CC BY
62
УДК 528.94
МЕТОДИКА СОЗДАНИЯ КОМПЛЕКСНОЙ ЭЛЕКТРОННОЙ СЕЛЬСКОХОЗЯЙСТВЕННОЙ КАРТЫ НА ТЕРРИТОРИЮ ВЬЕТНАМА ПО ДАННЫМ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ ИЗ КОСМОСА
Хоанг Зыонг Хуан
Иркутский национальный исследовательский технический университет, 664074, Россия, г. Иркутск, ул. Лермонтова, 83, аспирант кафедры маркшейдерского дела и геодезии, тел. (924)7-00-57-73, e-mail: [email protected]
Леонид Александрович Пластинин
Иркутский национальный исследовательский технический университет, 664074, Россия, г. Иркутск, ул. Лермонтова, 83, доктор технических наук, научный руководитель Центра космических технологий и услуг, профессор кафедры маркшейдерского дела и геодезии, тел. (914)8-81-18-08, e-mail: [email protected]
Борис Николаевич Олзоев
Иркутский национальный исследовательский технический университет, 664074, Россия, г. Иркутск, ул. Лермонтова, 83, кандидат географических наук, технический руководитель Центра космических технологий и услуг, доцент кафедры маркшейдерского дела и геодезии, тел. (914)9-27-05-88, e-mail: [email protected]
Территориальное и ресурсное развитие Вьетнама не может быть выполнено без картографического обеспечения социально-экономических задач, в том числе сельскохозяйственных проблем. Представлена методика создания комплексной электронной сельскохозяйственной карты на территорию Северного Вьетнама по данным дистанционного зондирования Земли из космоса как инструмента отображения состава, состояния и структуры сельского хозяйства страны. Изложена оригинальная технология тематической классификации сельскохозяйственных комплексов и объектов по космическим снимкам со спутников Landsat 5, 7, 8. Выполнен анализ спектральных характеристик объектов на космических снимках, сопоставленных с данными полевых обследований. Составлена матрица ошибок результата автоматизированной классификации с обучением, результаты которой были использованы для оценки спектрального анализа сельскохозяйственных объектов. Точность классификации составила 92,88 %. Приведено содержание комплексной сельскохозяйственной карты, которое дает представление о классификации, характеристиках и структуры сельскохозяйственной деятельности страны.
Ключевые слова: сельскохозяйственное картографирование, дистанционное зондирование Земли, геоинформационная система, сельскохозяйственные комплексы, дешифрирование космических снимков, комплексная сельскохозяйственная карта, тематическая классификация космических снимков, матрица ошибок.
В последние десятилетия во Вьетнаме активно занимаются сельскохозяйственным картографированием для целей развития сельского хозяйства страны. Особые природные условия интенсивно используются современными технологиями развития сельского хозяйства, в том числе современной картографией, ГИС и дистанционным зондированием Земли из космоса. При этом осуществляется картографирование сельскохозяйственных культур [1, 2], создаются кар-
ты возраста риса, его урожайности [3], серия сельскохозяйственных карт [4] и карты использования земель[5], разрабатывается технические основы создания комплексной электронной сельскохозяйственной карты [6], выполняется мониторинг развития риса и прогноз производительности его урожая [7], разрабатывается сезонный мониторинг развития рисовых посевов [8] и др. В то же время до сих пор в стране не разработана методика и технология геоинформационного картографирования сельскохозяйственных объектов и комплексов по данным ДЗЗ из космоса. В связи с этим, разработка методики создания комплексной сельскохозяйственной карты становится актуальной для Вьетнама.
Для реализации этой задачи в качестве исходных данных используются базовые цифровые космические снимки Landsat 8 OLI на дату 1 июля 2015 г., топографическая карта на исследуемую территорию и дополнительная отраслевая информация. В качестве дополнительных данных используются космические снимки со спутника Landsat 5 TM,7 ETM+ (период съемки 2009-2015 гг.), со спутника SPOT 5 (2009 г.) и со спутника Quickbird (2009 г.)
