Содержание к диссертации
Введение
Глава 1. Космический мониторинг состояния лесов 10
1.1. Цели и задачи мониторинга состояния лесов Российской Федерации 10
1.2. Средства и техническое обеспечение космического мониторинга лесов 24
1.3. Современные технологии обработки аэрокосмической информации 36
1.4. Постановка задачи исследования 44
Глава 2. Теория, алгоритмы и программное обеспечение для тематического дешифрирования многозональной космической съемки 47
2.1. Алгоритмы и программы поточечного спектрального анализа многозональных космических изображений (МКИ) 47
2.2. Алгоритмы и программы обработки МКИ на основе пространственных характеристик 60
2.3. Фрактальный и перколяционный методы обработки МКИ 64
Глава 3. Автоматизированная технология оценки и прогноза состояния лесных массивов по материалам многозональной космической съемок 78
3.1. Общее описание 78
3.2. Методика построения спектрометрической и пространственно-частотной модели 83
3.3. Методика построения фрактальной модели 93
3.4. Методика построения перколяционной модели 96
Глава 4. Практическое применение разработанной технологии для изучения состояния лесных массивов кировской области по материалам космических съемок 104
4.1. Краткая характеристика региона и экспериментальных материалов 104
4.2. Спектральная, фрактальная и перколяционная модели исследуемого лесного массива 112
4.3. Оценка динамики вырубок лесного массива 124
4.4. Прогнозирование развития пожароопасных ситуаций в лесных массивах 129
Заключение 140
Список литературы 142
- Цели и задачи мониторинга состояния лесов Российской Федерации
- Алгоритмы и программы поточечного спектрального анализа многозональных космических изображений (МКИ)
- Методика построения спектрометрической и пространственно-частотной модели
- Прогнозирование развития пожароопасных ситуаций в лесных массивах
Цели и задачи мониторинга состояния лесов Российской Федерации
«Лес - это важнейший элемент природной среды глобального экологического значения, состоящий их совокупности земли, древесной, кустарниковой и иных видов растительности, животных, микроорганизмов и других компонентов природы, биологически взаимосвязанных и влияющих друг на друга в своем развитии» [62, 84].
Усиливающиеся антропогенно-техногенные воздействия на леса, глобальные изменения химического состава атмосферы и климата ведут к значительному ухудшению лесного покрова и его компонентов в количественном и качественном отношениях. Истощение лесных ресурсов, ежегодное повреждение 2-3 млн. га наших лесов болезнями и вредителями, более 9 млн. га - промышленными выбросами, более 4 млн. га - пожарами и около 7 млн. га - радиационными загрязнениями, обуславливают необходимость организации действенной системы слежения за состоянием лесов, оценки степени отклонений их от нормы, прогноза их динамики и т.п. В Лесном кодексе РФ в статье 69 определена система мониторинга лесов: «Мониторинг лесов представляет собой систему наблюдений, оценки и прогноза состояния и динамики лесного фонда в целях государственного управления в области использования, охраны, защиты лесного фонда и воспроизводства лесов и повышения их экологических функций. Порядок осуществления мониторинга лесов устанавливается федеральным органом управления лесным хозяйством совместно со специально уполномоченным государственным органом в области охраны окружающей природной среды» [62]. Эффективно действующая система мониторинга лесов позволит решить следующие наиболее типовые задачи:
- выдача и доведение до заинтересованных организаций текущей информации о состоянии лесов;
- инвентаризация и оценка состояния лесных ресурсов региона;
- контроль и выдача рекомендаций по оптимальному использованию лесных ресурсов региона;
- выдача оперативных данных об изменении состояния лесов в результате стихийных бедствий, катастроф и других чрезвычайных ситуаций;
- выдача данных о текущем экологическом состоянии лесов (данные о степени истощения лесных экосистем в целом, данные о состоянии всех основных компонент экосистем - почв, растительности, вод и т.д.);
- прогнозирование экологического состояния лесов при тех или иных вида антропогенного воздействия (оценка последствий для лесов функционирования существующих объектов промышленности, сельского производства; оценка влияния промышленного производства на агроэкологическую ситуацию; оценка средне- и долгосрочных экологических последствий крупных аварий и стихийных бедствий; прогнозирование возникновения кризисных ситуаций, обусловленных длительным накоплением слабых воздействий на леса);
