Предварительные результаты применения метода цифровой обработки изображения для определения прoективного покрытия растительности как основного индикатора состояния экосистем

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Предварительные результаты применения метода цифровой обработки изображения для определения прoективного покрытия растительности как основного индикатора состояния экосистем

A.К. Балалаев, О.A. Скрипник

Институт проблем природопользования и экологии НАН Украины

Приведена постановка и решение задачи компьютерного измерения проективного покрытия растительности. Дан программный алгоритм автоматического анализа цифровых изображений проективного покрытия. С использованием метода подтверждена эффективность проведения мероприятий по активизации формирования вторичных экосистем нарушенных горными работами земель.

Наведена постановка та рішення задачі комп'ютерного вимірювання проективного покриття рослинності. Даний програмний алгоритм автоматичного аналізу цифрових зображень проективного покриття. З використання методу підтверджена ефективність проведення заходів з активізації формування вторинних екосистем порушених гірничими роботами земель.

PRELIMINARY RESULTS OF THE APPLICATION OF the method of DIGITAL IMAGE PROCESSING FOR DETERMINING projective COVER VEGETATION AS MAIN INDICATOR OF condition of ECOSYSTEMs

The formulation and solution of computer measurement of a projective cover of vegetation are shown. Programming algorithm for automatic analysis of digital images of a projective cover is given. Using the method the effectiveness of measures to enhance the formation of secondary ecosystems disturbed mining lands are confirmed.

Вступление

Проблема оценки состояния экосистем остается актуальной и в наши дни. Существующие методы основаны, главным образом, на непрямых оценках концентрации загрязняющих веществ, и установлении соотношений их с величинами экологического нормирования, в том числе, предельно-допустимыми концентрациями (ПДК), временно допустимыми концентрациями (ВДК), смертельными дозами (LD₅₀), и другими. Величины экологического нормирования носят условный характер [1], являются результатом общественного договора и, часто, такие оценки страдают несовершенством в виде временности, условности, неточности и др.

Перспективные методы биоиндикации, которые основываются на оценке прямых изменений в морфологии, физиологии, состоянии популяций живых организмов, также имеют ряд недостатков. Прежде всего, они ориентируются на состояние отдельного вида, экологические особенности которого сужают возможности оценки состояния сообществ. Сложность и порой неожиданность реакции живых организмов на изменение условий среды, создает неопределенность в интерпретации результатов исследований. Применение методов биоиндикации требует использования сложных культивационных установок, продолжительных наблюдений для получения достоверных результатов. Как правило, такие методы применяют в лабораторных условиях, что усложняет последующую оценку результатов.

Применение биофизических методов оценки состояния организмов, которыми являются флуориметрия, импедансометрия и другие, возможно в полевых условиях. Особенно продуктивным является исследование параметров фотосинтеза, который составляет энергетическую основу функционирования экосистем [3,4]. В настоящее время разработаны и применяются, особенно, для оценки состояния сельскохозяйственных культур, мобильные приборы, позволяющие получать экспресс-результаты в полевых условиях. Однако, высокая стоимость оборудования сдерживает применение биофизических методов оценки состояния экосистем в нашей стране.

Одним из направлений поиска простых и эффективных методов оценки состояния экосистем может служить определение пространственных параметров экосистем, особенно, их базового элемента - растительности. Индикаторная роль растительности была доказана еще великим А. Гумбольдтом при обосновании глобальной природной зональности [5]. Геоботаническая оценка растительных сообществ всегда основывалась на показателях обилия, основным параметром которого являлось проективное покрытие [6]. Однако, глазомерное определение проективного покрытия, которое традиционно применялось при изучении растительности, давало приемлемый по точности и достоверности результат при оценке ресурсов кормопроизводства пастбищ и сенокосов, запасов лекарственного, плодово-ягодного сырья и других.

Необходимость восстановления экосистем, разработки технических средств обеспечения экологической безопасности требует повышение точности и достоверности оценок, разработки количественных методов их осуществления.