Объектом исследования выбрана пригородная территория Ханоя, где сформировалась основная сельскохозяйственная деятельность Северного Вьетнама. Исследуемая территория находится в северо-западной части дельты Красной реки, в центре Северного Вьетнама, имеет географические координаты от 20°53' до 21°23' северной широты и от 105°44' до 106°02' восточной долготы, с площадью 3 344,7 кв. км. Большая часть территории занимает равнина (3/4 площади) с высотой меньше 50 м над уровнем моря, а 1/4 площади территории занимают горные и предгорные местности (рис. 1).
Методика комплексного сельскохозяйственного картографирования включает визуальные и автоматизированные методы дешифрирования и геоинформационное моделирование сельскохозяйственных комплексов.
Визуальное дешифрирование сельскохозяйственных объектов с выделением преобладающих культур выполнено по многозональным космическим снимкам в различных вариантах синтеза. При этом предварительно было выделено 13 классов комплексов и объектов: рисоводство, кукурузоводство, овощеводство, цветоводство, однолетние насаждения, садоводство, кормовые культуры, рыбоводство, лесные массивы, гидрография, населенные пункты, промышленные комплексы, открытые грунты.
В работе проведена процедура автоматической классификации без обучения на основе алгоритма ISODATA. При этом заданы следующие основные параметры - число классов, максимальное число итераций, порог сходимости (Threshold) - количество пикселов (в процентах), которые меняют свою принадлежность к данному классу при переходе к другой итерации.
Результат классификации по методу ISODATA включает восемь основных классов: 1) суходольный рис; 2) кукурузоводство и цветоводство; 3) овощеводство; 4) однолетние насаждения; 5) лесные массивы и садоводство; 6) поливной рис, рыбоводство и гидрография; 7) населенные пункты и промышленные комплексы; 8) открытые грунты (рис. 2).
Рис. 1. Географическое положение и цифровой снимок исследуемой территории (в синтезе RGB 7:5:3)
Рис. 2. Результат неконтролируемой классификации снимков Landsat 8 OLI
Некорректные результаты классификации представлены в классах 2, 5, 6, 7. Это объясняется тем, что объекты имеют близкие значения отражательной способности. Поэтому для повышения достоверности применили автоматическую классификацию с обучением, состоящую из создания обучающих эталонов, проведения их оценки, выбора математического алгоритма, оценки качества результата классификации.
Для целей создания обучающих эталонов, в период с июня по август 2015 г. были проведены полевые обследования на пригородную территорию города Ханоя. В результате были обследованы 63 точки с определением их координат, фотографированием и описанием объектов, распределенных на всей исследуемой территории с учетом их типичности. При координировании объектов на местности использован GPS-прибор GarmineTrexLegendHCx с точностью 3-5 м. Эти точки были геопривязаны в системе координат VN-2000 в лабораторных условиях с использованием программы MapinfoProfessional 12.5.
Точки с координатами и описаниями их внутреннего содержания служат основой для создания обучающих эталонов, путем цифрования векторных полигонов по космическим снимкам вне этих точек. Далее на основе полученных эталонов созданы дополнительные полигоны для повышения точности результатов классификации.
При совместном использовании данных полевых исследований и снимков более высокого пространственного разрешения были выбраны 11 спектральных классов, соответствующих тематическим классам: суходольный рис, поливной рис, кукурузоводство, овощеводство, цветоводство, однолетние насаждения, лесные массивы, гидрография, населенные пункты, промышленные комплексы, открытые грунты. Для каждого класса созданы несколько районов областей интереса, в которых количество выделяемых пикселов суммарно составляет не менее 500 [9].
Далее были проведены оценки обучающих эталонов по двум способам: построение графиков спектральных кривых по обучающим эталонам и вычисление делимости двух различных классов.
