Порядок изменения категории земельного участка: Федеральный закон «О переводе земель или земельных участков из одной категории в другую» от 21.12.2004 N 172-ФЗ (последняя редакция)

• Чтобы запросить слияние или разделение лотов, отправьте заполненную форму запроса на слияние или разделение.
• Включите всю необходимую подтверждающую документацию, такую ​​как геодезия и налоговая очистка.
• Если Департамент финансов одобряет первоначальный запрос, вы должны затем отправить его в Департамент строительства для утверждения. Если Департамент строительства одобряет запрос, вы должны сообщить Департаменту финансов, что вы хотите завершить разделение или слияние.
• Подразделение налоговой карты будет обрабатывать заявки в порядке их поступления. Первоначальный срок рассмотрения заявок на обработку составляет 30 рабочих дней .
• Убедитесь, что в заявке (-ях) содержатся правильные и требуемые документы, иначе время обработки будет отложено.

Направляющие

Пошаговые информационные листы

Обзор данных о земном покрове

<< Назад к земельному покрову

Данные и моделирование наземных экосистем

Набор данных по национальным наземным экосистемам GAP / LANDFIRE включает подробные данные о растительности и растительном покрове континентальной части США.Набор данных включает систему классификации экологической системы, разработанную NatureServe для представления естественной и полуестественной растительности. 584 уникальных класса в наборе данных могут отображаться на трех уровнях детализации, от общего (8 классов) до наиболее подробного. Набор данных может быть использован для определения тех мест в стране с достаточной средой обитания для поддержания дикой природы, что является ключевым шагом в разработке надежных планов сохранения.

Набор данных по национальным наземным экосистемам GAP / LANDFIRE в основном сосредоточен на идентификации местообитаний.Национальная база данных о земном покрове (NLCD) USGS также доступна, и она предоставляет информацию об общих типах земного покрова с 16 классами земного покрова (например, малоинтенсивный развитый, лиственный лес). Узнать больше о NLCD 2011 >>

Почему эти данные важны?

GAP / LANDFIRE National Terrestrial Ecosystems предоставляет информацию о распределении местных типов растительности, измененной и интродуцированной растительности, развитых и сельскохозяйственных районах США.Во всех областях округа, за исключением Гавайев и Пуэрто-Рико, участки с естественной растительностью относятся к типам экологической системы, разработанным NatureServe. Экологические системы предоставляют подробную информацию о растительных сообществах области, которая недоступна в большинстве других региональных или национальных продуктов земного покрова. Такой уровень тематической детализации делает возможным построение моделей распределения местообитаний диких животных, а также построение сложных гидрологических моделей и моделей динамики пожаров и многих других приложений.Информация о наземных экосистемах является ключевым компонентом эффективного планирования сохранения и управления биологическим разнообразием, поскольку она используется для построения прогнозных моделей распределения дикой природы и биоразнообразия на больших географических территориях. При использовании вместе с данными об охраняемых территориях (PAD-US) данные о наземных экосистемах могут использоваться для определения типов местообитаний, которые могут быть недостаточно защищенными, чтобы можно было скорректировать меры управления. Эти карты и данные могут быть использованы для определения тех мест в стране с достаточной средой обитания для поддержания дикой природы, что является ключевым шагом в разработке надежных планов сохранения.

Как используются данные по национальным наземным экосистемам

Информация о наземных экосистемах используется для разработки моделей, показывающих, где есть подходящая среда обитания для национальных видов позвоночных. Эта информация важна для лиц, принимающих решения, специалистов по планированию, исследователей, частных лиц и других лиц:

• Биоразнообразие : Данные по национальным наземным экосистемам являются ключом к тому, чтобы помочь лицам, принимающим решения по охране земель, лучше согласовывать цели сохранения биоразнообразия с программами и мероприятиями по охране земель.
• Утрата среды обитания: Согласно прогнозам, население США вырастет на 25% в следующие 50 лет. Это увеличение численности населения в сочетании с нашими моделями землепользования означает, что среда обитания других видов значительно сократится. Знание, где находятся большие участки нетронутой среды обитания, является ключом к выбору наиболее эффективных земель для сохранения биоразнообразия, что, в свою очередь, может компенсировать некоторые последствия утраты среды обитания.
• Климат: Ускорение изменения климата повышает важность целенаправленных усилий по защите видов.Для многих видов потепление климата может поставить их на грань исчезновения, если не будут выделены коридоры миграции местообитаний. Информация о земном покрове имеет решающее значение для понимания того, на чем следует сосредоточить такое планирование коридоров.
• Управление: Агентства и некоммерческие организации, которые управляют охраняемыми территориями, часто не имеют полной информации о типах земного покрова, которые могут присутствовать или могут быть восстановлены на их землях. Карты и данные земельного покрова имеют решающее значение для разработки улучшенных методов управления земельными ресурсами, поддерживающих сохранение биоразнообразия.

Описание данных

Ссылка :

Программа анализа пробелов в геологической службе США, 20160513, Национальные наземные экосистемы GAP / LANDFIRE 2011: Геологическая служба США, https://doi.org/10.5066/F7ZS2TM0.

Обзор

Данные по национальным наземным экосистемам GAP / LANDFIRE представляют собой подробную классификацию растительности и земного покрова для континентальных районов США, Аляски, Гавайев и Пуэрто-Рико.Данные представлены в виде растра 30 м на 30 м. GAP / LF 2011 Ecosystems for the Conterminous U.S. является обновлением данных Национальной программы анализа пробелов в данных о земном покрове — версия 2.2. Экосистемы Аляски были обновлены LANDFIRE до условий 2012 года (LANDFIRE 2012). Данные по Гавайям и Пуэрто-Рико представляют собой временные рамки 2001 г. (Гон и др., 2006 г., Гулд и др., 2008 г.). Схема классификации, используемая для Аляски и 48 нижних штатов, основана на классификации экологических систем NatureServe (Comer et al.2003), в то время как легенды на карте Пуэрто-Рико и Гавайев основаны на системах классификации островов (Gon et al. 2006, Gould et al. 2008).

Обновление CONUS 2011

Процесс этого обновления был протестирован и задокументирован для трех из девяти географических областей на территории США (McKerrow et al. 2014). Эти географические области являются агрегатами Консорциума характеристик земли с различными разрешениями 66 (зоны картографирования MLRC, которые использовались NLCD, GAP и LANDFIRE в качестве зон картографирования в их национальных усилиях по картографированию 2001 года (Homer et al.2004 г.). Для каждой географической области операция ArcGIS Combine использовалась для создания уникальных комбинаций пикселей из данных National GAP Vegetation 2001 г. (USGS GAP 2011), NLCD 2011 г. (Homer et al. 2015) и данных о возмущениях LANDFIRE 2010 г. (Nelson et al. 2013) ). Затем эти комбинации были оценены по изображениям с высоким разрешением, чтобы определить те, которые необходимо обновить либо из-за изменения земельных условий, либо из-за уточнения первоначальной классификации.

