СОЗДАНИЕ БАЗЫ ГЕОДАННЫХ ГЕОМОРФОМЕТРИЧЕСКИХ ПАРАМЕТРОВ РЕЛЬЕФА НА ПРИМЕРЕ НОВОСИБИРСКОЙ ОБЛАСТИ C ПРИМЕНЕНИЕМ КОСМИЧЕСКИХ СНИМКОВ
Аннотация
Традиционные методы качественного описания рельефа, применяемые в ходе ландшафтного анализа, районирования, прогнозирования развития экзогенных процессов, оценки сельскохозяйственных земель не позволяют объективно выделить формы рельефа, выявить статистически достоверные связи между показателями рельефа и компонентами геосистем. Для агроэкологической оценки и группировки земель с применением методов автоматической классификации необходимо построение базы геоданных количественных показателей рельефа. При региональных исследованиях для разработки базы геоданных геоморфометрических показателей рельефа наиболее актуальны космические снимки высокого и среднего пространственного разрешения.
Обоснование. Большое практическое значение для автоматизированного картографирования форм и типов рельефа имеют количественные показатели рельефа. В процессе региональной классификации (группировки) сельскохозяйственных земель часто используют усредненные показатели рельефа. В зарубежной литературе для классификации сельскохозяйственных земель часто применяют комбинированные топографические индексы. Научная значимость исследований связана с современными методами геоморфометрического анализа рельефа на основе данных дистанционного зондирования Земли (ДДЗЗ) и их применения для автоматизированного картографирования типов рельефа.
Цель работы – создание базы геоданных (БГД) геоморфометрических параметров рельефа Новосибирской области на основе спутниковых данных.
Материалы и методы. В работе использованы методы цифрового моделирования рельефа и геоморфометрии.
Результаты. В работе создана БГД геоморфометрических параметров рельефа с использованием космических снимков среднего и высокого пространственного разрешения ALOP PALSAR (12,5 м/пиксел) и ALOS DSM (30 м/пиксел), топографических карт М1:25000. БГД рельефа на примере Новосибирской области включает тематические морфометрические карты и атрибутивные таблицы. БГД использована для картографирования типов рельефа на территории агроландшафтов Новосибирской области. В результате автоматической классификация типов рельефа с применением алгоритмов без учителя K-Nearest Neighbor (KNN или k-NN, ближайших соседей) и итеративного самоорганизующегося алгоритма ISODATA (Self-Organizing Data Analysis) были картографированы типы рельефа на территории Новосибирской области. Входными данными для классификации типов рельефа служили параметры рельефа и вегетационные индексы NDVI, EVI, OSAVI, TSAVI, вычисленные на основе мультиспектральных космических снимков Sentinel-2 A. На примере Приобского центрально-лесостепного агроландшафта охарактеризованы типы рельефа и связанные с ними группы сельскохозяйственных земель: водораздельный дренированный нерасчлененный плоско-равнинный, приводораздельный дренированный слаборасчлененный, междуречный недренированный плоско-заболоченный. Основными рельефообразующими процессами на территории Приобского центрально-лесостепного агроландшафта являются плоскостной смыв и заболачивание.
Заключение. Современные методы геоморфометрии и геоинформатики позволяют на основе дистанционной информации создавать пространственные базы данных геоморфометрических параметров для комплексной оценки сельскохозяйственных земель. Использование БГД геоморфометрических параметров рельефа и вегетационных индексов позволило выполнить автоматизированное картографирование типов рельефа.
Скачивания
Литература
Список литературы
Атлас Новосибирской области / Федер. служба геодезии и картографии России; сост. и подгот. ФГУП Новосиб. картогр. фабрика Роскартографии в 1999-2001 гг. 2-е изд. Москва: Роскартография, 2002. 56 с.
Безгодова О.В., Истомина Е.А., Овчинникова Е.В. Оценка и картографирование Мондинской котловины на основе морфометрического ландшафтного анализа // Геодезия и картография. 2018. №8. С. 28-37.
География Новосибирской области: учеб. пособие для общеобразоват. учреждений / В. М. Кравцов, Р. П. Донукалова. 3-е изд., испр. и доп. Новосибирск: ИНФОЛИО-пресс, 1999. 208 с.
Природа Новосибирской области / Т. А. Горелова и др. Новосиб. гос. пед. ун-т. Новосибирск: НГПУ, 2011. 159 с.