В работе график спектральных кривых обучающих эталонов построен по средним значениям яркости комплексов и объектов на снимке. Каждая область обучения представляет собой полигон на снимке. По этому полигону с помощью программы ENVI 5.2 были вычислены статистические значения его яркости (максимальное, минимальное, среднее значения), и эти значения яркости также были вычислены по всем каналам снимка, которые входят в состав многоканального снимка. По этим статистическим данным был построен график спектральных кривых обучающих эталонов (рис. 4).
График спектральных кривых отображает способности отражения солнечного излучения объектов. Зная эту характеристику, возможно оценить правильность выбора обучающих областей по спектральным кривым [9]. Проведенный анализ графика спектральных кривых показал, что гидрография слабо отражает солнечное излучение. Сельскохозяйственные культуры (рис, кукуруза, одно-
летние насаждения, цветы) имеют близкие схожие кривые; населенные пункты, промышленные комплексы и открытые грунты также имеют схожие кривые, которые близки по характеристикам отражения солнечного излучения. В свою очередь, лесные массивы и овощи имеют близкие кривые, схожие по своим особым характеристикам (зеленый цвет, густота по плотности). Отсюда следует, что обучающие эталоны были выбраны правильно (рис. 3).
0 *
о. к
01 s
I
V т
(О I
РО
20000 18000 16000 14000 12000 10000 8000 6000 4000 2000 0
Графики спектральных кривых обучающих эталонов
Канал 2 Канал 3 Канал 4 Канал 5 Канал 6 Канал 7
Суходольный рис
Поливной рис
Кукуруза
Овощи
Цветы
Однолетние насаждения Населенные пункты Открытые грунты Промышленные комплексы Лесные массивы Гидрография
Рис. 3. График спектральных кривых обучающих эталонов
Оценка выбора обучающих эталонов по значению делимости между двумя эталонами была выполнена путем проведения анализа схожести эталонов и по расстоянию их от центра. Этот метод является решающим фактором при оценке качества автоматизированной классификации космических снимков - чем лучше делимость, тем качественнее полученный результат. Значения делимости между эталонами находятся в пределах от 0 до 2 и имеют три уровня делимости: высокая (при значении делимости больше 1,9), средняя (при значении делимости в пределах от 1 до 1, 9) и низкая (при значении делимости меньше 1) [9].
Программа ENVI 5.2 дает возможность вычисления значения делимости обучающих эталонов [10], результат которого представлен в табл. 1 со значениями делимости между эталонами.
Результаты вычисления значения делимости между эталонами показали, что у каждого из двух эталонов высокая делимость, поэтому проведенная классификация космических снимков является достоверной.
Таблица 1
Значения делимости между эталонами
Классы Суходольный рис Поливной рис Кукуруза Овощи Однолетние насаждения Цветы
Суходольный рис - 1.995 1.998 1.999 1.964 1.990
Поливной рис 1.995 — 1.999 1.999 1.998 1.999
Кукуруза 1.998 1.999 — 1.976 1.944 1.907
Овощи 1.999 1.999 1.976 — 0.916 1.963
Однолетние насаждения 1.964 1.998 1.944 1.916 — 1.964
Цветы 1.990 1.999 1.907 1.963 1.964 —
Лесные массивы 2.000 2.000 1.999 1.998 1.973 1.999
Гидрография 2.000 2.000 2.000 2.000 2.000 2.000
Населенные пункты 1.999 1.999 1.999 1.997 1.996 1.999
Промышленные комплексы 1.979 1.982 1.998 1.982 1.954 1.982
Открытые грунты 2.000 2.000 2.000 1.999 1.999 1.999