Метка NLCD 2011 была принята в обновленный слой GAP / LF 2011 Ecosystems для пропашных культур, пастбищ / сена, воды и четырех развитых классов земного покрова без дальнейшего изучения.Метка класса GAP 2001 года сохранялась, если она соответствовала общему классу земного покрова NLCD. Например, для пикселей, нанесенных на карту как атлантический прибрежный равнинный сухой и сухой-мезический дубовый лес на карте GAP 2001 года, которые были нанесены на карту как лиственный лес на карте NLCD 2011, исходный вызов экологической системы 2001 года был оставлен без изменений. Для комбинаций, в которых класс покрытия NLCD 2011 не согласовывался, мы использовали информацию о растительности и нарушении LANDFIRE, чтобы обозначить эту уникальную комбинацию. Изображения с высоким разрешением из базовых карт Google Earth или ArcGIS использовались в качестве эталонных изображений для присвоения обновленного класса обложки 2011 года.Например, внутренние северо-западные комбинации типов леса на карте GAP 2001 года, кустарники на карте NLCD 2011, которые были сожжены в соответствии с данными о нарушениях LANDFIRE 2010 года, были отнесены к классу Recently Burned Forest в обновлении экосистем GAP / LF 2011 за 2011 год. .

В некоторых географических регионах 10-значный код гидрологических единиц (HUC; USGS National Gap Analysis Program. 2011) граничные данные, полученные из набора данных о границе водораздела USGS (USGS NGTOC 2011), использовались для обозначения подмножества пикселей в комбинации с новый класс земельного покрова.Например, картографирование Североатлантической прибрежной равнины Pine Pine Barrens ранее не было нанесено на карту в Земельном покрове GAP 2001 года. Он был улучшен путем переклассификации комбинаций, которые включали пиксели по NLCD как кустарники с низкоинтенсивными пожарами в данных о возмущениях LANDFIRE в пределах подмножества HUC, представляющих регион Pitch Pine Barrens. В районах за пределами региона Пайн-Баррен такая комбинация представляет собой иную экологическую систему.

В географических регионах Среднего Запада уровень данных возделываемых земель Национальной службы сельскохозяйственной статистики (2011) использовался для перекодирования Модифицированного / управляемого южного высокорослого пастбища из пастбищ / сена с зазором земельного покрова 2001 года для пикселей, в которых CDL сопоставил их как пастбища / пастбища или другие Сено / без люцерны.

После принятия меток NLCD 2011 года для сельского хозяйства, воды, развитых классов, соответствия экологической системы между 2001 и 2011 годами и завершения перекодирования на основе нарушений, осталось большое количество комбинаций без присвоенной метки 2011 года. Набор данных комбинации позволил каждому аналитику визуализировать распределение пикселей в неназначенных комбинациях и оценить потенциальный источник различий между двумя датами. Для каждой комбинации информация о распределении и шаблоне пикселей, а также о типе перехода (т.е. лес на пастбища) использовались для определения приоритетов, какие комбинации оценивались для перекодирования на этом этапе.

Обычно это были: 1) комбинации, представленные небольшими группами пикселей, разбросанных по географической области и, следовательно, проблематичными для оценки и назначения пути перехода или 2) комбинации, варианты перекодирования которых включали более одного возможного назначения экологической системы. В этих ситуациях мы перекодировали пиксели на основе их близости к помеченным пикселям на карте 2001 GAP. Например, пиксели, содержащие комбинацию нелесного леса GAP 2001 года и лиственного леса NLCD 2011 года, и отсутствие помех, перекодирование будет управляться большинством соседних пикселей-кандидатов для типов лиственного леса в географической зоне.

Были немаркированные комбинации пикселей, которые сохранялись после шага назначения близости. Это происходило, когда отдельные пиксели или небольшие группы пикселей были изолированы по типу физиогномики, и не было соседства с большинством возможных экологических систем (например, лесной остров на большом участке луга). В этих ситуациях в обновленной карте использовались классы карт 2001 GAP.

После того, как каждый аналитик завершил обновление географической области, второй специалист проанализировал полученную классификацию земного покрова.Расположение каждого отдельного класса карты было проверено по эталонным изображениям с высоким разрешением с использованием базовых карт Google Earth или ArcGIS, чтобы оценить структуру и протяженность нанесенных на карту классов в географической области. Если в ходе проверки были обнаружены артефакты или ошибки, аналитик пересматривал правила принятия решений, и процесс повторялся до тех пор, пока не была завершена удовлетворительная классификация.

Затем девять географических областей были разбиты на мозаику в ArcGIS, и была проведена проверка класса за классом для поиска ошибок, вносимых процессом мозаики.Опять же, образец и протяженность каждого из нанесенных на карту классов были визуализированы и сопоставлены с Земельным покровом зазора 2001 года и эталонными изображениями. Логические проверки проводились на каждом этапе процесса, чтобы гарантировать, что классы карты, на которые влияет конкретное правило принятия решения или процесс, были единственными, которые менялись между промежуточными версиями мозаики.

Важно помнить, что этот набор данных представляет собой обновление, а не обнаружение изменений. Следовательно, карты земного покрова 2001 и 2011 годов не должны использоваться для непосредственной количественной оценки изменений.Наша цель состояла в том, чтобы создать подробный продукт земного покрова, представляющий временные рамки 2011 года. Различия между картами GAP 2001 и 2011 гг. Не всегда отражают наземные изменения в растительных сообществах. Некоторые из различий являются результатом исправлений неправильной классификации в исходной карте 2001 года. Область, которая содержала ту же растительность в 2001 и 2011 годах, но была неправильно нанесена на карту в 2001 году, будет отображаться как «измененная».

Наконец, концепции экологических систем, используемые для определения легенды карты, по своей сути изменчивы с рядом физиогномических и фенологических условий, возможных в одной системе.Таким образом, есть случаи, когда класс земельного покрова Экологической системы мог остаться «неизменным», но общий класс земельного покрова изменился в период с 2001 по 2011 год. Например, некоторые районы правильно отображены как кустарники в слое NLCD (на основе NLCD определение) лучше всего наносить на карту как экологическая система северных скалистых гор Пондероза, сосновый лес и саванна, на карте GAP; поэтому лейбл 2001 года Woodland and Savanna будет сохранен.

Обновление на Аляске, 2012 г.

Обновления существующего слоя растительности LANDFIRE для Аляски были выполнены командой LANDFIRE.После завершения земельного покрова 2001 г. проводилось обновление раз в два года с использованием базы данных о нарушениях для определения областей изменений. Узнать больше о LANDFIRE 2012.

