКОЙ КОНЦЕПЦИИ НИШИ Свидзинская Д.В.

Киевский национальный университет им. Т. Шевченко, Киев d_svidzinska@univ.kiev.ua Вступление. Ландшафт, как открытая система, функционирует под влиянием многочисленных факторов, которые имеют различную природу. Именно поэтому его всестороннее познание требует глубокого изучения не только внутренней структуры, но и тех факторов, под действием которых происходит ее формирование, динамические и эволюционные изменения. Такие исследования реализуются путем установления конкретных связей и взаимозависимостей между ландшафтами и определяющими для них факторами природной и антропогенной сред.

Изучение ландшафтов в данном аспекте опирается на понятие многомерного факторного пространства, которое в зависимости от отношения факторов к ландшафту, может быть разделено на внутреннее и внешнее:

внешнее факторное пространство ландшафта образовано характеристиками окружающей среды, которые зависят от ландшафтов высшего иерархического уровня, и подчиняется процессам экзорегуляции. Оно формируется внешними независимыми от ландшафта факторами, которые определяют его генетические черты, эволюционные тенденции и особенности пространственной конфигурации;

внутреннее факторное пространство ландшафта формируется его собственными признаками, составляющими нижнего иерархического уровня и поддерживается процессами эндорегуляции. Сформированное внутренними факторами, оно характеризует ландшафт с позиций состояния и внутренних особенностей.

Каждый фактор при условии наличия количественной его характеристики может быть упорядочен в ось ранжированных значений, которые различаются силой своего влияния на ландшафт. Тогда под факторным пространством ландшафта будем понимать евклидово пространство, координаты которого представлены ранжированными ландшафтными факторами (факторными векторами).

В ландшафтной экологии определились два традиционных направления анализа факторов пространственного распределения и динамики ландшафтов. Первое связано с исследованием внешнего факторного пространства ландшафтных комплексов. Второе концентрируется на распределении значений ландшафтных факторов в нем, т.е.

предметом исследования выступает внутреннее факторное пространство ландшафта. Оба похода объединяет концепция экологической ниши, но, если в первом случае ниша строится для самого ландшафта и ее измерениями выступают признаки его внешней среды, то во втором – сам ландшафт рассматривается как местообитание с определенным набором ниш для разных биологических популяций, видов хозяйственной деятельности и т.п., а их измерениями выступают его внутренние характеристики.

В данной работе под нишей ландшафта будем понимать такую часть внешнего многомерного факторного пространства, где для существования того или иного ландшафта обеспечиваются нормальные условия и достаточные количества ресурсов. В пределах этого идеализированного объема, по аналогии с экологией, будем выделять реализованную нишу ландшафта, которая предоставляет благоприятные условия и количества ресурсов, исключает неблагоприятные комбинации значений ландшафтных факторов и учитывает эффект конкуренции ландшафтов за площадь.

Целью данной статьи является демонстрация метода геоинформационного анализа ландшафтных комплексов с применением экологической концепции ниши, а также описание основных аспектов практической интерпретации его результатов.

Материалы и методы. Рабочим инструментарием обработки, организации и анализа выступала программная среда ArcGIS/ArcInfo v. 9.x, которая является полнофункциональной ГИС, обеспечивающей на сегодняшний день наиболее широкий спектр процедур пространственного анализа данных.

В качестве исходных материалов исследования были использованы: ландшафтная карта Украины масштаба 1: 2 500 000 (предварительно переведенная автором в цифровой вариант), а также статистические поверхности, показывающие пространственное распределение значений следующих факторов – радиационный баланс (МДж/м2, год), среднее количество осадков (мм, год). Разумеется, существование любого ландшафта описывается значительно большим числом переменных, но некоторые из них могут быть неизвестными или сложно поддаваться ранжированию и измерению. Поэтому, при исследовании реальных взаимоотношений, речь может идти лишь о частичном факторном пространстве, мерность которого следует ограничивать, руководствуясь следующими соображениями: классификационная принадлежность ландшафта, иерархический уровень и цель исследования. Исходя из этих позиций и были отобраны вышеперечисленные факторы. Соотношение тепла и влаги является определяющим при формировании ландшафтных комплексов регионального уровня. Кроме того, рамки статьи требуют лаконичного изложения сути метода и его практических преимуществ, поэтому в качестве иллюстративного примера была отобрана данная комбинация климатических факторов, которые по своей сути являются главными определяющими динамики и функционирования любого вида ландшафтных комплексов.