Продолжение табл. 1
Классы Лесные массивы Гидрография Населенные пункты Промышленные комплексы Открытые грунты
Суходольный рис 2.000 2.000 1.999 1.979 2.000
Поливной рис 2.000 2.000 1.999 1.982 2.000
Кукуруза 1.999 2.000 1.999 1.998 2.000
Овощи 1.998 2.000 1.997 1.982 1.999
Однолетние насаждения 1.973 2.000 1.996 1.954 1.999
Цветы 1.999 2.000 1.999 1.982 1.999
Лесные массивы — 2.000 2.000 1.999 2.000
Гидрография 2.000 — 2.000 1.999 2.000
Населенные пункты 2.000 2.000 — 1.967 1.999
Промышленные комплексы 1.999 1.999 1.967 — 1.984
Открытые грунты 2.000 2.000 1.999 1.984 —
Для проведения классификации выбран алгоритм максимального правдоподобия, так как данный алгоритм относится к наиболее точным методам классификации объектов на космических снимках, близким по спектральным характеристикам (сельскохозяйственные культуры, растительность). Визуальный анализ результата классификации снимков с обучением с помощью программы ENVI 5.2 (функция Classification) показал, что полученное изображение более точно по сравнению с методом классификации без обучения, так как объекты полученных изображений с близкими спектральными характеристиками разбиты на отдельные классы более точно. Например, поливной рис и суходольный рис изображены в двух классах, а населенные пункты, промышленные комплексы и открытые грунты размещены в отдельные классы. Недостаток результата классификации с обучением заключается в том, что на выходном изображении по причине недостаточного пространственного разрешения снимка не выделены малые реки, небольшие озера и прочие небольшие гидрографические объекты.
Далее было необходимо оценить, насколько корректно получен результат автоматизированной классификации. Для этого по статистическим выходным данным полученного изображения и обучающим эталонам была построена матрица ошибок и вычислены общая точность классификации и коэффициент Каппа.
Матрица ошибок представляет собой таблицу, построенную из статистических данных всех классов полученного изображения после классификации, в которой показано количество верно классифицированных пикселов (в процентах), а также количество неверно классифицированных пикселов (в процентах) каждого класса.
Общая точность классификации представляет собой соотношение общего количества верно классифицированных пикселов всех классов к общему количеству пикселов на снимке в формуле [10]
^ _ Общее количество верно классифицированных пикселов _ ч
Общая точность =-------. (1)
Общее количество пикселов на снимке
Коэффициент Каппа является другой мерой точности классификации. Чем значение К ближе к единице, тем точнее классификация. Коэффициент определяется по формуле [10]
r r
N S xn - S( xi+..x+i)
K =-^-, (2)
N 2 -Z (Xi +...x+i)
i = 1
где K - коэффициент Каппа (0 < K < 1) ;
N - сумма обучаемых пикселов;
r - количество классов;
xii - количество верно классифицированных пикселов класса i; xi + - сумма пикселов класса i обучаемой области; x+i - сумма пикселов класса i после классификации.
С помощью функции постклассификации (Postclassification) программы ENVI 5.2 вычислены эти значения. Входными данными являются результат классификации и файл обучающих эталонов. Результат вычисления представляет собой статистический файл, в котором содержат матрицу ошибок, общую точность классификации и коэффициент Каппа (табл. 2).