2001 Базовое картирование

Схема классификации

Предыдущие проекты по картированию земного покрова ясно показали необходимость в согласованной на национальном уровне схеме классификации, которую можно было бы нанести на карту в мезомасштабе. В ответ на эту потребность NatureServe разработала структуру классификации наземных экологических систем (Comer et al.2003). Экологические системы определяются как «группы типов растительных сообществ, которые имеют тенденцию сосуществовать в пределах ландшафтов со схожими экологическими процессами, субстратами и / или градиентами окружающей среды» (Comer et al. 2003). Несмотря на то, что в отличие от ННО-США, растительный компонент экологической системы описывается одним или несколькими альянсами или ассоциациями ННО. Хотя концепция экологической системы подчеркивает существующие доминирующие типы растительности, она также включает физические компоненты, такие как положение формы рельефа, субстраты, гидрология и климат.

Часть набора данных для Аляски и континентальной части США включает 680 экологических систем и 28 видов землепользования, интродуцированную растительность или нарушенные классы. Набор данных Гавайев содержит 28 классов естественной растительности и девять классов землепользования, интродуцированной растительности или нарушенных классов (Gon et al. 2006). Набор данных Пуэрто-Рико включает 70 уникальных классов растительности и землепользования. Часто такое большое количество классов обеспечивает уровень детализации, превышающий потребности пользователя. Для удобства этих пользователей мы провели перекрестный переход от данных уровня экологической системы к шести высшим уровням Национальной системы классификации растительности (USNVC).Характеристики растительности, используемые для различения этих классов, варьируются от формы роста и климатических режимов на уровне класса до региональных различий в субстрате и гидрологии на уровне макрогрупп (таблица 1; http://usnvc.org/). Уровни NVC предоставляют пользователю множество опций, позволяющих создать карту континентальной части США с одиннадцатью классами на уровне NVC Class до 583 классов на уровне экологической системы.

Таблица 1. Элементы, используемые для определения уровней Национальной классификации растительности (НКВ)

Класс: доминирующих общих форм роста, адаптированных к основной влажности, температуре и / или субстрату, или водным

Подкласс: глобальные макроклиматические факторы, обусловленные главным образом широтным и континентальным положением, или отражающие преобладающие субстратные или водные условия

Формация: глобальные макроклиматические условия, измененные альтитидом, сезонность осадков, субстраты, гидрологические условия

Подразделение: континентальные различия в мезоклимате, геологии, субстратах, гидрологии, режимах возмущений

Макрогруппа: субконтинентальных и региональных различий в мезоклимате, геологии, субстратах, гидрологии, режимах возмущений

Группа: региональные различия в мезоклимате, геологии, субстратах, гидрологии, режимах возмущений

Изображение

Земельный покров National GAP 2001 г. был получен на основе спутниковых снимков Landsat TM за 1999-2001 гг.Большая часть изображений была получена из Национального центра наблюдения за ресурсами Земли и науки (EROS) Геологической службы США (USGS National Center for Earth Resources Observation and Science) через Консорциум характеристик земли с различными разрешениями (MRLC). EROS выполнила предварительную обработку и атмосферную коррекцию изображений и разработала три четких изображения с низкой облачностью для всех областей Соединенных Штатов. На этих мозаиках изображены весенний, летний и осенний сезоны. Наличие изображений растительности в эти три разных времени года очень полезно для правильной классификации типов растительности, которые выглядят одинаково в течение одного сезона, но различаются в другой.Снимки, которые использовались для Среднего Запада, Северо-Востока и Аляски, были отобраны и предварительно обработаны командой LANDFIRE в EROS. На Гавайях необходимо было дополнить изображения MRLC, чтобы решить проблемы облачности в стандартных наборах данных (Gon et al. 2006). В Пуэрто-Рико для проекта была составлена ​​безоблачная мозаика изображений Landsat 7 ETM + (Martinuzzi et al. 2006).

Множество других наборов данных использовалось во всех или некоторых регионах, чтобы помочь в процессе классификации земного покрова.Нормализованный индекс разницы растительности (NDVI), а также индексы яркости, зелени и влажности были созданы с использованием коэффициентов Landsat ETM + от Huang et al. (2002). Также использовались наборы данных, полученные с помощью цифровой модели рельефа, которые включали высоту, уклон, аспект и форму рельефа. Другие используемые наборы вспомогательных данных зависят от региона, но включают цифровые данные о почвах, геологии, местоположении ручьев и водно-болотных угодий, точечных местоположениях сообществ редких растений, а также информацию о пожарах и заготовке деревьев.

Данные обучения

В моделях, прогнозирующих распределение земельного покрова для региональных проектов, использовались полевые данные, собранные специалистами по пробелам специально для проекта, и данные о растительности, собранные для других проектов, для обучения модели.Полевые пробы GAP были собраны путем пересечения судоходных дорог в картографической зоне и случайного выбора участков, отвечающих критериям соответствующего размера (минимум 1 га) и состава (однородность древостоя). Данные участков были собраны с использованием окулярных оценок биотических и абиотических элементов земного покрова, включая процент покрытия доминирующих видов формами жизни (например, деревья, кустарники, травы и разнотравье) и физических данных, таких как высота, уклон, внешний вид и форма рельефа. Визуальная интерпретация аэрофотоснимков, цифровых ортофотопланов или других изображений, полученных с помощью дистанционного зондирования, также использовалась для генерации обучающих данных, когда можно было получить достаточно информации для определения экологической системы.Этот метод чаще всего использовался для редких систем с недостаточным количеством обучающих данных и в которых были доступны дополнительные вспомогательные данные для определения особенностей изображения.

Дополнительные данные о растительности были собраны у федеральных, государственных и негосударственных агентств, и их существующие участки были присвоены ярлыки «Экологические системы». Программа LANDFIRE располагает обширным национальным набором существующих данных о растительности в Справочной базе данных LANDFIRE (LFRDB), которая использовалась для поддержки картирования.

Методы моделирования

Деревья классификации и регрессии (CART) — ценный инструмент для выявления сложных взаимосвязей между переменными среды. Деревья решений используют алгоритм двоичного разделения для последовательного разделения многомерного «облака» поясняющих данных на все более однородные подмножества. Каждое двоичное разбиение считается одним правилом в цепочке правил, определяющих характеристики переменной ответа. Для картирования земного покрова объясняющими переменными являются наборы спектральных и вспомогательных данных, а переменной отклика — классы земного покрова (см. Lowry et al.2005 для получения дополнительной информации о методах моделирования CART). Классификаторы дерева решений хорошо подходят для картирования земного покрова, поскольку они не требуют нормально распределенных обучающих данных, они могут учитывать широкий спектр переменных-предикторов и продемонстрировали повышенную точность по сравнению с использованием традиционных классификаторов (Hansen et al. 1996, Pal и Mather 2003).