Применение методов дистанционного зондирования Земли обеспечивает получение информации в виде изображения растительности фактически на всей поверхности Земли и во все сезоны года. Существующие методы анализа изображения растительности основываются, главным образом, на цветовых индексах, что не исчерпывает исследовательских возможностей, заложенных в космических снимках. Определение параметров состояния растительности, в том числе, лесистости, степени дефолиации, которые входят в состав системы индикаторов устойчивого развития ООН, может обеспечивать работу системы экологического мониторинга, технологий оперативного управления природопользованием. Неудержимый рост объемов баз космических данных требует разработки и применения автоматизированных методов их обработки.

Привлечение современных способов обработки графической информации создает дополнительные возможности получения новых знаний. Таким образом, целью данной работы является совершенствование методов оценки состояния растительности на основе компьютерного анализа изображения.

Постановка и решение задачи

Проективное покрытие широко применяется в геоботанических исследованиях как наиболее объективный параметр определения пространственной организации растительного покрова. Однако, классические определения показателя требуют некоторого уточнения и формализации. Определение по П. Д. Быкову «величина горизонтальной проекции надземных органов растения»[6] не является тождественным следующим: «процент площади покрываемой надземными частями растений» [7], «показатель характеристики роли отдельных растений в сложении фитоценоза (кроме того, популяций, ярусов, синузий и т.д.), определяемый абсолютной или относительной площадью проекций надземных частей растений» [8], «площадь поверхности почвы, занятая основаниями или равная проекциям крон какого-либо вида» (Алехин, 1925, 1931, 1933, 1938; Алехин, Сырейщиков, 1926; Braun-Blaunket, 1929, 1951; Cain, 1932; Лавренко, 1932.) [9]. Ни одно из приведенных определений не отвечает требованиям однозначности, измеримости, точности, предъявляемым к формальным параметрам.

Прежде всего, необходимо учесть, что проективное покрытие является пространственным параметром и для его точного определения необходимо установить пространственную систему отсчета. Все геодезические, топографические и другие измерения производятся относительно горизонтальной (уровенной) поверхности Земли. Измерения относительно криволинейной поверхности почвы ставят дополнительные задач приведения. Таким образом, формальное определение проективного покрытия требует построения горизонтальной проекции надземных частей растительных систем.

При определении параметров растительных систем возникает задача определения размеров и формы учетной площадки, которая отражает все структурные, функциональные и другие особенности. Однозначного ее решения пока геоботаникам получить не удалось. В связи с этим любое абсолютное определение обилие (площадь, объем, вес) не будет объективным, в силу своей зависимости от параметров учетной площади. В связи с этим наиболее эффективным параметром будет отношение покрытой площади к общей площади учета. Как правило, практическая геоботаника использует именно такой относительный показатель, выраженный в процентах. Глазомерно определяется процент проективного покрытия на площадке площадью 1- 100м² [6], 10 см² (сеточка Раменского) и других.

Очевидно то, что проективное покрытие применяется в основном как пространственный параметр, оценивающий состояние растительности. Учитывая сложность растительной системы, как объекта однозначного определения, следует указывать предмет, которым может служить организм, вид, популяция, ярус, синузия, ценоз, комбинация, и другие растительные системы.

Учитывая сказанное выше, проективное покрытие следует формально определять следующим образом: отношение площади горизонтальной проекции надземных частей растительных систем к общей площади горизонтальной проекции территории исследований.

Проективному покрытию в зарубежной геоботанике соответствует понятия «покрытое растениями» (plant cover) и «покрытое листьями» (foliage cover, projective cover).

Проективное покрытие подвержено существенным колебания в процессе вегетационного периода в соответствии со стадиями развития основных образующих видов (эдификаторов) и его измерение следует производить в фазу полного развития надземных органов растений, которым является начало плодоношения.

Традиционные методы определения проективного покрытия подразделяются на точечные линейные, площадные, в соответствие с геометрическими особенностями объектов опробования.