Таблица 2
Матрица ошибок результата автоматизированной классификации
с обучением, процент
Классы Гидрография Населенные пункты Промышленные комплексы Открытые грунты Лесные массивы
Гидрография 99,66 0,00 0,00 0,00 0,00
Населенные
пункты 0,00 93,85 6,35 0,00 0,00
Промышленные комплексы 0,34 5,91 89,87 3,63 0,00
Открытые грунты 0,00 0,00 0,61 96,37 0,00
Лесные масси-
вы 0,00 0,00 0,00 0,00 98,98
Поливной рис 0,00 0,00 0,00 0,00 0,00
Суходольный рис 0,00 0,00 0,00 0,00 0,00
Кукуруза 0,00 0,00 0,00 0,00 0,00
Цветы 0,00 0,00 1,59 0,00 0,00
Овощи 0,00 0,24 0,49 0,00 0,00
Однолетние
насаждения 0,00 0,00 1,10 0,00 1,02
Сумма 100,00 100,00 100,00 100,00 100,00
Общая точность = 92,885 5 %
Коэффициент Каппа = 0,921 2
Продолжение табл. 2
Классы Поливной рис Сухо-дольный рис Кукуруза Цветы Овощи Однолетние насаждения
Гидрография 0,00 0,00 0,00 0,00 0,00 0,00
Населенные пункты 0,00 0,00 0,00 0,00 0,00 0,00
Окончание табл. 2
Классы Поливной рис Сухо-дольный рис Кукуруза Цветы Овощи Однолетние насаж-
дения
Промышленные комплексы 1,48 0,49 0,00 0,48 0,86 2,72
Открытые грунты 0,00 0,00 0,00 0,00 0,00 0,00
Лесные массивы 0,00 0,00 0,00 0,00 0,00 0,00
Поливной рис 98,52 0,98 0,00 0,00 0,00 0,34
Суходольный рис 0,00 97,16 0,00 0,00 0,00 0,17
Кукуруза 0,00 0,10 93,68 1,44 5,99 2,89
Цветы 0,00 0,69 1,09 93,03 0,17 3,23
Овощи 0,00 0,00 2,61 1,68 82,88 19.73
Однолетние насаж- 79,92
дения 0,00 0,59 2,61 3,37 10,10
Сумма 100,00 100,00 100,00 100,00 100,00 100,00
Общая точность = 92,885 5 %
Коэффициент Каппа = 0,921 2
В табл. 2 матрицы ошибок классификации по диагонали показано количество правильно классифицированных пикселов (в процентах), а вне диагонали -количество неправильно классифицированных пикселов (в процентах) или, иначе говоря, пикселы, которые не попали в определенный класс, а вошли в другие классы. Общая точность классификации составляет 92,88 %.
Результат показал, что точность классификации каждого класса составляет от 79,9 до 99,7 %, средняя точность результата классификации составляет 92,9 %, а коэффициент Каппа равен 0,9. Отсюда сделан вывод, что полученный результат при автоматизированной классификации сельскохозяйственных комплексов и объектов по космическим снимкам можно использовать для создания сельскохозяйственных карт. Но перед этим необходимо провести устранение шума, картографическую генерализацию и отредактировать легенду результатов классификации. Результат постклассификации представлен на рис. 4.
Для проверки достоверности результатов автоматической классификации сельскохозяйственных объектов и комплексов был использован метод полевого обследования, основанный на сопоставлении результатов классификации сельскохозяйственных объектов и комплексов на точках полевого наблюдения. Результаты полевого обследования были согласованы с исследованиями Вьетнамского государственного технического университета имени Ле Куй Дона, которые были проведены в период с июня по август 2015 г. в пригородной территории Ханоя. При этом было обследовано 90 точек с определением их координат и описанием объектов, распределенных на всей ис-
следуемой территории. Таким образом, был сделан вывод, что результаты классификации сельскохозяйственных объектов и комплексов по космическим снимкам являются достоверными.
Рис. 4. Результат классификации после генерализации и редактирования его легенды
Далее была выполнена обработка векторных данных для создания комплексной электронной сельскохозяйственной карты (КЭСК) в среде ГИС. КЭСК предназначена для управления и планирования сельского хозяйства, инвентаризации сельскохозяйственных производств. Она используется при создании единого геоинформационного ресурса (геопортала) исследуемой территории и территории страны в целом, обеспечивающего поддержку развития сельского хозяйства Вьетнама. Она может быть применена при составлении атласа сельского хозяйства данной территории и для изучения территории в целях устойчивого регионального развития. Фрагмент КЭСК и ее легенда представлены на рис. 5 и 6 соответственно.