- оценка (в натуральном и стоимостном выражении) степени влияния (текущего и перспективного) на леса промышленных комплексов, оказывающих заметное воздействие на регион и относящимся к таким отраслям как энергетика, нефтегазовая, лесоперерабатывающая промышленность, черная и цветная металлургия, химия и нефтехимия и др. Рассмотрим, основываясь на работе [87, 92], современное состояние мониторинга лесов России. В настоящее время из 1179 млн. га общей площади лесного фонда, мониторинг лесов ведется примерно на 2/3-х частях их территории [45, 54]. При этом перечень задач и детальность их решения в разных регионах неодинаковы. В основном это актуализация данных лесоинвентаризации, охрана лесов от пожаров и защита их от вредителей и болезней, контроль за порядком лесопользования. Мониторинг лесов базируется прежде всего на данных изученности лесов, в основу которых положены картографические и таксационные материалы лесоустройства (лесоинвентаризации), дополняемые данными различных исследовательских и обследовательских работ и справочно-нормативными материалами. В конце 90-х гг. в процессе выполнения лесоустроительных работ начали создавать цифровые карты и формировать локальные геоинформационные системы (ГИС) на уровне лесхозов (административных районов). ГИС локального уровня в своем составе имеют в обязательном порядке следующие базы данных:
- картографические - в зоне лесоустройства (733 млн. га) в масштабах - 1:10 000, в лесах, устроенных по I-II разрядам (зона интенсивного ведения лесного хозяйства), и 1:25 000, устроенных по III разряду (лесопромышленная зона); в резервных лесах северо-восточных районов страны, изученных фотостатистической инвентаризацией на основе дешифрирования космических фотоснимков (335 млн. га) и аэротаксацией (91 млн. га), - в масштабах 1:50 000 -1:100 000. - лесотаксационные, включающие таксационную характеристику всех выделов в пределах лесных кварталов, групп и категорий защитности лесов, лесничеств и лесхозов, а также обобщенные итоговые данные учета лесного фонда;
- тематические: нормативно-справочные, лесопользования, лесовосстановления, охраны и защиты леса и пр. Состав тематических баз может быть различным в зависимости от требований заказчика к мониторингу и выделяемого финансирования.
Ведутся также работы по созданию специализированных или многоцелевых ГИС регионального и федерального уровней [90, 96]. Например, Геоинформационная система (ГИС) мониторинга лесных пожаров разработана совместно Международным Институтом Леса РАЕН, Институтом Космических Исследований РАН и Центральной базой авиационной охраны лесов от пожаров ("Авиалесохрана") с целью информационной поддержки принятия решений на Федеральном уровне управления системой охраны лесов [89, 90]. ГИС обеспечивает сбор, хранение, сопряженную обработку и распространение пространственно-координированных данных о горимости лесов, условиях возникновения и развития лесных пожаров, уровне их воздействия на окружающую среду, получаемых на основе наземных, воздушных и космических средств и методов наблюдения за лесными пожарами и погодными условиями. Информация, представленная в виде совокупности таблиц, электронных тематических карт и результатов обработки спутниковых изображений, оперативно обновляется на WWW-сервере и доступна пользователям по сети Internet практически в режиме реального времени. Учитывая то, что мониторинг лесов может эффективно функционировать лишь при наличии надежных данных изученности лесов и развитой ГИС, первоочередной задачей мониторинга следует считать формирование и поддержание в актуализированном состоянии комплексной многоцелевой и разноуровневой (федеральной, региональной, локальной) геоинформационной системы. Это одна из первоочередных задач, тем более, что больше половины данных изученности лесов устарели и имеют давность свыше 10-20 лет, а материалы аэротаксации - около 50 лет. Основываясь на имеющемся опыте и целях и задачах лесного хозяйства, лесопромышленного комплекса, экологических, природоохранных и других организаций, в работе [92] определены основные задачи, которые целесообразно решать в рамках комплексного мониторинга лесов. Исходя из современного понимания функционального назначения мониторинга лесов в составе их выделено восемь групп задач (табл. 1.1). Каждая из них, в свою очередь, включает отдельные специализированные задачи, перечень которых и широта охвата ими территории страны могут увеличиваться или уменьшаться в зависимости от социально-экономической и экологической обстановки в стране в целом и в отдельных ее регионах. Поскольку в основу технической базы мониторинга лесов положены дистанционные средства, определены не только общая и ежегодная площади обследования и аэрокосмических наблюдений, но и требования к техническим средствам дистанционного зондирования по пространственному и спектральному разрешениям, сезонам съемки, периодичности обновления и оперативности получения информации.