Точечный метод (the steel point method, the point quadrat method, point sampling) применяется американскими, австралийскими, новозеландскими геоботаниками. Его объектом является нульмерный территориальный элемент. Определение пространственного положения точек учета производится при помощи стойки со спицами [9]. При опускании спиц фиксируется столкновение с органами растения. Проективное покрытие определяется как отношение количества точек столкновения к общему количеству точек. Для обеспечения удовлетворительной точности требуется многократное опускание от 100 до 1000 раз в разных фитоценозах. Низкая производительность описанного метода потребовало его модернизации. В результате был создан колесный точечный метод учета проективного покрытия. Преимуществом точечного метода является точность глазомерной оценки пересечения и обеспечение случайности выборки, недостатками - малая производительность, трудоемкость. Кроме того, при его применении не учитывается высота пробной точки, то есть, учет производится не в точке горизонтальной проекции, а в ином положении в пространстве. Применение метода наклонных спиц дает дополнительную пространственную ошибку. В целом, применение метода суживает площадь исследования до точки, что неизбежно влечет за собой ошибки и упущения.

Линейный метод (line transect, line interception) или метод трансект (transect), или метод расстояний нашел широкое применение в практике геоботанических исследований. Его сущность состоит в построении на поверхности почвы линии и измерении отрезков ее пересечения с проекциями растений. Его объектом служит одномерный территориальный элемент. Проективное покрытие определяется как отношение суммы длины отрезков пересечения к общей длине отрезка. Метод трансект требует не меньших, чем предыдущий затрат труда и требует измерения всех растений трансекта, длина которого превышает 10 м. В тоже время, в поле зрение здесь попадает вся линия на территории системы, что значительно повышает исследовательские возможности. Дальнейшим развитием метода трансект следует считать метод ленточного трансекта (belt transect), который исследует полосу территориальной системы.

Площадной метод применяется в основном как метод квадратов. Его предметом является двумерный территориальный элемент. Квадрат со стороной равной 1 м применяется в геоботанике с 1837 года [9], признается наилучшей формой для учетных исследований. Размеры учетных площадок колеблются от 0,1 - 2 500 м² в соответствии с преобладающими жизненными формами и их размерами (Сукачев и др, 1909; Алехин, 1910; Раменский, 1915; Ильинский 1915, 1925, 1934; Лавренко та Прянішніків, 1926; Лавренко та Зоз, 1928; Braun-Blaunket, 1929, 1951; Stallard, 1929; Шенников, 1930, 1938; Lutz, 1930; Du Rietz, 1932; Лавренко, 1931; Robertson, 1939; Корчагин, 1946; Ларин, 1952; Марков, 1954 и другие). В качестве приспособлений для определения проективного покрытия использовались квадрат-рамка, сеточка Раменского, масштабные вилочки, которые в основе имеют геометрический принцип палетки. При этом производится учет площади не горизонтальной проекции, а проекции на поверхность почвы. Ошибка при этом, особенно на крутых склонах, может достигать 40%. Проективное покрытие при применении двумерного метода равна отношению площади занятой надземными частями растений к площади поверхности почвы.

При оценке состояния растительного сообщества используются следующие проективные показатели: общее проективное покрытие; видовое (частное) проективное покрытие; ярусное проективное покрытие; синузиальное проективное покрытие, проективное покрытие оснований (истинное). Они измеряются в относительных единицах, связаны соответствующими закономерностями, особенно в пределах одного фитоценоза.

Традиционное глазомерное определение обилия растений выполняется на качественном уровне установлением степени с применением специальных шкал обилия по Друде (6 градаций), по Рюбелю (10 градаций), по Браун-Бланке (5 градаций), по Высоцкому (5 градаций), по Алехину (10 градаций) и другим. Соответствие между ними и показателем проективного покрытия установлено с точностью до процента [6]. То есть, задача перехода от шкалы обилия к величине проективного покрытия решена еще в середине прошлого века.

Часто используются количественные методы определения обилия: численность (количество особей) на единицу площади, густота стояния вида (средняя площадь на единицу учета), расстояние между растениями, соответствие которых шкалам обилия установлено, по крайней мере, 50 лет тому назад [6,9].

Методы определения объема растений широко применяются при изучении производительности лесных сообществ, в том числе, и для учета запасов древесины. Основой метода определения объемного обилия является изучение модельных растений и их проективного покрытия. Объем модельного дерева в лесном хозяйстве определяется непосредственным измерением его частей. Объем модельного травянистого растения принимается равным объему вытесненной жидкости (Алехин, 1925).