Безгодова О.В., Распутина Е.А. Автоматизированное картографирование опасных экзогенных процессов тункинской котловины с применением ГИС-технологий // Геодезия и картография, 2020. Т. 81. №3. С.8-20. https://doi.org/10.22389/0016-7126-2020-957-3-8-20
Павлова А.И. Пространственные базы данных агрономических геоинформационных систем // Siberian Journal of Life Sciences and Agriculture. 2021. Т. 13. № 5. С. 336-349. https://doi.org/10.12731/2658-6649-2021-13-5-336-349
Павлова А.И. Применение вегетационных индексов для цифрового почвенного картографирования на основе космических снимков Sentinel-2 // Siberian Journal of Life Sciences and Agriculture. 2021. Т. 13. № 6. С. 119-131. https://doi.org/10.12731/2658-6649-2021-13-6-119-131
Amatulli G., Domisch S., Tuanmu M.-N. at all. Data descriptor: A suite of global, cross-scale topographic variables for environmental and biodiversity modeling // Scientific Data, 2018, no. 5, 180040. https://www.nature.com/articles/sdata201840
Chu H.-J., Chen Y.-C., Ali M.Z., Hofle B. Multi-Parameter Relief Map from High-Resolution DEMs: A Case Study of Mudstone Badland // International Journal of Environmental Research Public Health, 2019, vol. 16, no. 7, 1109. https://doi.org/10.3390/ijerph16071109
Geomorphometry: Concepts, Software, Applications /Eds. T. Hengl, H. I. Reuter. Ser.: Developments in Soil Science, vol. 33. Elsevier. Ch. 1: Geomorphometry: A brief guide / R. J. Pike, I. S. Evans, T. Hengl. 2009, pp. 3–30.
Gomez-Gutierrez A., Conoscenti C., Angileri S.E., Rotigliano E., Schnabel S. Using topographical attributes to evaluate gully erosion proneness (susceptibility) in two mediterranean basins: Advantages and limitations // Natural Hazards, 2015, no. 79, pp. 291–S314. https://doi.org/10.1007/s11069-015-1703-0
Hurst M.D., Mudd S.M., Walcott R., Attal M., Yoo K. Using hilltop curvature to derive the spatial distribution of erosion rates // Journal of Geophysical Research Earth Surface, 2012, no. 117: F2. https://doi.org/10.1029/2011JF002057
Iwahashi, J., Kamiya, I., Matsuoka, M. et al. Global terrain classification using 280 m DEMs: segmentation, clustering, and reclassification // Progress in Earth and Planetary Science, 2018, no. 5. https://doi.org/10.1186/s40645-017-0157-2
Jenness J. Topographic Position Index (tpi_jen.avx) extension for ArcView 3.x, v. 1.3a. Jenness Enterprises. 2006. http://www.jennessent.com/arcview/tpi.htm
Macêdo R.J.A., Pereira N.S., Manso V.A.V. Morphometric analysis of the Inner Continental Shelf in northeastern Brazil for seabed geomorphic classification // Journal of South American Earth Sciences, 2020, vol. 104, 102847. https://doi.org/10.1016/j.jsames.2020.102847
Minár J., Jenčo M., Evans I.S., Minár J., Jr, Kadlec M., Krcho J., Pacina J., Burian L., Benová A. Third-order geomorphometric variables (derivatives): Definition, computation and utilization of changes of curvatures // International Journal Geographical Information Science, 2013, no. 27, pp. 1381–1402. https://doi.org/10.1080/13658816.2013.792113
Mokarram M., Roshan G. Negahban S. Landform classification using topography position index (case study: salt dome of Korsia-Darab plain, Iran) // Modeling Earth System Environment, 2015, no. 1, 40. https://doi.org/10.1007/s40808-015-0055-9
Moore I.D., Grayson R.B., Ladson A.R. Digital terrain modelling: a review of hydrogical, geomorphological and biological applications // Hydrological Processes, 1991, vol. 5, no. 1, pp. 3–30. https://doi.org/10.1002/hyp.3360050103
Saadat H, Bonnell R, Sharifi F, Mehuys G, Namdar M, Ale-Ebrahim S Landform classification from a digital elevation model and satellite imagery // Geomorphology, 2008, no. 100, pp. 453–464.
Schmidt J., Hewitt A. Fuzzy land element classification from DTMs based on geometry and terrain position // Geoderma, 2004. no.121, pp. 243–256.
Wang X.-N., Zhang Q., Wang F.-G., Gao Y. Research on the technology of terrain classification and change detection based on deep learning // Journal of Physics: Conference Series, 2020, vol. 1601, article number 2. Computer Science and Engineering Technology, Ser. 1601, 032056. https://doi.org/10.1088/1742-6596/1601/3/032056
Weiss A. Topographic position and landforms analysis .2001. In: Poster presentation, ESRI user conference, San Diego, CA. http://www.jennessent.com/downloads/tpi-poster-tnc_18x22.pdf
Zevenbergen L.W., Thorne C.R. Quantitative analysis of land surface topography // Earth Surf. Process. Landf., 1987, no. 12, pp. 47–56. https://doi.org/10.1002/esp.3290120107
References
Atlas of the Novosibirsk Region / Federal Service of Geodesy and Cartography of Russia; comp. and prepare. Novosib. cartographic factory of Roskartografii in 1999-2001. Moscow: Roskartografiya, 2002, 56 p.
Bezgodova O.V., Istomina E.A., Ovchinnikova E.V. Geodeziya i kartografiya, 2018, no. 8, pp. 28-37.
Geografiya Novosibirskoy oblasti [Geography of the Novosibirsk region] / V. M. Kravtsov, R. P. Donukalova. Novosibirsk: INFOLIO-press, 1999, 208 p.
Priroda Novosibirskoy oblasti [Nature of the Novosibirsk region] / T. A. Gorelova et al. Novosibirsk: NGPU, 2011, 159 p.