Рис. 5. Фрагмент КЭСК пригородной территории Ханоя масштаба 1 : 100 000 (уменьшена)
СЕЛЬСКОХОЗЯЙСТВЕННЫЕ КОМПЛЕКСЫ
Рисоводства
КукурузоводеТОО
Овощеводство
Цветоводство
| Садоводство
Кормовые культуры
ПРОИЗВОДСТВЕННЫЕ ЭКОНОМИЧЕСКИЕ ПОКАЗАТЕЛИ СЕЛЬСКОГО ХОЗЯЙСТВА
•Ск
I Занятость населении сельским хозяйством
в 1 мм радиуса сегмента = 3% населения
ОБЪЕКТЫ СЕЛЬСКОХОЗЯЙСТВЕННОЙ ИНФРАСТРУКТУРЫ
Министерство сельского хозяйства
Сельскохозяйственные учебные заведения и научно-исследовательские институты
Сельскохозяйтсеенные предприятия
II. Обеспеченность населения Однолетние насаждения зерН0Выми культурами
Кукуруза и рис Овощи и рис Овощи и цветы Рыбоводство
Животноводство (1 символ = 8 животноводческих ферм)
о
г 1 мм радиуса сегмента = 20 кг/чел.
в 1 мм радиуса сегмента = 150 кв.м/чел
III. Животноводство
в 1 мм радиуса сегмента = 10 ферм
Деоартамект защиты растительности Департамент ветеринарии Ветеринарные пункты Пункты защиты растительности Пункты сельскохозяйственного ремесла Пункты производства семян Arpoцентры
Сельскохозяйственные рынки Arpo метеостанци и
ПРИРОДНЫЕ И СОЦИАЛЬНО-ЭКОНОМИЧЕСКИЕ УСЛОВИЯ
<5
ПРИРОДНЫЕ УСЛОВИЯ
а. Крупные реки б Мелкие реки
в. Ручьи
г. Источники (ключи, родники) Озера
Высотные отметки Лесные массивы Парки, скверы Открытые грунты
СОЦИАЛЬНО-ЭКОНОМИЧЕСКИЕ УСЛОВИЯ
Площади населенных пунктов
Площади промышленных комплексов
Железные дороги Автомобильные дороги Граница провинции Границы уездов
* Центры административных районов
Рис. 6. Легенда КЭСК пригородной территории Ханоя
В работе все этапы по составлению и редактированию карт выполнены в программе ArcGIS 10.1 [11]. Основное содержание КЭСК представлено комплексами сельскохозяйственного земледелия, полученными из результата автоматической классификации космических снимков. Не менее важную роль в КЭСК играют группы производственных экономических показателей сельского хозяйства и объектов сельскохозяйственной инфраструктуры, сформулированные при анализе статистических и литературно-справочных данных. Топографическая основа, использованная в КЭСК, получена по цифровой топографической карте данной территории в масштабе 1 : 100 000.
Выводы
Содержательная часть комплексной сельскохозяйственной карты может быть корректно получена на основе компьютерной классификации космических снимков и комплексной обработки других источников. Созданная карта может быть использована при инвентаризации, планировании и управлении сельскохозяйственной деятельностью Северного Вьетнама. Кроме того, карта служит основой создания аналитических электронных сельскохозяйственных карт в интересах решения многих отраслевых задач сельскохозяйственного производства.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Пластинин Л. А., Хоанг Зыонг Хуан. Картографирование сельскохозяйственных культур Вьетнама с использованием ГИС и данных многозональной космической съемки LANDSAT 7 // Геодезия и картография. - 2015. - № 7. - С. 31-35.
2. Хоанг Зыонг Хуан. Картографирование сельскохозяйственных культур по космическим снимкам среднего разрешения // VII Сибирская научно-практическая конференция молодых ученых по наукам о Земле : сб. материалов. - Новосибирск, 2014. - С. 438-439.