CART были использованы для картирования большинства экологических систем в региональных проектах Юго-Запада и Северо-Запада, а также для LANDFIRE.CART лучше всего подходит для широко распространенных матричных систем с достаточным объемом обучающих данных. Для более редких систем и систем участков в юго-восточном региональном проекте, где топографический рельеф был недостаточным, а данные обучения были ограничены, для картирования существующей растительности использовалась комбинация моделирования CART и правил принятия решений. Проект Hawaii Gap провел контролируемую классификацию данных Landsat и объектную классификацию изображений с высоким разрешением и для некоторых классов (Gon et al.2006 г.). Пуэрто-Рико GAP использовала неконтролируемую классификацию для определения основных спектральных классов и дополнительных данных (например, климата, субстрата и топографии) для стратификации спектральных данных

Ограничения данных

Данные GAP / LANDFIRE National Terrestrial Ecosystems направлены на то, чтобы как можно точнее отобразить мелкие детали растительности страны. Однако есть ограничения на данные, о которых следует помнить. В наборе данных используется 30-метровая пиксельная ячейка и в большинстве областей минимальная единица отображения 0.4 га (1 акр), это означает, что небольшие участки растительности могут быть пропущены в процессе моделирования. По характеру их неоднородного распространения и часто заболоченных территорий небольшой протяженности, прибрежные среды обитания и редкие типы местообитаний могут быть наиболее часто упускаемыми типами. Некоторые экологические системы имеют спектральные сигнатуры и встречаются на аналогичных высотах, аспектах и ​​т. Д., Что и другие экологические системы. Из-за этого сходства в процессе моделирования, используемом для создания данных о земном покрове, трудно провести различие между этими типами систем, и может возникнуть значительная путаница.

Набор данных GAP / LANDFIRE Terrestrial Ecosystem основан на ряде дат съемки для разных географических регионов. В областях с быстрыми изменениями данные могут нуждаться в дополнительном обновлении перед использованием или могут быть непригодными для использования.

Список литературы

Комер, П., Д. Фабер-Лангендоэн, Р. Эванс, С. Голер, К. Хоссе, Г. Киттель, С. Менар, С. Пайн, М. Рейд, К. Шульц, К. Сноуанд, Дж. Тиг, 2003. Экологические системы США: рабочая классификация США.наземные системы. NatureServe, Арлингтон, Вирджиния.

Гон, С. М., А. Эллисон, Р. Дж. Каннарелла, Дж. Д. Якоби, К. Ю. Канеширо, М. Х. Кидо, М. Лейн-Камехеле, С. Э. Миллер. 2006. Заключительный отчет Гавайского проекта анализа пробелов. 487 с.

Гоулд, В.А.К. Аларкон, Б. Февольд, М.Э. Хименес, С. Мартинуцци, Г. Поттс, М. Хинонес, М. Солорцона, Э. Вентоса. 2008. Проект анализа пробелов в Пуэрто-Рико. Том 1: Земельный покров, распределение видов позвоночных и землепользование. Gen.Tech. Представитель IITF-GRT-39. Рио-Пьедрас, пр. USDA, Лесная служба, Международный институт тропического лесоводства. 165. с.

Хансен, М., Р. Дубая и Р. ДеФрис, 1996. Деревья классификации: альтернатива традиционным классификаторам земного покрова. Международный журнал дистанционного зондирования 17 (5): 1075-1081.

Гомер, К.Г., Девиц, Дж. А., Ян, Л., Джин, С., Дэниэлсон, П., Сиань, Г., Колстон, Дж., Герольд, Н. Д., Уикхэм, Д. Д., и Мегаун, К., 2015 г., Завершение создания Национальной базы данных о земном покрове на территории Соединенных Штатов за 2011 год, представляющей информацию об изменении земного покрова за десятилетие.Фотограмметрическая инженерия и дистанционное зондирование, v. 81, no. 5, стр. 345-354. http://www.asprs.org/a/publications/pers/2015journals/PERS_May_2015/HTML/index.html#346/z

Гомер, К., К. Хуанг, Л. Ян, Б. Вайли и М. Коан, 2004 г. Разработка национальной базы данных по земному покрову 2001 г. для США. Фотограмметрическая инженерия и дистанционное зондирование, номер 7 / июль 2004 г., стр. 829-840 (12). DOI: https://doi.org/10.14358/PERS.70.7.829

Лоури, Дж. Х. младший, Р. Д. Рэмси, К.Бойкин, Д. Брэдфорд, П. Комер, С. Фалзарано, В. Кепнер, Дж. Кирби, Л. Лангс, Дж. Прайор-Маги, Г. Манис, Л. О’Брайен, Т. Саджвадж, К. А. Томас, В. Рит, С. Шредер, Д. Шрупп, К. Шульц, Б. Томпсон, К. Веласкес, К. Уоллес, Э. Уоллер и Б. Волк. 2005. Проект анализа пробелов в юго-западном регионе: Заключительный отчет по методам картирования земного покрова, лаборатория RS / GIS, Университет штата Юта, Логан, Юта.

Мартинуцци, С., В. А. Гулд, О. М. Рамос-Гонсалес. 2006. Создание безоблачных наборов данных Landsat ETM + в тропических ландшафтах: удаление облаков и облаков и теней.Gen. Tech. Представитель ИИТФ-32. Рио Пьедрас, PR: Министерство сельского хозяйства США, Лесная служба, Международный институт тропического лесоводства. 12 п. Доступ в режиме онлайн в августе 2016 г .: http://www.fs.fed.us/global/iitf/pubs/iitf-gtr32.pdf.

МакКерроу, А.Дж., А. Дэвидсон, Т.С. Эрнхардт и А.Л. Бенсон. 2014. Интеграция последних усилий по картированию земного покрова для обновления карты видовых местообитаний Национальной программы анализа пробелов. Int. Arch. Фотография. Дистанционное зондирование. Пространственная инф. Sci., XL-245-252, 2014.http://doi.org/10.5194/isprsarchives-XL-1-245-2014.).

Нельсон, К. Дж., Дж. Коннот, Б. Петерсон, Дж. Дж. Пикотт. 2013. LANDFIRE 2010 — Обновленные данные для поддержки борьбы с лесными пожарами и экологии. IEEE Earthzine. http://earthzine.org/2013/09/15/landfire-2010-updated-data-to-support-wi ….

Pal, M. и P. M. Mather, 2003. Оценка эффективности методов дерева решений для классификации земного покрова. Дистанционное зондирование окружающей среды 86, 554-565

Уровень данных пахотных земель Национальной службы сельскохозяйственной статистики Министерства сельского хозяйства США.2011. Опубликован слой данных по конкретным культурам [Online]. Доступно по адресу https://nassgeodata.gmu.edu/CropScape/. USDA-NASS, Вашингтон, округ Колумбия.