В первую очередь было необходимо четко определить диапазоны значений по выбранным факторам в пределах которых существует каждый вид ландшафта. Для этого был создан грид – графический слой, состоящий из регулярной сети точек. Расстояние между точками составляет 10 км – такая величина выбрана с учетом масштаба исходных картографических материалов: шаг в 10 км позволяет четко отобразить основные закономерности пространственной структуры исследуемых явлений и предотвращает накопление непродуктивных данных, которые дублируют информацию и замедляют аналитические операции. Исходным набором атрибутов для каждой точки были: пара пространственных координат (широта, долгота) и тип ландшафта, который она презентует. Общее количество точек грида для всей территории Украины составляет 963, но поскольку из анализа исключаются территории, занятые горными и пойменными ландшафтами (т.к. их образование связано с гипсометрическим фактором и особенностями гидрологической сети территории, проводить их анализ по отношению к чисто климатическим факторам некорректно), а также крупными гидрологическими объектами (прежде всего, каскадом Днепровских водохранилищ), исходное количество аналитических точек уменьшилось до 4 957. Таким образом, в состав аналитической базы вошло 100 видов ландшафтов, каждый из которых, в зависимости от площади, описывался определенным количеством точек: от 4 до 333. Затем исходный набор атрибутов дополнялся численными значениями факторов, снятыми с соответствующих статистических поверхностей в процессе оверлейного анализа (инструмент Extract Values To Points).

Процедуры построения и дальнейшего анализа частичных реализованных ниш ландшафтов также осуществлялись средствами геоинформатики. Традиционно ГИС работают с пространственно-координированными данными, но координаты географического пространства легко могут быть заменены системой координыт факторного, т.е. вместо кординат земной поверхности можно ввести систему координат избранных факторов. Таким образом, прописанные для каждой точки грида значения факторов определяли ее положение в частичном факторном пространстве их двухмерной комбинации.


Использование особенностей ГИС в таком ракурсе дало возможность построить серию точечных тем, которые отображают положение каждого вида ландшафта в координатах выбранных факторов среды. После этого, последовательно выделяя группы точек, презентующих отдельные виды ландшафтов, вырисовывались контура ниш. Их конвертация в формат полигонов дала возможность оценить ниши по двум основным показателям: объем (как функция площади в двумерном пространстве) и мера перекрытия (пересечение полигонов оценивалось с помощью инструмента Intersect).

Расчет третьего показателя – функции приспособленности ландшафта к действию факторов – базируется на той закономерности, что расположение точек внутри ниши неоднородно. В таком случае приспособленность является функцией плотности распределения точек на плоскости пересечения двух факторов. Поэтому для расчета этого показателя использовался инструмент Density блока Spatial Analyst, с помощью которого был построен ряд статистических поверхностей, описывающих распределение функции приспособленности внутри каждой отдельно взятой ниши (рис. 1).

Путем последовательного оверлейного анализа точечных тем и поверхностей распределения функции приспособленности, были получены ее значения в каждой точке аналитического грида (это стало возможным при обратной замене координат факторного пространства географическими). Построение поверхности, демонстрирующей пространственное распределение значений функции приспособленности, производилось методом сплайн-интерполяции.

Сплайн относится к группе детерминированных интерполяционных методов, базирующихся на закономерностях пространственной автокорреляции. Значения рассчитываются с применением математической функции, которая выстраивает поверхность таким образом, чтобы она проходила через все исходные точки, одновременно минимизируя ее общую кривизну. Благодаря этим своим особенностям сплайн наилучшим образом демонстрирует тонкие отличия пространственных явлений.

Т.к. пространственные вариации функции приспособленности имеют достаточно сложную и неоднородную форму, выбор был остановлен именно на этом методе.