Bezgodova O.V., Rasputina E.A. Geodeziya i kartografiya, 2020, vol. 81, no. 3, pp. 8-20. https://doi.org/10.22389/0016-7126-2020-957-3-8-20
Pavlova A.I. Siberian Journal of Life Sciences and Agriculture, 2021, vol. 13, no. 5, pp. 336-349. https://doi.org/10.12731/2658-6649-2021-13-5-336-349
Pavlova A.I. Siberian Journal of Life Sciences and Agriculture, 2021, vol. 13, no. 6, pp. 119-131. https://doi.org/10.12731/2658-6649-2021-13-6-119-131
Amatulli G., Domisch S., Tuanmu M.-N. at all. Data descriptor: A suite of global, cross-scale topographic variables for environmental and biodiversity modeling. Scientific Data, 2018, no. 5, 180040. https://www.nature.com/articles/sdata201840
Chu H.-J., Chen Y.-C., Ali M.Z., Hofle B. Multi-Parameter Relief Map from High-Resolution DEMs: A Case Study of Mudstone Badland. International Journal of Environmental Research Public Health, 2019, vol. 16, no. 7, 1109. https://doi.org/10.3390/ijerph16071109
Geomorphometry: Concepts, Software, Applications /Eds. T. Hengl, H. I. Reuter. Ser.: Developments in Soil Science, vol. 33. Elsevier. Ch. 1: Geomorphometry: A brief guide / R. J. Pike, I. S. Evans, T. Hengl. 2009, pp. 3–30.
Gomez-Gutierrez A., Conoscenti C., Angileri S.E., Rotigliano E., Schnabel S. Using topographical attributes to evaluate gully erosion proneness (susceptibility) in two mediterranean basins: Advantages and limitations. Natural Hazards, 2015, no. 79, pp. 291–S314. https://doi.org/10.1007/s11069-015-1703-0
Hurst M.D., Mudd S.M., Walcott R., Attal M., Yoo K. Using hilltop curvature to derive the spatial distribution of erosion rates. Journal of Geophysical Research Earth Surface, 2012, no. 117: F2. https://doi.org/10.1029/2011JF002057
Iwahashi, J., Kamiya, I., Matsuoka, M. et al. Global terrain classification using 280 m DEMs: segmentation, clustering, and reclassification. Progress in Earth and Planetary Science, 2018, no. 5. https://doi.org/10.1186/s40645-017-0157-2
Jenness J. Topographic Position Index (tpi_jen.avx) extension for ArcView 3.x, v. 1.3a. Jenness Enterprises. 2006. http://www.jennessent.com/arcview/tpi.htm
Macêdo R.J.A., Pereira N.S., Manso V.A.V. Morphometric analysis of the Inner Continental Shelf in northeastern Brazil for seabed geomorphic classification. Journal of South American Earth Sciences, 2020, vol. 104, 102847. https://doi.org/10.1016/j.jsames.2020.102847
Minár J., Jenčo M., Evans I.S., Minár J., Jr, Kadlec M., Krcho J., Pacina J., Burian L., Benová A. Third-order geomorphometric variables (derivatives): Definition, computation and utilization of changes of curvatures. International Journal Geographical Information Science, 2013, no. 27, pp. 1381–1402. https://doi.org/10.1080/13658816.2013.792113
Mokarram M., Roshan G. Negahban S. Landform classification using topography position index (case study: salt dome of Korsia-Darab plain, Iran). Modeling Earth System Environment, 2015, no. 1, 40. https://doi.org/10.1007/s40808-015-0055-9
Moore I.D., Grayson R.B., Ladson A.R. Digital terrain modelling: a review of hydrogical, geomorphological and biological applications. Hydrological Processes, 1991, vol. 5, no. 1, pp. 3–30. https://doi.org/10.1002/hyp.3360050103
Saadat H, Bonnell R, Sharifi F, Mehuys G, Namdar M, Ale-Ebrahim S Landform classification from a digital elevation model and satellite imagery. Geomorphology, 2008, no. 100, pp. 453–464.
Schmidt J., Hewitt A. Fuzzy land element classification from DTMs based on geometry and terrain position. Geoderma, 2004, no. 121, pp. 243–256.
Wang X.-N., Zhang Q., Wang F.-G., Gao Y. Research on the technology of terrain classification and change detection based on deep learning. Journal of Physics: Conference Series, 2020, vol. 1601, 2. Computer Science and Engineering Technology, Ser. 1601, 032056. https://doi.org/10.1088/1742-6596/1601/3/032056
Weiss A. Topographic position and landforms analysis .2001. In: Poster presentation, ESRI user conference, San Diego, CA. http://www.jennessent.com/downloads/tpi-poster-tnc_18x22.pdf
Zevenbergen L.W., Thorne C.R. Quantitative analysis of land surface topography. Earth Surf. Process. Landf., 1987, no. 12, pp. 47–56. https://doi.org/10.1002/esp.3290120107
Просмотров аннотации: 110 Загрузок PDF: 82
Copyright (c) 2023 Anna I. Pavlova
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