Проект анализа пробелов в геологической разведке США. 2011 Дополнительные данные — коды гидрологических единиц [HUCS]. [Онлайн]. Доступно на https://www.sciencebase.gov/catalog/item/56d496eee4b015c306f17a42.

Геологическая служба США, Национальный центр геопространственных технических операций, 20140924, Национальный набор данных о границах водоразделов (WBD) Геологической службы США (USGS), 20140924 Национальный шейп-файл: U.С. Геологическая служба: Рестон, Вирджиния, http://nhd.usgs.gov/wbd.html.

Доступ к предыдущим версиям этого набора данных

Для доступа к предыдущим версиям набора данных о земном покрове свяжитесь с Алекса МакКерроу: [email protected]

Контакты для данных о земельном покрове GAP >>

Зонирование и подразделение | Правительство округа Уэйк

Округ Уэйк регулирует застройку территорий округа, находящихся за пределами юрисдикции планирования его 12 муниципалитетов.Политика, регулирующая землепользование, застройку и проектирование, изложена в Постановлении о едином развитии округа Уэйк, с которым можно ознакомиться, нажав кнопку ниже.

Уэйк Каунти UDO

Формы землепользования и застройки

Зонирование

Для каждого района зонирования Постановление о едином развитии определяет разрешенные виды землепользования и содержит правила, регулирующие интенсивность и дизайн новой застройки.Узнайте больше о классификации зонирования и о том, что разрешено.

Другие процедуры зонирования

Если заявитель считает, что постановление было неправильно истолковано или применено неправильно, он может подать апелляцию о зонировании.

Если выполнение строгого правила зонирования не позволяет разумно использовать собственность, заявитель может запросить изменение зонирования.

Специальное использование

Землепользование, обозначенное как «особое использование» в районе зонирования, может быть уместным, если существуют специальные стандарты, гарантирующие, что оно расположено, спроектировано и эксплуатируется в гармонии с соседней застройкой.Разрешения на специальное использование выдаются Советом по регулированию в ходе специального слушания и проверки, изложенного в Постановлении о едином развитии.

Узнайте больше о разрешениях на специальное использование.

Rezoning

Настоятельно рекомендуется , чтобы любое лицо, желающее изменить зонирование своей собственности, сначала связывалось с сотрудниками отдела планирования, которые объяснят процесс проверки и возможные проблемы.

Запросы на повторное зонирование могут потребовать внесения поправок в план землепользования и рассматриваются персоналом до получения слушания и рекомендации Советом по планированию, а затем рассмотрения и принятия решения Советом уполномоченных.

Подробнее о перезонировании.

Подразделение и земельное развитие

Постановление о едином развитии определяет процедуры и стандарты для разделения земельного участка на участки, подходящие для застройки, а также для обеспечения соответствующего доступа и коммунальных услуг к этим участкам.Хотя закон штата освобождает некоторые подразделения земли от правил подразделения округа, большинство подразделений земли в округе Уэйк подчиняются UDO, либо как второстепенное подразделение, либо как обычное подразделение. Постановление о подразделениях, действовавшее до нынешнего UDO, можно найти здесь.

Обычно существует три типа подразделений, каждый из которых имеет несколько разные процедуры разработки:

1. Подразделения, освобожденные от налогообложения: деятельность подразделений, которая не подлежит налогообложению согласно закону штата или UDO.
2. Незначительные и второстепенные подразделения с ограниченной ответственностью: при создании трех или менее лотов.
3. Обычное деление: Когда создается более трех лотов или предлагается общественное право проезда.

Другие процедуры подразделения

Если заявитель считает, что постановление было неправильно истолковано или применено неправильно, он может подать апелляцию в подразделение.

Если выполнение строгой буквы правила о подразделении не допускает разумного подразделения или использования собственности, заявитель может запросить отклонение от подразделения.

Глобальные изменения в землепользовании в четыре раза больше, чем предполагалось ранее

Пространственная протяженность и расходящиеся модели глобальных изменений в землепользовании

По нашим оценкам, 17% поверхности суши Земли изменилось по крайней мере один раз между шестью категориями земель с 1960 по 2019 год (см. рис. 1). При суммировании всех отдельных событий изменения (включая области множественных изменений) общая протяженность изменения земель составляет 43 миллиона км², что составляет почти треть всей поверхности суши.Это означает, что в среднем площадь суши, примерно в два раза превышающая площадь Германии (720 000 км²), менялась каждый год с 1960 года.

Доля общей поверхности земли без (чистое изменение) и с учетом множественных изменений (валовое изменение) между шестью основными категориями землепользования / покрова (городская территория, пахотные земли, пастбища / пастбищные угодья, лес, неуправляемые травы / кустарники, не / земли с редкой растительностью) в 1960–2019 гг. Пространственная протяженность изменения землепользования / земельного покрова отображается желтым (области с единичными событиями изменения) и красным (области с множественными событиями изменения).

Мы определяем глобальную чистую потерю площади лесов в размере 0,8 млн км², но рост глобального сельского хозяйства (т.е. пахотных земель и пастбищ / пастбищ) на 1,0 и 0,9 млн км², соответственно. Однако за глобальными тенденциями изменения землепользования скрываются многие регионально разные траектории. В то время как площади лесов на Глобальном Севере (включая Китай) увеличились, площади лесов в развивающихся странах Глобального Юга сильно сократились. Разница между севером и югом в приросте и потере лесов противоположна для глобальных площадей пахотных земель, которые уменьшились на Глобальном Севере и увеличились на Глобальном Юге.Разница между севером и югом менее выражена в отношении изменения пастбищ / пастбищ, поскольку расширение пастбищ как в Китае, так и в Бразилии составляет большую часть земельной площади в мире (см. Рис. 2). Эти глобально расходящиеся процессы изменения землепользования подтверждаются многочисленными исследованиями, например прирост лесов в результате политических стимулов к лесовосстановлению в Китае ^19,20,21 , заброшенность сельскохозяйственных земель в Европе ²² и США ^23,24,25 , изменение растительности в Сибири, вызванное климатом ^26,27,28 и лесные посягательства на пастбищные угодья в США ²⁹ и Австралии ³⁰ .И наоборот, вырубка тропических лесов произошла для производства говядины, сахарного тростника и сои в бразильской Амазонии ^31,32 , масличной пальмы в Юго-Восточной Азии ^33,34,35,36 и какао в Нигерии и Камеруне ^{37,38 , 39} . Кроме того, пастбищные угодья широко распространились на маргинальные земли в Китае ^19,40 .

Пространственное распределение a леса, b пахотных земель и c пастбищ / пастбищ, протяженность (стабильная площадь) и изменение (прибыль и убыток) в период с 1960 по 2019 год.Диаграммы с областями справа показывают сложенную долю прибылей, потерь и областей множественных изменений (на которых произошли как прибыли, так и убытки), относящихся к общей площади в соответствующей категории LUC вдоль каждой географической широты.