3. Ступин В. П., Хоанг Зыонг Хуан, Чинь Ле Хунг. Мониторинг и картографирование возрастных категорий рисовых посевов на основе данных многозональной съемки Landsat 7 ETM+ // Вестник ИрГТУ. - 2014. - № 4. - С. 85-90
4. Пластинин Л. А., Олзоев Б. Н., Хоанг Зыонг Хуан. Создание серии электронных сельскохозяйственных карт Северного Вьетнама с использованием ГИС-технологий и данных ДЗЗ из космоса // Интерэкспо ГЕО-Сибирь-2016. XII Междунар. науч. конгр. : Междунар. науч. конф. «Геодезия, геоинформатика, картография, маркшейдерия» : сб. материалов в 2 т. (Новосибирск, 18-22 апреля 2016 г.). - Новосибирск : СГУГиТ, 2016. Т. 1. - C. 110-116.
5. Хоанг Зыонг Хуан. Создание карты использования земель на территории Вьетнама на основе ГИС и ДЗЗ из космоса // Интерэкспо ГЕО-Сибирь-2015. XI Междунар. науч. конгр. : Междунар. науч. конф. «Геодезия, геоинформатика, картография, маркшейдерия» : сб. материалов в 2 т. (Новосибирск, 13-25 апреля 2015 г.). - Новосибирск : СГУГиТ, 2015. Т. 2. -С. 63-67.
6. Хоанг Зыонг Хуан. Технические основы создания комплексной электронной сельскохозяйственной карты Вьетнама на основе геоинформационных систем и дистанционного зондирования Земли из космоса // Вестник ИрГТУ. - 2015. - № 6. - С. 61-67.
7. Duong Van Kham. Nghien cuu ung dung cong nghe vien tham va GIS phuc vu giam sat trang thai sinh truong, phat trien va du bao nang suat lua o Dong bang song Hong // De tai nghiencuukhoa hoc cap bo. Ha Noi. - 2014. - 120 tr.
8. Lam Dao Nguyen. Rice crop monitoring by using remote sensing data // Journal of Science of the Earth. Viet Nam. - 2014. - № 7. - P. 286-293.
9. John A. Richards. Remote Sensing Digital Image Analysis / John A. Richards, Xiuping Jia. - USA: Springer, 2006. - 453 p.
10. Программный комплекс ENVI : учеб. пособие. - М. : Компания «Совзонд», 2007. -
265 с.
11. Руководство пользователя «ARCMAP» : учеб. пособие. - М., 2005. - 707 c. Получено 03.11.2016
© Хоанг Зыонг Хуан, Л. А. Пластинин, Б. Н. Олзоев, 2016
THE METHOD OF CREATING INTEGRATED ELECTRONIC AGRICULTURAL MAPS ON THE TERRITORY OF VIETNAM USING TO REMOTE SENSING FROM SPACE
Hoang Duong Huan
National Research Irkutsk State Technical University, 664074, Russia, Irkutsk, 83 Lermontov St., Ph. D. student, Department of Mine Surveying and Geodesy, tel. (924)7-00-57-73, e-mail: [email protected]
Leonid A. Plastinin
National Research Irkutsk State Technical University, 664074, Russia, Irkutsk, 83 Lermontov St., Director of the Space Technologies and Services, D. Sc., Professor, Department of Mine Surveying and Geodesy, tel. (914)9-27-05-88, e-mail: [email protected]
Boris N. Olzoev
National Research Irkutsk State Technical University, 664074, Russia, Irkutsk, 83 Lermontov St., Deputy Director of the Space Technologies and Services, Ph. D., Assistant Professor, Department of Mine Surveying and Geodesy, tel. (914)9-27-05-88, e-mail: [email protected]
Territorial and resource development of Vietnam cannot be performed without mapping the socio-economic problems, including agricultural problems. The method of creating integrated electronic agricultural maps on the territory of North Vietnam according to remote sensing of the Earth from space as a tool for mapping composition, condition and structure of agriculture in the country. Described original technology is the thematic classification of agricultural complexes and objects on satellite images from Landsat 5, 7, 8. The analysis of spectral characteristics of objects on satellite images, compared with data from field surveys. Compiled the error matrix of the result of automatic supervised classification, the results of which were used to assess the spectral analysis of the agricultural objects. Classification accuracy amounted to 92 and 88 %. Given the content of the comprehensive agricultural maps, which gives an idea about the classification, characteristics and structure of agricultural activity in the country.