Результаты и их обсуждение. В результате всех вышеперечисленных манипуляций с исходными данными была построена карта приспособленности ландшафтов Украины к совместному действию основных климатических факторов, которая позволяет оценить ландшафтные комплексы с позиций устойчивости, уникальности и общей созологической ценности (рис. 23, цветная вклейка).

Рис. 1 Вид поверхности распределения значений функции приспособленности в пространстве факторов осадки-радиационный баланс (ландшафт – террасовые равнины с дерново-среднеподзолистыми почвами под суборами) Данная карта позволяет точно определить пространственное расположение ареалов с оптимальными условиями существования для различных ландшафтов. Максимальными значениями приспособленности характеризуются следующие виды:

1. Полесье (приспособленность 4-6,5): возвышенности и равнины (конечно моренные, моренно-зандровые, аллювиально-зандровые, террасовые песчаные) с дерновыми (слабо- и среднеподзолистыми, глеевыми) почвами под борами и суборами;

2. Лесостепь (приспособленность 6-10): расчлененные лессовые равнины с глубокими средне- и малогумусными черноземами под грабово-дубовыми лесами;

3. Степь (приспособленность 8-10): лессовые сильнорасчлененные возвышенности и их склоны с черноземами обыкновенными, а также слабоволнистые равнины с черноземами южными малогумусными карбонатными в пределах Крымского п-ова.

При наложении на поверхность распределения функции приспособленности контурной ландшафтной карты, заметно, что значения распределяются весьма неоднородно даже в пределах ареала распространения одного вида ландшафта. Как правило, максимальные значения характеризуют центральную часть контура, постепенно снижаясь по направлению к внешней границе. Это говорит о том, что каждый вид ландшафта имеет т. наз. «типологическое ядро», которое отличается стабильностью, консервативностью и презентует характерные черты данного вида ландшафта. Краевые зоны, наоборот, представляют собой активные, динамические и чувствительные к колебаниям и изменениям внешних факторов экотоны, их мозаичная структура сложна и изменчива вследствие проникновения и замещения ландшафтами соседних видов. Данный подход позволяет выделить те участки, где анализируемые ландшафты в пределах всего ареала их распространения являются наиболее устойчивыми.

Виды ландшафтов, характеризующиеся максимальными значениями приспособленности, будучи наиболее устойчивыми, одновременно являются и наиболее банальными в типологическом отношении. Эту закономерность подтверждают показатели объема и меры перекрытия ниш. Наиболее устойчивые виды ландшафтов обладают большими нишами, которые зачастую могут включать в себя области существования других видов, т.е. в значительной мере перекрываться с другими нишами. Это говорит о том, что в структурном отношении они являются «коренными», а другие виды могут рассматриваться как некоторые отклонения от нормы, чье формирование и функционирование обусловлено дополнительными характеристиками среды (такими, например, как уровень залегания грунтовых вод или же особенности солевого режима почв). Таким образом, невысокие значения приспособленности и объемы ниш характеризуют слабые в структурно-динамическом отношении ландшафты, которые занимают небольшие территории и являются уникальными по своей сути.

Выявленные закономерности также могут быть положены в основу прогнозирования динамических тенденций в случае флуктуаций климатических факторов. Зная оптимальные значения факторов в пределах которых формируются наиболее устойчивые виды ландшафтов и имея представления об общем тренде климатических сдвигов, мы можем с большой долей вероятности спрогнозировать смещение ареалов оптимальных условий существования. Кроме того, базируясь на мере перекрытия ниш ландшафтов, как мере их структурно-динамической близости, можно спрогнозировать особенности экотонной динамики, которая является первоочередным индикатором силы реакции того или иного вида ландшафта на изменение факторов внешней среды.