Исходя из показателей проективного покрытия и модельных растений, осуществляется переход к показателям биомассы. Определение биомассы является центральным показателем продуктивности растительного сообщества, почвообразующей и ценообразующей роли растительности, биосферных функций экосистем.

Таким образом, параметр проективного покрытия на основе установленной объективной связи с основными параметрами экосистемы, может рассматриваться как главный индикатор ее состояния.

Решение задачи, определения численных характеристик проективного покрытия растительности с применением компьютерных технологий, сводится, по крайней мере, к трем этапам:

1. Получение качественного цифрового снимка объекта в полевых условиях достаточного разрешения для последующих расчетов с заданной точностью. Для этой цели необходимо использование цифровой фотокамеры или пленочного фотоаппарата с последующей оцифровкой слайдов, либо бумажных фотографий.

2. Обработка полно цветного файла изображения растительности на персональном компьютере в лаборатории или непосредственно на пробной площади, используя ноутбук. Вычисление необходимых метрических показателей с помощью специализированного программного обеспечения. Выбор параметров зависит от тех функций фитоценоза в экосистеме, которые необходимо оценить. К самой простой и информативной интегральной характеристике относится проективное покрытие.

3. Расчет информативности, статистической достоверности массива искомых величин их законов распределения и других вероятностных оценок стандартными статистическими методами.

Данная работа посвящена изложению методов и подходов применяемых на втором этапе решения задачи.

В этой фазе исследования наиболее сложной и неоднозначной является процедура сегментации изображений, т. е. разбиения изображения на множество областей, однородных в соответствии с некоторым набором критериев, которые ассоциируются с объектами и фоном. Результат сегментации представляется в виде карты не пересекающихся сегментов. Качество разделения обычно оценивают по ряду свойств: однородность регионов, различие соседних регионов, гладкость границы и др. [10,11].

Сама по себе постановка задачи сегментации не является определенной, т. к. результат разбиения зависит от многих факторов: подробности разделения, алгоритма вычисления, набора исходных признаков и их значимости, выбора метрики и др. Оценка качества сегментации и последующих измерений сильно зависит от субъективных предпочтений исследователя. Результат вычислительно «правильной» сегментации может быть воспринят пользователем негативно из-за особенностей восприятия зрительной информации. Классическим примером ошибок такого рода является оптическая иллюзия Мюллера-Лайера (рисунок 1).

Рисунок 1 - Пример субъективности человеческого зрения

Стрелки кажутся разной длины, в тоже время машинный анализ покажет одинаковые значения. Аналогичные явления наблюдаются при оценке фигур одинаковых площадей, но разной формы. Причина подобных эффектов - присущий человеческому зрению гештальтквалитат, т. е. психологическое восприятие свойства целого, а не свойств отдельных сегментов.

Другая особенность человеческого зрения - концентрация внимания на одном фрагменте изображения в определенный момент времени при рассматривании сложной картины большого размера. В этом случае, сделать объективные выводы относительно всего многообразия объектов распределенных по изображению чрезвычайно сложно. Здесь также кроется источник большой погрешности.

В этих условиях необходимо опираться на объективные показатели измерений, а не на визуальную оценку таких сложных по своему содержанию изображений, как фотографии растительного покрова. Основное преимущество компьютерной морфометрии состоит в том, что применяя единый подход к анализу близких по содержанию изображений снятых одной камерой в одинаковых режимах, найденные отличия можно считать достоверными.

В силу указанных причин, необходимо стремиться по возможности использовать программные алгоритмы автоматической сегментации без вмешательства или при минимальном участии оператора в интерактивном режиме. Для этих целей хорошо подходит кластерный анализ как метод распознавания без учителя. Его суть заключается в группировании некоего многомерного пространства признаков изображения на нужное число классов, основываясь на отличиях в плотности распределения по какому-либо критерию близости внутри и вне классов [12].