Разделив изменение землепользования на области с одним изменением (например, обезлесение) или несколькими событиями изменения (например, севооборот с травой), мы видим четкие закономерности во всем мире (см. Рис. 1). Из всех переходов земель 38% представляют собой единичные изменения, которые наиболее очевидны в развивающихся странах Глобального Юга.Около половины территорий с единичными изменениями (48%) составляют сельскохозяйственное развитие, которое можно увидеть, например, в расширяющихся пастбищах Китая или в тропической вырубке лесов в Амазонии. Множественные события смены составляют 62% всех переходов земель. В отличие от единичных изменений, множественные изменения преобладают в развитых странах Глобального Севера (например, в Европе, США, Австралии) и быстрорастущих экономиках (например, в Нигерии, Индии). Здесь интенсификация сельского хозяйства, как в ЕС и США, и / или важные преобразования в сельскохозяйственном секторе, например, переход от натурального хозяйства к товарным культурам в Нигерии ⁴¹ , произошли за последние десятилетия.Из всех событий множественных изменений 86% составляют изменения в использовании сельскохозяйственных земель (переход земель, связанных с пахотными землями или пастбищами / пастбищами). Некоторые из этих изменений прямо или косвенно связаны с управлением земельными ресурсами и интенсификацией сельского хозяйства. Переход возделываемых земель на пастбища / пастбищные угодья (11% всех событий множественных изменений) может указывать на зоны севооборота или смешанные системы растениеводства и животноводства, как в США, Австралии и Европе ^42,43 . Большинство множественных изменений (75%) происходит между управляемыми и неуправляемыми землями, такими как отказ от пахотных земель, например.грамм. из-за интенсификации сельского хозяйства на более подходящих землях, как в постсоветской Восточной Европе ⁴⁴ , посягательствах пастбищ и кустарников, как в системах ротационного выпаса в Австралии ⁴⁵ или Средиземноморье, а также переходов между сельскохозяйственными землями и лесами, как в системах агролесоводства в России. Западная Европа ⁴⁶ .

Временная динамика глобальных изменений в землепользовании и ее связь с глобализированными рынками

Скорость глобальных изменений в землепользовании не была постоянной во времени.Анализируя временную динамику, мы выделяем две различные фазы: (1) фаза ускорения с возрастающей скоростью изменения с 1960 по 2004 год; и (2) снижение скорости изменения с 2005 по 2019 год (см. рис. 3). Переход от постоянных к возрастающим темпам изменения землепользования обсуждался в контексте сдвига глобальных продовольственных режимов и совпадает с периодом, когда глобальное производство продуктов питания перешло от агротехнологической интенсификации (вызванной Зеленой революцией 1960-х годов) к производству для глобализированных рынков и увеличения торговли, особенно в 1990-е годы ^47,48 .Мы считаем, что эта фаза ускорения более отчетливо проявляется в регионах Глобального Юга, как это наблюдается в Южной Америке, Африке и Юго-Восточной Азии (см. Рис. 3), где производство и экспорт товарных культур увеличились, что наиболее заметно с 2000-х годов (см. Дополнительные рисунки 1 и 2). Было обнаружено, что растущее влияние рынков с телекоммуникационной связью является основной движущей силой изменений в землепользовании, особенно вырубки лесов для выращивания товарных культур в Глобальном Юге ³⁹ . Этот перенос изменений в землепользовании с Глобального Севера на Юг очевиден в растущей доле пахотных земель в странах Глобального Юга, используемых для экспорта и потребления за пределами их территорий ⁴⁹ .

Глобальные тенденции показаны для фаз 1: 1960–2004 и 2: 2005–2015. Серые линии показывают годовое изменение, черные линии показывают сглаженное годовое изменение, основанное на 3-летнем скользящем среднем. Карта показывает пространственную протяженность представленных регионов мира в разных оттенках серого.

Однако данные свидетельствуют о довольно резком изменении снижающихся темпов изменения землепользования в период с 2005 г., что наиболее очевидно в Африке и Южной Америке (см.рис.3), регионы субтропиков и тропиков (см. Дополнительный рис. 3). Мы предполагаем, что переход от ускорения к замедлению изменений в землепользовании связан с рыночными изменениями в контексте глобального экономического и продовольственного кризиса 2007–2009 годов. До кризиса растущий спрос на продукты питания, корма для животных и биотопливо, а также рост цен на нефть (достигнув рекордного уровня в 2008 году на уровне 145,31 доллара за баррель сырой нефти ⁵⁰ ) стимулировали мировое сельскохозяйственное производство, что способствовало глобальным изменениям в землепользовании ⁵¹ .В частности, высокие цены на нефть сделали биоэнергетические культуры более конкурентоспособными и прибыльными по сравнению с ископаемым топливом. Растущий спрос, в основном в развитых странах Глобального Севера, стимулировал расширение производства биоэнергетических культур на Глобальном Юге (например, производство масличных культур в Гане, Аргентине, Бразилии и Индонезии, см. Дополнительный рисунок 1). Политика в области биотоплива, экстремальные климатические явления и запреты на экспорт привели к скачкам мировых цен на продовольствие в 2007–2008 гг. ⁵² и в 2010 г. ^53,54 , что вызвало обеспокоенность по поводу продовольственной безопасности во многих странах, зависящих от импорта, и быстрорастущих экономиках (например.грамм. ЕС, Китай или Индия). Возникла волна крупномасштабных трансграничных приобретений земель и иностранных инвестиций в сельское хозяйство, в основном нацеленных на страны Африки к югу от Сахары, Юго-Восточную Азию и Южную Америку ^48,55,56 . Это развитие отражается во внезапном увеличении скорости изменения землепользования (в течение 2000–2005 гг.), Последующих колебаниях (в течение 2006–2010 гг.) И резком снижении (после 2010 г.) в странах Глобального Юга, например Бразилия, Аргентина или Эфиопия (см. Дополнительный рисунок 4). Мы обнаруживаем, что наблюдаемое замедление глобального изменения землепользования после экономического кризиса 2007–2009 гг. В основном вызвано снижением роста сельского хозяйства в странах Глобального Юга, особенно выраженным в Аргентине, Гане и Эфиопии (см. Дополнительный рис.5). Мы постулируем, что глобальное замедление изменений в землепользовании связано с рыночными механизмами во время экономического кризиса. Когда экономический бум подошел к концу во время Великой рецессии, мировой спрос на сырьевые товары упал. Страны, которые до кризиса сосредоточились на производстве товарных культур для мировых рынков (например, Аргентина, Бразилия, Гана или Индонезия), больше не находили покупателей для своих товаров, сократили сельскохозяйственное производство и, таким образом, темпы расширения сельскохозяйственных угодий.Наблюдаемое резкое снижение темпов изменения землепользования, особенно в Африке (см. Рис. 3), может быть дополнительно вызвано уменьшением количества и размера глобальных приобретений земли после финансового кризиса 2007–2009 годов. С тех пор хедж-фонды на земле стали менее распространенными ⁵⁷ , и были высказаны опасения по поводу неустойчивой практики, связанной с трансграничным приобретением земли (например, деградация земли / воды и вытеснение сельской рабочей силы) ^52,57 . Возникшие в результате стимулы со стороны международных организаций и стран-экспортеров по ограничению торговли землей, возможно, привели к недавнему сокращению масштабных приобретений земли ⁵⁷ .