Как видим, продемонстрированный методологический подход обладает хорошим потенциалом практической интерпретации, т.к. основываясь на показателях оценки ниш ландшафтов, становится возможным более глубокое познание ландшафтных комплексов с учетом их различных особенностей. Показатель объема свидетельствует об уникальности (малый объем) или банальности (большой объем) ландшафта, требовательности его к условиям внешней среды, а соответственно, и устойчивости (ландшафты с малыми объемами ниш более чувствительны к незначительным колебаниям и изменениям факторов). Практическая ценность показателя уровня приспособленности ландшафтов состоит в том, что он позволяет точно определить пространственное расположение ареалов с оптимальными условиями существования для данного вида ландшафтов, т.е.

выделить те участки, где ландшафты данного типа в пределах всего ареала их распространения являются наиболее устойчивыми. Большой информативностью обладают данные о взаимном расположении ниш в многомерном факторном пространстве, свидетельствуя о взаимоотношениях различных типов ландшафтов между собой, различии и сходстве их структурно-динамических тенденций.

Говоря о перспективах, следует отметить, что метод эффективен не только при анализе ландшафтов высокого иерархического уровня. Концепция ниши с успехом может использоваться в изучении локальных структур при условии формирования адекватного набора факторов. В общем плане существование ландшафтов на всех иерархических уровнях обусловлено взаимодействием климатических и геолого-геоморфологических факторов, причем влияние последних проявляется многопланово – через орографические (рельеф), топологические (местоположение), геологические (почвообразующие породы) и тектонические характеристики. Особенностью является то, что иерархическая структура ландшафта реагирует как призма, преломляя действие фактора, в результате чего на нижних уровнях он выступает как видоизмененный признак факторного пространства, который уже не является априорно независимым от ландшафта, но ощущает на себе его обратное влияние. Поэтому при выборе факторов для анализа ландшафтных комплексов более низкого уровня, следует большее внимание уделять характеристикам рельефа (крутизна и расчлененность, экспозиция), почвы (трофность, особенности химического состава), растительности и т.д.

Анализ ландшафтов с применением экологической концепции ниши позволяет сделать оценку уникальности, устойчивости ландшафтов, выявить общие динамические тенденции и т.д. Характеристики ландшафтных ниш могут использоваться при ординации ландшафтов, картографировании устойчивости ландшафтных комплексов, определении природоохранных приоритетов, формировании экологической сети.

ВОЗМОЖНОСТИ ИСПОЛЬЗОВАНИЯ ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ В КРУПНОМАСШТАБНОМ ЛАНДШАФТНОМ ПЛАНИРОВАНИИ (на примере коммунального ландшафтного плана Зеленоградского района Калининградской области) Солодянкина С.В.

Институт географии им. В.Б. Сочавы СО РАН sveta@irigs.irk.ru До начала проведения ландшафтного планирования должны быть четко определены цели исследований, на основании которых определяются границы исследуемой территории. Крупномасштабное ландшафтное планирование целесообразно выполнять в границах административных муниципальных образований с целью дальнейшей интеграции ландшафтных планов в территориальные комплексные схемы градостроительного планирования развития субъектов РФ и их частей, в генеральные планы поселений и муниципальных образований. Результаты ландшафтного планирования могут быть использованы при планировании застройки территории.

Для этого, согласно существующим требованиям охраны природы, территория рассматривается соответствующим образом с точки зрения, например, городского строительства: пересекаются ли и интересы охраны природы и ландшафта с другими интересами (например, обслуживанием жилой площади, развитием хозяйственных и промышленных районов). Должны ли требования охраны природы уступить в каком-либо случае или являются приоритетными. Для этого природные компоненты и ландшафт в целом анализируются специально компетентными специалистами согласно законодательству об охране окружающей среды и о землеустройстве, и в качестве результата представляются карты и текстовый отчет. Таким образом, ландшафтное планирование вносит вклад в обеспечение законодательно утвержденного права человека на благоприятную окружающую среду, содействует устойчивому развитию территории, защищает природные ресурсы.