Key words: agricultural mapping, remote sensing, geographic information system, agricultural systems, interpretation of space images, comprehensive agricultural map, thematic classification of satellite images, the error matrix.
REFERENCES
1. Plastinin, L. A., & Hoang Duong Huan. (2015). Mapping agricultural crops of Vietnam using GIS and data of multispectral space imagery. Geodeziya i kartografiya [Geodesy and Cartography], 7, 31-35 [in Russian].
2. Hoang Duong Huan. (2014). Mapping agricultural crops using satellite images of medium resolution. In Sbornik materialov VII Sibirskoy nauchno-prakticheskoy konferentsii: Molodykh uchenykh po naukam o Zemle [Proceedings of VII Siberian Scientific and Practical Conference: Young Scientists on Earth Sciences] (pp. 438-439). Novosibirsk [in Russian].
3. Stupin, V. P., Hoang Duong Huan, & Chin' Le Hung. (2014). Monitoring and mapping of the age categories of rice crops based on data from multispectral imagery Landsat 7 ETM. Vestnik IrGTU[VestnikISTU], 4, 85-90 [in Russian].
4. Plastinin, L. A., Olzoev, B. N., & Hoang Duong Huan. (2016). Creation of a series of electronic agricultural maps of North Vietnam using GIS-technologies and remote sensing data from space. In Sbornik materialov Interekspo GEO-Sibir'-2016: Mezhdunarodnoy nauchnoy konferentsii: T. 1. Geodeziya, geoinformatika, kartografiya, marksheyderiya» [Proceedings of Interexpo GEO-Siberia-2016: International Scientific Conference: Vol. 1. Geodesy, Geoinformatics, Cartography, Mine Surveying] (pp. 110-116). Novosibirsk: SSUGT [in Russian].
5. Hoang Duong Huan. (2015). The creation of maps of land use in Vietnam on the basis of GIS and remote sensing from space. In Sbornik materialov Interekspo GEO-Sibir'-2015: Mezhdunarodnoy nauchnoy konferentsii: T. 2. Geodeziya, geoinformatika, kartografiya, marksheyderiya» [Proceedings of Interexpo GEO-Siberia-2015: International Scientific Conference: Vol. 2. Geodesy, Geoinformatics, Cartography, Mine Surveying] (pp. 63-67). Novosibirsk: SSUGT [in Russian].
6. Hoang Duong Huan. (2015). Technical basis for integrated electronic agricultural maps of Vietnam on the basis of geoinformation systems and remote sensing of the Earth from space. Vestnik IrGTU [Vestnik ISTU], 6, 61-67 [in Russian].
7. Duong Van Kham. (2014). Nghien cuu ung dung cong nghe vien tham va GIS phuc vu giam sat trang thai sinh truong, phat trien va du bao nang suat lua o Dong bang song Hong. De tai nghien-cuukhoa hoc cap bo. Ha Noi [in Vietnam].
8. Lam Dao Nguyen. (2014). Rice crop monitoring by using remote sensing data. Journal of Science of the Earth, 7, 286-293 [in Vietnam].
9. John A. Richards. (2006). Remote Sensing Digital Image Analysis. USA: Springer [in USA].
10. Programmnyj kompleks ENVI [The software package ENVI]. (2007). Moscow: Sovzond Company [in Russian].
11. Rukovodstvo pol'zovatelja "ARCMAP" [User's guide "ARCMAP"]. (2005). A tutorial. Moscow [in Russian].
Received 03.11.2016
© Hoang Duong Huan, L. A. Plastinin, B. N. Olzoev, 2016