Помимо глобализированной торговли, другими важными факторами динамики изменения земель, которые все больше влияют на скорость изменения землепользования во время фазы замедления, являются изменение климата и связанные с ним воздействия, такие как экстремальные явления, засуха и наводнения. Использование сельскохозяйственных земель пострадало от засухи в Западной ⁵⁸ и Восточной Африке ⁵⁹ в течение 2000-х годов, что можно наблюдать по резкому снижению темпов изменения землепользования в Эфиопии после засухи 2010/11 года (см. Дополнительный рис. .4). Кроме того, деградация земель, вызванная как изменчивостью климата, так и деятельностью человека, часто связана с заброшенностью пахотных земель, последующим расширением сельскохозяйственных земель и обезлесением в других местах, что широко наблюдается в тропических регионах ⁶⁰ .

Анализируя временную динамику глобального изменения землепользования по категориям LUC, мы обнаруживаем значительную годовую изменчивость в изменении использования сельскохозяйственных земель. В то время как глобальные площади лесов демонстрируют довольно устойчивое ежегодное чистое сокращение, которое ускорилось в 1990-е годы (см.рис.4а), пахотные земли и пастбища / пастбища демонстрируют большие колебания во времени; примерно в четыре раза выше, чем наблюдается для лесов. Это различие, вероятно, происходит из-за комбинации пятилетней схемы отчетности данных ФАО / ОЛР по лесам и более быстрого реагирования изменений в использовании сельскохозяйственных земель на социально-экономические изменения. В частности, на скорость изменения использования сельскохозяйственных земель могут повлиять сдвиги политического режима (например, заброшенность земель после распада Советского Союза в 1990 году) ⁶¹ , сбои в глобализированных цепочках поставок (напр.грамм. эмбарго США на соевые бобы против России в 1980 году) ^62,63 , природоохранные стимулы (например, предотвращение вырубки лесов, как в политике REDD) ⁷ , стихийные бедствия и экстремальные явления, такие как засухи ^59,64 . Высокая динамика межгодовых изменений мировых сельскохозяйственных земель в основном возникла в 1990-х годах после длительного периода чистого расширения. Это соответствует периоду, когда произошли крупные геополитические сдвиги (в частности, распад СССР), и производство продуктов питания, ориентированное на рынок, приобрело все большее значение.В то время как пастбища / пастбищные угодья демонстрируют тенденцию к снижению, которая была приписана технологическому прогрессу в секторе животноводства ⁶⁵ , глобальные пахотные земли, напротив, испытали волны увеличения с 2000 года (см. Рис. 4b, c).

Глобальное сравнение годового изменения a леса, b пахотных земель и c пастбищ / пастбищ ( c ) (прирост, потеря и площадь чистых изменений в год) по данным HILDA +, различные наблюдения Земли (EO) наборы данных земельного покрова (ESA CCI ⁶⁷ , MODIS-LC ⁶⁸ , Hansen GFC ⁶⁶ ), модели реконструкции землепользования (пахотные земли SAGE, обновление с ¹⁵ ), HYDE3.2 ¹³ , LUh3 ¹⁴ ) и статистика землепользования ФАО ⁴¹ .

Сравнение темпов глобального изменения землепользования

Сравнение годовых темпов изменения HILDA + с предыдущими реконструкциями землепользования (см. Рис. 4) показывает, что площадь, затронутая глобальным изменением землепользования, почти в четыре (3,7) раза больше, чем ранее подумал. Сравнение темпов изменения землепользования между HILDA + и другими наборами данных по землепользованию / покрову представлено на рис. 5. Соответствующие годовые скорости изменения и рассматриваемые периоды перечислены в таблице 1.В частности, средняя скорость изменения землепользования по данным HILDA + в 2,4 раза выше, чем у LUh3 ¹⁴ , в 4,4 раза выше, чем у HYDE3.2, и в 1,3 раза выше, чем у пахотных земель SAGE (обновление от ¹⁵ ). Это отклонение является следствием учета грубых изменений, полученных из данных наблюдения Земли в HILDA +, которые не включены или включены лишь частично в другие наборы данных.

Сравнение среднегодового изменения валового землепользования / покрова (LUC) различных наборов данных об изменении LUC (светло-серые столбцы) с HILDA + (темно-серые столбцы).Планки погрешностей представляют собой стандартное отклонение.

Темпы изменения земного покрова, полученные на основе наборов данных дистанционного зондирования с более высоким разрешением, таких как Hansen GFC ⁶⁶ , ESA CCI ⁶⁷ и MODIS ⁶⁸ , в среднем примерно того же порядка величины (в 1,1 раза), что и для HILDA +. В частности, годовая скорость изменения HILDA + в среднем в 1,3 раза выше, чем из наборов данных дистанционного зондирования, при этом MODIS ⁶⁸ отклоняется на + 90% ESA CCI ⁶⁷ отклоняется на -60%, а Hansen GFC ⁶⁶ отклоняется на 0 % от HILDA + изменение ставки.Эти различия наиболее очевидны для годовых темпов изменения лесов (см. Рис. 4a) и могут быть объяснены разными классами земного покрова, на которых основаны исходные наборы данных, их разнообразной семантикой и разграничением (см. Дополнительные таблицы 1 и 3).

Поскольку HILDA + построена на нескольких разнородных наборах данных, ошибки, присущие отдельным наборам данных, уменьшаются во время процедуры распределения изменений. Согласовав множественную информацию в процедуре распределения изменений, мы опираемся на совокупность свидетельств.Таким образом, HILDA + можно рассматривать как продукт синтеза проверенных на качество, признанных наборов данных LUC. Чтобы оценить неопределенность карт HILDA + глобального изменения землепользования, мы проанализировали соответствие используемых исходных наборов данных и доли площади для каждой указанной категории LUC на годовой основе (см. Дополнительную таблицу 4 и дополнительные рисунки 6, 7). Соглашение о наборах данных различается в зависимости от категории LUC. Леса и районы с редкой / отсутствующей растительностью показывают самые высокие соглашения. С другой стороны, отклонение набора данных больше в сельскохозяйственных категориях LUC пахотных земель и пастбищ / пастбищ.Особенно в неоднородных ландшафтах, где есть как управляемые, так и неуправляемые земли, например саванны Африки к югу от Сахары, пастбищные угодья в Австралии или травянистые степи Центральной Азии, но также и в разреженной тайге Восточной Сибири и на переходе между канадскими бореальными лесами и тундрой охват класса LUC неоднозначен (более низкие доли площади) и, следовательно, , информация в наборе данных отличается.