Эффективность ландшафтных планов с точки зрения устойчивого развития территории зависит от их взвешенного внедрения в содержание законодательно утвержденных документов территориального планирования. Отсюда можно сделать вывод, что знания задач и методов составления обязательных планов (генеральные планы, территориальные комплексные схемы градостроительного планирования и др.) имеют существенное значение для ландшафтного планирования. Результаты ландшафтного планирования должны быть ценными и интересными для разработчиков законодательно утвержденных территориальных планов, так как именно ландшафтное планирование, как отраслевое планирование с целью охраны окружающей среды, указывает на существующие и ожидаемые природные блага, отражает конфликты природопользования и потенциалы развития. Таким образом, наличие ландшафтного плана является важным на этапе разработки территориальных планов. В связи с выше сказанным можно сформулировать направления дальнейшего развития ландшафтного планирования в России, для того чтобы заинтересовать потенциальных пользователей ландшафтных планов: повышение информативности, достоверности и доступности планов для общественности.

В ходе составления крупномасштабных ландшафтных планов (1:50000 – 1:5000) на инвентаризационном этапе используются материалы землеустройства, лесной таксации, государственных статистических данных, натурных обследований и других источников. В данной работе рассматривается целесообразность использования кроме вышеперечисленных источников, данных дистанционного зондирования (ДДЗ) на примере проекта «Коммунальное ландшафтное планирование Зеленоградского района Калининградской области». Проект выполняется совместно Техническим университетом Берлина, Российским государственным университетом имени Канта, Институтом географии им. В.Б. Сочавы СО РАН, с участием частных ландшафтно-планировочных организаций Германии. В качестве территории исследования выбрана территория Зеленоградского района (рис. 24, цветная вклейка), так как здесь в последние десять – двадцать лет наблюдается интенсивное развитие хозяйственной, в частности туристической деятельности, при этом градостроительная документация находится в стадии разработки, а также здесь располагаются ценные с экологической точки зрения ландшафты, которые находятся под угрозой уничтожения. Работы выполняются в масштабе 1:10000, что должно обеспечить применимость данных ландшафтного плана при составлении документации градостроительного планирования. В рамках проекта перед автором стоит задача оценить плюсы и минусы применения данных дистанционного зондирования для составления карты современного природопользования и карты видов и биотопов в рамках крупномасштабного ландшафтного планирования, сравнить результаты обработки снимка различными методами. В качестве заключительного этапа планируется провести оценку расхождений для участка карты, составленного автором посредством обработки космического снимка высокого пространственного разрешения, и участка карты, составленного на основе топографической карты экспертами Университета им. Канта.

Карты современного землепользования, ландшафтов, видов и биотопов составляются на первом этапе (инвентаризация информации) наряду с другими картами природных компонентов. В качестве основы для картирования в этом случае могут быть использованы аэрофотоснимки либо космические снимки высокого пространственного разрешения (SPOT5 – 10 м, IKONOS - 4м, QUICKBIRD - 2,6м). Необходимо учитывать, что в России в настоящее время использование ДДЗ высокого пространственного разрешения ограничивается законодательством о государственной тайне. Снимки с разрешением выше двух метров считаются секретными и поставляются только через первый отдел учреждений. Для получения данных необходима копия лицензии ФСБ (при условии приобретения секретных данных). В договоре на покупку данных прописываются цели приобретения и если они картографические, то необходима копия разрешения территориального Геонадзора на проведение картографических работ. В связи с этим автором рассматривались только данные с пространственным разрешением ниже метров. При выборе снимка для целей проекта учитывались следующие факторы:

атмосферные характеристики в момент съемки, дата съемки, угол отклонения от съемки в надире, и минимальная площадь заказа по архивным данным. В настоящее время минимальная площадь заказа изображения QuickBird по архивным данным составляет кв.км, IKONOS - 50 кв.км, SPOT5 – вся сцена. В ходе рассмотрения всех возможных вариантов для работы выбран снимок QuickBird от 22 мая 2006 года с облачностью 2 % и углом съемки с отклонением от надира 8 градусов (рис. 25, цветная вклейка).

Основные преимущества использования ДДЗ для составления карт: актуальность данных на момент исследования, высокая точность определения границ объектов, более высокий коэффициент объективности выделения объектов и отнесения объекта к определенному таксону. Кроме этого использование ДДЗ позволяет сократить объем наземных исследований, и таким образом сократить сроки исследования. Явным плюсом применения выше описанных технологий автоматического дешифрирования ДДЗ является доказуемость (прозрачность) получаемых результатов картирования.