Успешная кластеризация зависит от правильного выбора признаков с высокой информативностью по отношению к выделяемым объектам. К наиболее чувствительному признаку наземных органов растительности в период вегетации относится зеленый цвет. Причисляемые к фону отмершие растительные остатки, поверхность почвы, горная порода и минералы на исследуемых пробных площадях не отражают свет с аналогичными спектральными характеристиками.

Каждый пиксель цветной фотографии любой цифровой камеры представлен в виде вектора в трехкомпонентном RGB цветовом пространстве. Значение координат каждого компонента изменяется в диапазоне [0, 255] пропорционально уровню сигнала светочувствительного ПЗС сенсора соответствующего цветового канала.

Предварительные эксперименты показали, что выделение растительных объектов только на основе фиксированного порогового уровня зеленой (G) составляющей не приводит к позитивному результату. Для повышения точности сегментации необходим учет дополнительных цветовых компонентов, т. к. основной зеленый цвет листьев сопряжен с желтоватыми, красноватыми и голубоватыми оттенками.

В силу своей аппаратной направленности линейная цветовая модель RGB не является оптимальной для целей выделения объектов на изображении по их цветовым признакам. Аппаратно независимое нелинейное цветовое пространство LAB обладает колориметрическим и равноконтрастным свойствами. Важно, что однородная модель LAB, где расстояние однозначно указывает на величину отличия двух цветов, хорошо разделяет интенсивность представленную яркостью L и цветность соответствующую двум цветоразностям AB. Причем отделение яркости от цветности максимально по сравнению со всеми существующими альтернативными цветовыми системами. Это позволяет проводить независимую обработку яркостных и цветовых признаков [13].

Алгоритм обработки изображений проективного покрытия можно представить в виде блок-схемы (рисунок 2). Данный алгоритм направлен на решение простейшей задачи выделения объектов проективного покрытия, т. е. вычисления двух непересекающихся кластеров принадлежащих объекту и фону.

цифровая обработка растительность экосистема

Рисунок 2 - Блок-схема программного алгоритма для автоматического анализа проективного покрытия.

Предварительные вычисления показали, что для качественной сегментации проективного покрытия недостаточно опираться только на цветовые признаки изображения необходимо использовать также пространственные критерии. Так как вероятность присоединения к одному классу признаков у геометрически соседних пикселей должна возрастать, даже если они имеют различные цветовые оттенки. Применение координат пикселей не является удачным выбором хотя бы потому, что в два раза возрастает объем анализируемой информации, что увеличивает время расчета и объем задействованной памяти. Здесь реализован другой подход, основанный на вычислении локальной дисперсии наиболее информативной зеленой компоненты по окрестности размером 11Ч11 пикселей. Логика применения такого подхода заключается в том, что если окружение центрального пикселя сильно изменяет зеленый цвет, то дисперсия этой точки будет иметь высокое значение, а значит, увеличивается расстояние в пространстве признаков и данный пиксель может принадлежать конкурирующему классу.

Логика применения такого подхода заключается в том, что если окружение центрального пикселя сильно изменяет зеленый цвет, то дисперсия этой точки будет иметь высокое значение, а значит, увеличивается расстояние в пространстве признаков и данный пиксель может принадлежать конкурирующему классу.

Современные фотоаппараты способны давать цифровые снимки размером от 5 до 15 мегапикселей. Изображения с таким разрешением обладают определенной избыточностью для целей анализа проективного покрытия. Для получения сегментов с плавными границами и малым количеством дыр необходима предобработка путем сглаживания изображения низкочастотным фильтром Гаусса или взвешенным усредняющим фильтром. Размер маски зависит от размера исходного изображения и степени его детализации. Мы применяли маску с 10 пиксельной окрестностью сглаживания. Оба фильтра дают хорошие результаты.

После сглаживающей предобработки исходных фотографий, изображения преобразуются в LAB цветовой формат. Причем, для снижения влияния эффектов затенения и уменьшения объема вычислений используется только цветоразностные компоненты А и В. В результате формируется 3 карты признаков размером соответствующих размеру изображения, которые стандартизируются для уравнивания весовых коэффициентов всех признаков при последующей кластеризации. Сегментация осуществляется агломеративным методом по схеме с использованием евклидовой метрики [14].