Алгоритмы и программы поточечного спектрального анализа многозональных космических изображений (МКИ)
Особенностью спектральной (энергетической) информации является ее низкая помехоустойчивость и зависимость от множества полезных и мешающих факторов. Сами же параметры состояния зондируемых объектов также обладают стохастическими свойствами, как в пространстве, так и во времени. Это свидетельствует о том, что для решения обратных задач дистанционного зондирования, возникающих при автоматизированном дешифрировании космических изображений, надо уделить особое внимание определению инвариантных функций связи спектральных и предметно-специфических характеристик исследуемых объектов, вопросам восстановления этих функций по материалам космических съемок.
Чаще всего в качестве спектральных признаков используется линейная комбинация коэффициентов спектральной яркости (или других спектральных характеристик) отображенных на многоспектральном космическом изображении природных и антропогенных образований, позволяющая произвести разделение спектральных образов изучаемых объектов в п-мерном признаковом пространстве с последующей его классификацией. Для многоспектральной классификации разработан обширный и многоплановый аппарат, основанный на результатах теории принятия решений [4, 65].
Пусть X - многомерное измерение (соответствующее элементу изображения) из множества С (набора элементов изображения), содержащего /77 классов. Пусть, кроме того, анализируемая сцена разбивается на множество элементарных областей из смежных элементов изображения, которая может удовлетворительно классифицировать с помощью классификатора с простым обучением. Множество С определяется границами элементарных областей. Для проведения классификации используются решающие (дискриминантные) функции: строятся функции, зависящие от признаков и обеспечивающие оптимальное, в некотором смысле, разделение Основная проблема, возникающая после определения набора решающих функций (линейных или каких либо других), заключается в определении коэффициентов. Обычно для этого используется доступная выборка образов.
Различные алгоритмы построения классификатора (набора решающих правил) основаны на априорных данных различного вида. Векторам измерений X соответствуют четыре вида априорных данных:
- известен вид условных плотностей распределения для всех классов, а значения параметров этих распределений неизвестны;
- известны параметры распределения;
- заданы выборочные объекты с известной заранее классификацией (известна принадлежность к тому или иному классу);
- заданы выборочные объекты с неизвестной заранее классификацией.
Для априорных данных 3-го и 4-го типов всегда предполагается, что объекты выбраны независимо. В зависимости от комбинации априорных данных получаются различные алгоритмы нахождения решающей функции.
Из представленного краткого описания многочисленных алгоритмов классификации по спектральным характеристикам видно, что грубо их можно разбить на две группы: алгоритмы, основанные на вероятностной структуре данных, и алгоритмы, в которых такая структура не задана. Первая группа обладает тем очевидным преимуществом, что в данном случае можно легко оценивать качество соответствующих решающих функций. Однако здесь часто бывает трудно оправдать практические исходные предположения.
Для алгоритмов второй группы имеет место обратная ситуация.
При более реалистичных требованиях к характеру исходных данных точная количественная оценка качества затруднена. Основной метод обучения, фигурирующий в алгоритмах первой группы, состоит в рекуррентном применении правила Байеса, в то время как в алгоритмах второй группы используется итеративная оптимизация некоторого критерия. В последнее время наметилась устойчивая тенденция к совместному использованию, на различных стадиях обработки, методов из этих двух групп, как взаимно дополняющих друг друга.
В качестве информативных спектральных признаков обычно используют [46, 124, 129]:
- длины волн, на которых достигаются локальные минимумы или максимумы коэффициента спектральной яркости (КСЯ) или его производной;
- признаки, характеризующие спектральный контраст. Эти признаки являются количественными характеристиками спектрального контраста между двумя спектральными зонами A,i и Х2 и позволяют отделить влияние факторов, определяющих форму спектрального распределения КСЯ, от факторов, приводящих к его равномерному изменению;
- линейные комбинации зональных значений КСЯ.
Наиболее часто на практике используют следующие зональные коэффициенты [79]:
Примечание. г(л,) - коэффициент яркости в ближней ИК-области, г{? ) -в красной части спектра, р02 - коэффициент яркости почвы и р01 - яркость растительности в красной части спектра, rzx- коэффициент яркости почвы и rz2 - яркость растительности в ближней инфракрасной части спектра.