Кроме достоинств использования данных ДЗЗ необходимо отметить и недостатки:

высокая стоимость изображений, необходимость использования специального программного обеспечения (ERDAS IMAGINE, ENVI, ECognition (используется объектно ориентированный подход), GRASS GIS (бесплатное программное обеспечение http://grass.itc.it), ArcView, ArcGIS и др.), а так же наличие навыков их применения. Для ретроспективного анализа изменения территории необходимо наличие данных одной съемочной системы за весь период исследования (табл. 1).

Таблица 1. Даты начала съемки и пространственное разрешение съемочных систем.

Пространственное Спутник /сканер Дата запуска разрешение, м QuickBird 2,8 Октябрь IKONOS 4 Cентябрь Spot 5 10 Май IRS-1C, IRS-1D PAN 5,8 соответственно 1995 и 1997 годы Монитор 8 Август ASTER 15 Декабрь Landsat-7 30 Апрель В случае если принимается решение об использовании ДДЗ в качестве исходной информации, то на следующем этапе выбираются методы дешифрирования и, в зависимости от этого, программное обеспечение.

Наиболее распространенный в настоящее время и давно используемый метод – визуальное дешифрирование снимка. В этом случае предполагается, что дешифрирование проводит эксперт, хорошо знающий особенности территории и свойства объектов, которые возможно непосредственно не выражены на снимке, но тем или иным образом связанные с набором признаков определяемых по снимку. В этом случае используются прямые (непосредственно отображающиеся в виде набора характеристик дистанционного изображения), косвенные (непосредственно не выраженные на поверхности, но связанные с набором прямых признаков), а также контекстуальные (выявляющиеся для дешифрируемого объекта через анализ признаков его окружения) свойства объектов земной поверхности. Отнесение объекта к таксону происходит по набору нежестких правил, основанных на опыте дешифровщика. При использовании данного метода классификации изображения возможно сравнительно быстрое овладение навыками дешифрирования, а требуемое программное обеспечение является сравнительно широко распространенным (ArcGIS, ArcView). Но при этом возникает наиболее сложная проблема - оценка степени достоверности опорных признаков дешифрирования для текущего объекта. Кроме этого теряется спектральная информация снимка, и повышаются временные затраты на обработку снимка.

На первом этапе проведена визуальная обработка снимка. Для дешифровки использовались ключевые выборки, полученные в результате полевых «подспутниковых»

работ. Составлено 37 геоботанических описаний в границах территории исследования (рис. 26, цветная вклейка) и на их основе выделены следующие типы биотопов, для проведения дальнейшей дифференциации изображения.

Леса: широколиственные, сосновые, влажные черноольшаники.

Луга и травяные заросли: низкотравные маловидовые заливные луга, богатые видами заливные луга, крупноосочники, заливные луга по берегам водоёмов.

Заросли кустарников и лесополосы: закустаренные луга, луга с отдельно стоящими группами деревьев, аллеи, лесополосы.

Прибрежные биотопы: песчаные отмели, песчаные пляжи (естественные и интенсивно используемые), зыбучая литоральная зона лагун, пояса тростника и высокотравных сообществ в прибрежной зоне, дюнные комплексы, биотопы междюнных понижений.

Болота: заболоченные черноольшаники, осоковые сообщества, камышовые сообщества, затопленные ивняки.

Сельскохозяйственные территории: пашни, огороды, пастбища.

Застроенные и промышленные территории: газоны и травяные площадки, парки, кладбища, сады, застроенные и промышленные территории, рудеральные местообитания.

Далее автором планируется провести классификацию изображения различными методами и оценить расхождения итоговых классифицированных изображений.

Один из методов - автоматическая классификация изображения. В настоящее время методы попиксельной классификации хорошо разработаны и широко используются.



Pages:     | 1 |   ...   | 7 | 8 || 10 | 11 |
 





 
© 2013 www.libed.ru - «Бесплатная библиотека научно-практических конференций»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.