Далее проводится поиск выделенных сегментацией участков проективного покрытия и вычисление различных морфометрических показателей с последующим сохранением в файл данных.

В качестве тестовых использовались 7 фотоснимков размером 3888 Ч 2592 пикселей с различных растительных сообществ. Очевидно (рисунок 3), что предложенная методика анализа дает в целом удовлетворительные результаты.

Рисунок 3 - а), в) Фрагменты изображений, б), г) результат выделения проективного покрытия (фоновый кластер закрашен черным цветом).

Сегмент проективного покрытия имеет сглаженные края, куда попадают не только зеленые листья растений, но и желтые цветы. В тоже время отдельные элементы растительности тускло зеленого цвета, а также цветы голубых и фиолетовых оттенков могут попасть в область фона.

Эффективность разделения по цветовым признакам можно оценить по расположению сегментированных пикселей на плоскости цветоразностных координат (рисунок 4).

Видно, что фрагмент 1 несколько лучше разбивается на 2 класса, чем фрагмент 2.

В том числе, и потому, что фрагмент 1 имеет более широкий цветовой охват по координате В.

Рисунок 4 - Расположение сегментированных пикселей в АВ координатах цветового пространства LAB.

Оценка площади проективного покрытия по представленным снимкам 7 участков составила 38,06±12,5%. Кроме площади несложно рассчитать и другие показатели: линейных размеров, формы, ориентации и т. д.

Применение метода позволило получить предварительные результаты оценки экологического состояния вторичных экосистем нарушенных земель на опытном участке 3 отвала Игулецкого ГОКа. На откосе отвала проводились наблюдения развития вторичных экосистем с 2004 года. В 2005 году проведена обработка части откоса органическим веществом сточных вод. Расположенная рядом аналогичная по абиотическим условиям часть откоса была оставлена как контрольная. На обработанной части после 5 лет восстановления общее проективное покрытие вторичных растительных сообществ достигло 60%. В тоже время, на контрольном участке общее проективное покрытие растительных группировок составило лишь 25%. Полученные с применением метода цифровой обработки изображений результаты объективно свидетельствуют об эффективности проведенных мероприятий по формированию вторичных экосистем нарушенных земель.

Рост общего проективного покрытия растительных сообществ обеспечивает снижение пыления отвалов, загрязнения окружающих земель, рост биомассы, рост мортмассы, обеспечивает условия формирования вторичных почв и, в конечном итоге, обеспечивает экологическую безопасность нарушенных земель. Применение цифровых методов оценки проективного покрытия создает возможность получение количественной информации о состоянии одного из основных параметров состояния экосистем. На основе использование количественных методов оценки возникает перспектива разработки современных технологий формирования вторичных экосистем.

Перспективы дальнейших исследований

Дальнейшее развитие описываемого метода в первую очередь связано с повышением точности компьютерных измерений и расширением спектра вычисляемых признаков. Здесь можно наметить несколько параллельных направлений:

1. Повышение гибкости программного алгоритма. Применение нескольких более интеллектуальных методов сегментации для увеличения качества распознавания объектов с использованием не только цветовых, но и структурно-текстурных показателей, признаков формы. К таким подходам можно отнести, нейронные сети, методы водораздела, выращивания регионов, пирамидальный алгоритм, оптимизационный подход, сегментация на графах и др. Применение более развитых классификационных подходов, в частности, позволит уменьшить ошибку сегментации в зоне тени, полутени и бликов.

2. Переход от относительных величин к абсолютным значениям и уменьшение погрешности измерений. Все изложенное выше касается относительных измерений в процентах от общей площади, если переходить к абсолютным величинам, то необходимо решение задачи калибровки камеры. Эта задача тесно связана с проблемой компенсации геометрических аберраций оптической системы фотоаппарата. Также сильным источником геометрических искажений является расположение оптической оси камеры под некоторым углом к вертикали при съемке проективного покрытия без специальных приспособлений. Чем больше угол, тем сильнее ошибка измерения, которой можно пренебречь при относительных измерениях.