В настоящее время отчетливо выражена тенденция к переходу от спектральных параметров, основанных на простых комбинациях отражения в различных участках спектра, к более сложным преобразованиям в п-мерном пространстве, где спектральные данные удобно представить точкой или вектором, координаты которых суть значения отражения в п зонах спектра. Существует решение [46, 47], позволяющее сократить число признаков векторного пространства, анализируемых при использовании многозональной информации и приводящее к такой перегруппировке исходных данных, при которой основная часть информации оказывается сосредоточенной лишь в нескольких признаках, тесно связанных с физическими характеристиками анализируемого фрагмента изображения земной поверхности. В обиход были введены понятия "индекс яркости почвы" и "индекс зеленой растительности", или просто зеленость, широко используемые в современных исследованиях. В [46] яркость представляет собой взвешенную сумму сигналов всех зон, т.е. общее отражение, и измеряется как векторное расстояние в направлении так называемой "линии почв" (главной оси дисперсии спектрального отражения оголенной почвы). Индекс зелености приблизительно ортогонален яркости и описывает контраст между отражением в ближней ИК и видимой областях спектра. Этот признак тесно связан с количеством зеленой растительности в сцене и определяется как ортогональное расстояние от линии почвы до некоторой точки в пространстве, характеризующей растительность. В [52, 127, 136] показано, что число размерностей п, имеющихся в спектральном пространстве, а также число вегетационных индексов (Vi), которое может быть рассчитано, равно числу зон (интервалов длин волн или полос), в которых проводились измерения. Однако рассчитывать п индексов необязательно, т.к. подавляющая часть интересующей пользователя информации содержится обычно лишь в части из них, причем, и это самое важное, физический смысл яркости и зелености сохраняется тот же. Следует отметить, что физический смысл существования координатных осей яркость-зеленость (В, G) заключается в том, что в области спектра 0.4-1.0 мкм спектральная отражательная способность почв монотонно возрастает с увеличением длины волны, а производная от яркости растительности по длине волны дважды меняет знак.
Методика построения спектрометрической и пространственно-частотной модели
Разработанная методика построения цифровых моделей данного типа включает с себя следующие основные вычислительные этапы:
1. Предварительная подготовка многозональных изображений на изучаемую территорию.
Входное (исходное) изображение состоит из совокупностей значений яркости, отображающих проекции трехмерных сцен, полученных системами регистрации, выход - это информация о физической интерпретации отдельных объектов, их свойств и связей между ними. Выбор необходимого режима и последовательности предварительной обработки задается пользователем в зависимости от восприятия им поставленной задачи исследования, воспроизведением данных на экране системы оперативного отображения информации, выполненных на базе современных терминальных устройств.
Можно указать три основные операции в начале предварительной обработки данных. Это фотографическая обработка; преобразование записанных на магнитной ленте сигналов из аналоговой в цифровую форму и получение записи, пригодной для обработки на ЭВМ; цифровое представление изображений и, наоборот, формирование изображений из записанных в цифровой форме данных.
Продолжением первичной обработки видеоданных является их коррекция, призванная устранить масштабные искажения формирующихся изображений, а также случайные помехи при регистрации и передаче данных, выровнять изображения по плотности, усилить или уменьшить контрастность и т.д.
Операции по предварительной обработке изображений могут осуществляться с использованием программных пакетов типа: ERDAS Imagine, ERMapper, IDRISI, ILWIS и др.
На этапе предварительной обработки, нам представляется необходимым проведение статистического анализа исходных и преобразованных изображений, с целью описания их статистической структуры. Для этого вычисляется следующая совокупность статистических характеристик исследуемого цифрового изображения: математическое ожидание, минимум, максимум, размах, вариация, мода, медиана, дисперсия, эксцесс, асимметрия и др. При осуществлении статистического анализа цифровых изображений рекомендуется использовать следующее программное обеспечение: ORIGIN, ERDAS Imagine, STATISTICA, SPSS и др.
Яркостная и геометрическая и коррекции снимков, включающая в себя трансформирование и привязку снимков, выполнялась в пакете Erdas Imagine версии 8.4. Данный пакет предоставляет обширные функции по работе с растровыми и векторными картами и изображениями, в том числе полный набор функций по осуществлению яркостной коррекции по гистограмме и трансформирование в большинство известных картографических проекций. Пример предварительной обработки многозональных изображений представлены на рис. 3.2-3.3.
Сегментация изображений и растровых карт производилась в пакете Adobe Photoshop, предоставляющем более удобные, чем Erdas Imagine, функции вырезания частей изображений и формирования наглядных многослойных схем с прозрачными слоями.
Для проведения тестовых построений информационных моделей лесного массива нами были выбраны космические изображения территории Казахстана, полученные с ИСЗ Landsat 7 21 августа 1999 г. (рис. 3.5).
Лесные массивы рассматриваемой территории в основном представлены хвойными лесами (сосна, пихта), а также небольшим количеством лиственных и смешанных лесов из березы и осины. Обезлесенные территории представлены степями, солончаковыми лугами, а так же остепненными лугами с кустарником.
2. Формирование цифровых изображений спектральных геометрических признаков.
Формирование изображений спектральных признаков осуществляется программным модулем WinCalc.
Представленные на рис. 3.6. растровые изображения спектральных. геометрических признаков показывают, что каждый из них выделяет ту или иную группу природных и антропогенных объектов из всей совокупности объектов, представленных на исходных многозональных космических снимках (см. рис. 3.5).
Анализ показывает, что группу признаков Pj можно условно разделить на 3 подгруппы, для каждой из которых можно дать определенную физическую интерпретацию и определить ее дешифровочный потенциал.
Подгруппа 1. К этой подгруппе можно отнести признаки Р1, Р4, Р10 . Данные признаки характеризуют степень вытянутости спектрального многоугольника, а также его ориентацию относительно прямой соединяющей первую и последнюю точки анализируемого участка спектральной кривой.
Совместный анализ растровых изображений данных признаков, исходных космических изображений? материалов наземных обследований исследуемой территории и результатов моделирования реальных ситуаций с использованием компьютерной базы данных КСЯ различных природных и антропогенных объектов показал, что с помощью данных признаков можно успешно дешифрировать: водные объекты, населенные пункты, распаханные земли. Однако в целом, дешифровочные возможности этой группы признаков не велики.
Подгруппа 2. К этой подгруппе можно отнести признаки Р2, 5, Ре-Данные признаки являются мерой линейности спектральных характеристик объектов представленных на исследуемом многозональном изображении. С помощью данных признаков можно с уверенность выделять большую совокупность природных и антропогенных объектов (вода, обезлесенные территории, леса, поля и др.). Как показывают наши исследования признаки Р2 и Р5 можно успешно использовать для исследования растительного покрова. Наименьшей информативностью из рассматриваемых признаков обладает признак Рб.
Прогнозирование развития пожароопасных ситуаций в лесных массивах
Оперативное проведение мероприятий по борьбе с лесными пожарами невозможно без осуществления мониторинга лесопирологической обстановки на контролируемой территории. При этом мониторинг лесопирологической обстановки требует системного подхода к сбору, хранению, анализу информации, дающей полное представление о состоянии любого компонента системы в кратчайшие сроки [69, 70, 74, 104].
Накопленным опытом оперативного слежения за лесными пожарами и картирования территорий пройденных пожарами, следует считать использование сканерной съёмки высокого разрешения (например, данные, получаемые с ИСЗ «Спот», «Ландсат-7»). В отечественной практике для мониторинга лесных пожаров используется многозональная сканерная спутниковая информация с ИСЗ «Метеор» и «Ресурс 01». Детальные космические съёмки достаточно проводить с разрешением 10 м на местности. Они позволяют выявить периметр горящих участков, точно установить местоположение пожара, оценить его характер, направление, скорость, фазу развития и др. Для обзорных съёмок, одной из задач которых является картирование площадей выгоревших лесов (гарей) с целью определения нанесённого ущерба крупными пожарами, достаточно разрешение 30-50 м. Дымовые шлейфы лесных пожаров и их демаскирующий фактор в видимом спектре (0,4-0,7 мкм), могут исследоваться как детально по крупномасштабным снимкам с разрешением 5-Ю м, так и рекогносцировочно по мелкомасштабным снимкам с разрешением 150-200 м.
В ИК области спектра наблюдение за лесными пожарами из космоса возможно в любое время суток, но могут быть использованы только те участки спектра, в которых отсутствует избирательное поглощение паров воды и углекислого газа («окна прозрачности»): 0,95-1,05 мкм, 1,2-1,3 мкм, 1,5-1,8 мкм, 2,1-2,4 мкм, 3,3-4,2 мкм, 4,5-5,1 мкм, 8-12 мкм.
Для определения площадей пожарищ и слежения за послепожарной динамикой лесов наиболее перспективны многоспектральные системы с длиной волны 0,6-0,7 мкм и 0,8-1 мкм и спектрозональные космические съемки. Кроме этого, в ближнем ИК-диапазоне съемки (0,8-1,0 мкм) наиболее чётко распознаются площади, недавно пройденные пожаром (свежие гари). Для оценки текущей пожарной опасности в лесах наиболее информативно и перспективно зондирование в СВЧ-диапазоне на длинах волн от 0,3 до 2,25 см; для обнаружения пожаров, их картирования и оценки интенсивности горения в СВЧ-диапазоне - 0,3-0,8 см; в ИК-диапазоне для двух последних целей соответственно - 8-14 мкм и 3-5 мкм.