3. Развивая описываемый подход можно, кроме измерения проективного покрытия как интегрального показателя, реализовать дифференцирование живой и отмершей части растительного покрова, сегментацию наземных органов травянистых растений и разделение по видовому составу. Последняя задача является наиболее сложной и потребует, помимо геометрической градуировки, калибровки цвета по балансу белого для более точного определения цвета органов растений и компенсации неизбежных хроматических аберраций. Появится необходимость применения стереосъемки и перехода к 3D измерениям для правильной сортировки по видовому составу, что в целом повысит точность измерения проективного покрытия за счет учета трехмерной структуры растительного покрова. Решение этой задачи переводит компьютерную морфометрию фитоценоза на качественно новый уровень.

4. Автоматизированный анализ изображений космических снимков, основанный на аналогичных подходах, дает возможности охватить огромные территории, выявлять особенности строения растительного покрова, преобладающие виды, жизненные формы. Цифровые методы создают условия для привлечения к анализу цифровых моделей рельефа, систем глобального позиционирования.

Выводы

1. Цифровой анализ изображений позволяет в первом приближении получать количественные данные оценки проективного покрытия растительных сообществ. Намеченные пути развития метода создают возможность повышения точности компьютерной фотометрии и выхода на приближения более высокого порядка точности.

2. Преимущества предложенной методики, в сравнении с традиционными, состоят в объективности и оперативности измерений, что, в целом, повышает эффективность работы профильного специалиста.

3. Метод цифрового анализа изображения растительности, в том числе, и космических снимков, создает возможность экологического контроля значительных территорий, служит основой оперативного решения задач природопользования, исследования территорий с пересеченной местностью, особенно, нарушенных горными работами земель (техногенных ландшафтных заказников, участков самозаростания, применения методов активизации восстановления и других).

4. Предварительные результаты оценки, проведенной с применением метода, свидетельствуют об эффективности активизации формирования экосистем при помощи обработки органическим веществом сточных вод.

Перечень ссылок

1. Инженерная экология: Учебник - М.:Гардарики, 2002. - 687 с.

2. Биоиндикация загрязнений наземных экосистем. - М.: Мир, 1988. - 348 с.

3. Современные методы биофизических исследований: Практикум по биофизике / [Булычев А.А., Верхотуров В.Н., Гуляев Б.А. и др.]; под ред. А.Б. Рубина. - М.: Высш. шк., 1988.-359 с.

4. Гаевский Н.А. Использование переменной и замедленной флуоресценции хлорофилла для изучения фотосинтеза растений / Гаевский Н.А., Моргун В.Н. // Физиология растений. -1993. - Т.40, №1. - С.136-145.

5. Гумбольдт А. Картины природы. - M., 1959. - 269 с.

6. Быков Б.А. Геоботаника. - Алма-Ата: Изд-во АН Каз. ССР, 1957 - 372 с.

7. Ярошенко П.Д. Геоботаника. - М.: Просвещение, 1969. - 200с.

8. Миркин Б.В. Толковый словарь современной фитоценологии / Б.В. Миркин, Г.С. Розенберг. - М.: Наука, 1983. - 135 с.

9. Понятовская В. М. Учет обилия и особенности размещения видов в естественных растительных сообществах // Полевая геоботаника [под общей редакцией Е.М. Лавренко и А.А. Корчагина]. - М.-Л.: Наука, 1964. - Т III. -С. 209-299.

10. Haralick R.M., Shapiro L.G. Image Segmentation Techniques. / Computer Vision, Graphics, Image Processing. 1985, Vol. 29, No. 2, p. 100-132.

11. Дуда Р., Харт П. Распознавание образов и анализ сцен. - М.: Мир, 1978.

12. Jain A.K., Murty M.N., Flynn P.J. Data clustering: a review. // ACM Comput. Surv. Vol. 31, Iss. 3, 1999, p. 264-323

13. Гонсалес Р., Вудс Р. Цифровая обработка изображений. - М.: Техносфера, 2005. - 1072 с.

14. Jain A.K., Dubes R.C. Algorithms for Clustering Data. Prentice Hall, Englewood Cliffs, NJ., 1988, 334 p.

Размещено на Allbest.ru