Пройденная пожаром лесная площадь изображается на сканерных снимках видимого и ближнего ИК-диапазонов в виде тёмного пятна, резко отличающегося по контрасту от окружающего фона. Свежие гари выделяются относительно легко. По мере их старения, т. е. зарастания травой и лиственными породами, контраст тона фотоизображения между гарью и окружающим фоном сглаживается. Однако в некоторых случаях (например, в лесах Западной Сибири) изображение пройденной пожаром лесной площади как в видимом, так и в ближнем ИК-диапазонах спектра почти не отличаются по тону от изображений болотистых участков. Поэтому обнаружить свежие гари в тот момент, когда пожар ещё не ликвидирован, помогает наличие дымового шлейфа.
Спектрозональные космофотоматериалы масштаба 1:200 000, полученные в условных цветах в диапазоне 0,57-0,8 мкм, являются наиболее информативными при визуальном дешифрировании пожарищ и гарей. Отличительными дешифровочными признаками пожарищ разного срока давности являются:
- однородный розовый цвет, меняющий тон от тёмного до светлого;
- структура фотоизображения; к семилетнему возрасту пожарища выглядят на снимке ещё как однородные изображения. Со временем, по мере появления самосева и подроста, структура пожарищ начинает проявляться более чётко;
- границы пожарищ хорошо выделяются в первые годы после пожара, в дальнейшем, в процессе возобновления, они приобретают размытый характер и дешифрированию поддаются с трудом.
Сегодня оперативный мониторинг лесопожарной обстановки организован МЧС РФ следующим образом [74]:
- получение космических изображений с КА «NOAA», калибровка по радиометрической температуре и преобразование их в формат системы ERDAS Imagine;
- выделение очагов пожаров посредством выбранного алгоритма;
- подготовка данных мониторинга для представления их в органы управления.
Непосредственное выделение очагов лесных гарей осуществляется следующим образом. Известно, что основным дешифровочным признаком свежих гарей после сильных низовых и повальных верховых пожаров является темно-серый и темный тон в панхроматическом канале, а также неровные, чаще всего, клиновидные границы.
Первый признак обусловлен черной поверхностью гари, образующейся в результате полного выгорания напочвенного (мохового) покрова, подростка и подлеска, а также обугливания валежника.
При распознавании лесных гарей по многозональным изображениям тон лесной гари меняется в зависимости от спектрального канала. В зеленом (0.5-0.6 мкм) участке спектра гари практически не видны, имеют такой же серый тон, что и хвойные леса. В красной зоне спектра лесные гари немного более светлые, чем окружающие их хвойные леса. Хорошо различимы гари в ближнем инфракрасном участке спектра - они имеют почти черный тон в отличие от лесов, имеющих серый тон изображения.
Первые два спектральных канала наряду с третьим необходимо использовать для отделения лесных гарей от других природных объектов, таких как хвойные леса, редколесья, торфяники, вырубки, болота.
Для выделения гарей на космических снимках создается синтезированное изображение на основе снимков из трех перечисленных выше спектральных диапазонов. На таком изображении лесные гари имеют темно-сиреневый тон (красновато-пурпурный R=0.647, G=0.153, В=0.522), в то время как хвойные леса отображаются более темным сиреневым тоном с небольшим зеленым оттенком (R=0.451, G=0.336, В=0.464). Редколесья имеют более светлый, чем лесные гари, оттенок и отличаются от последних идеально монотонной текстурой. Вырубки, как и редколесья, имеют светло-сиреневый тон изображения, но правильные границы. Распаханные торфяники темно-сиреневые, почти черные и имеют правильные границы.
Выше описанная технология обнаружения и контроля развития лесного пожара, определения площадей гарей, с целью оценки ущерба, может быть усовершенствована, если использовать предложенных автором информационные модели контролируемых лесных массивов, т.к. в этом случае существенно увеличивается оперативность получения и объективность информации о изменении состояния и наличии пожароопасной ситуации в исследуемом лесном массиве. Это достигается путем корректного математического и интерпретационного (сопоставление нескольких информационных моделей) анализа выделяемых оператором или автоматически (с использованием разработанного автором программного обеспечения) тоновых аномалий на разностных изображения информационных моделей.