Результаты реконструкции изменений в землепользовании HILDA + показывают, как синергетическая информация из данных наблюдения Земли, реконструкций и национальных статистических кадастров может быть использована для определения пространственных закономерностей и временной динамики глобальных изменений в землепользовании с беспрецедентным уровнем детализации.Это исследование показывает преимущества использования множества ресурсов на основе данных, которые необходимы для комплексной оценки изменений земель в глобальном масштабе. Это дает более подробное представление как о пространственных закономерностях, так и о временной динамике изменения землепользования на Земле. Мы выявляем расходящиеся процессы обезлесения и расширения сельского хозяйства и демонстрируем, что темпы и масштабы глобальных изменений в землепользовании зависят от социально-экономических изменений и потрясений, таких как глобальный экономический кризис 2007–2009 годов.Результаты показывают, что глобальная торговля, влияющая на сельское хозяйство, была одним из основных факторов глобальных изменений в землепользовании за последние шесть десятилетий.

Данные HILDA + имеют значение для оценки изменения климата, утраты биоразнообразия и продовольственной безопасности, особенно для оценки углеродных бюджетов, управления лесным хозяйством и биомассы. Благодаря последовательному распределению изменений на основе данных, HILDA + подходит для глобального анализа временных рядов. Несогласованность отдельных наборов данных, хотя и не свободна от потенциальных артефактов данных, смягчается за счет использования нескольких источников данных.Мы стремимся преодолеть разрыв между долгосрочными тенденциями землепользования, основанными на ФАО, которым не хватает пространственной четкости, и классификациями земного покрова, основанными на наблюдениях с помощью дистанционного зондирования, которым не хватает долгосрочной временной согласованности. Благодаря синергетическому использованию данных наблюдений и предоставлению годовых показателей неопределенности, HILDA + выходит за рамки традиционных реконструкций землепользования, которые часто опираются на отдельные наборы данных, дают неполную картину динамики LUC и не содержат информации о неопределенности. HILDA + предоставляет последовательные временные ряды глобального изменения LUC, которые предоставляют новые возможности для анализа глобальных временных рядов, выявления возможных движущих сил, воздействий и корреляций в контексте изменения землепользования.Таким образом, данные HILDA + могут способствовать лучшему пониманию воздействия на окружающую среду изменений в землепользовании в прошлом, предоставляя более подробные траектории изменения земель (например, влияющие на пулы углерода) и их временную классификацию. Это может еще больше улучшить оценку стратегий землепользования в будущем в поддержку политики, например: Парижские климатические цели, цели в области устойчивого развития и повестка дня Конвенции о биологическом разнообразии на период после 2020 года.

Классификация земного покрова для измерения усыхания озер

Озеро Поянху, крупнейшее пресноводное озеро Китая, сокращается по мере того, как вода в верхнем течении забирается из реки Янцзы на плотине «Три ущелья».Те, чьи средства к существованию зависят от озера, встревожены, так как сокращающееся озеро изменяет растительный покров в этом районе и влияет на экономику. Чтобы помочь им убедить их в спасении озера, вы сравните изображения с 1984 по 2014 год, чтобы количественно оценить площадь поверхности озера и показать изменения с течением времени.

Последний раз этот урок тестировался 15 июля 2021 г. ArcGIS Pro 2.8. Если вы используете другую версию ArcGIS Pro, вы можете столкнуться с другими функциями и результатами.

Требования

• ArcGIS Pro (получите бесплатную пробную версию)
• Дополнительный модуль ArcGIS Spatial Analyst

Чтобы рассчитать изменение площади озера с течением времени, вы сравните изображения озера, сделанные спутниками Landsat в период с 1984 по 2014 год.Спутниковая программа Landsat действует более 40 лет, поэтому ее изображения имеют жизненно важное значение для мониторинга основных планетарных изменений. Сначала вы настроите проект и визуально сравните изображения.

Откройте проект

Вы загрузите проект и откроете его в ArcGIS Pro.

1. Перейти к Страница сведений об элементе проекта Lake Poyang.
2. Щелкните Загрузить и сохраните файл. Найдите загруженный файл Lake_Poyang_Project.ppkx на своем компьютере и переместите его в место, где вы можете легко его найти, например в папку «Документы».

   В зависимости от вашего веб-браузера вам может быть предложено выбрать расположение файла перед началом загрузки. Большинство браузеров по умолчанию загружаются в папку «Загрузки» на вашем компьютере.

3. Если у вас ArcGIS Pro, дважды щелкните пакет проекта Lake_Poyang_Project.ppkx, чтобы открыть его. При появлении запроса войдите в систему, используя свою лицензионную учетную запись ArcGIS.

   Если у вас нет ArcGIS Pro или учетной записи ArcGIS, вы можете подписаться на бесплатную пробную версию ArcGIS.

   Проект открывается в центрально-восточном Китае.Чтобы вы могли сориентироваться, включены три слоя (и базовая карта): плотина Трех ущелий, река Янцзы и простое изображение озера Поянху. Озеро Поянху находится в нескольких сотнях миль ниже по течению от плотины Трех ущелий.

Визуальное сравнение озера Поянху во времени

Проект также содержит три слоя изображений, которые в настоящее время отключены. Эти слои показывают озеро Поянху в разгар сезона дождей в течение трех разных лет: 1984, 2001 и 2014 гг. Вы визуально сравните изображения, чтобы понять, как форма озера менялась с течением времени.

1. На панели «Содержание» щелкните правой кнопкой мыши слой «Озеро Поянху» и выберите «Приблизить к слою».

   Озеро Поянху в основном длинное и узкое, простирается к югу от реки Янцзы. Его узкая форма означает, что даже небольшие усадки на поверхности озера могут привести к фрагментации водной среды обитания. Кроме того, несколько городов вокруг озера зависят от рыболовства и транспорта, обеспечиваемого озером. На национальном уровне озеро является крупнейшим источником пресной воды в Китае. Усыхание озера может иметь разрушительные экологические и экономические последствия.

2. На панели «Содержание» снимите флажок рядом со слоями «Плотина трех ущелий», «Река Янцзы» и «Озеро Поянху», чтобы отключить их.

   Они вам не понадобятся до конца урока.

3. На панели Содержание установите флажок рядом со слоем June 1984.tif, чтобы включить его.
4. Прокрутите и увеличьте масштаб карты с помощью мыши, чтобы было видно все изображение.

   Это изображение показывает озеро в июне 1984 года. Изображение было получено со спутника Landsat 5.

   Спутниковая программа Landsat — это совместная инициатива двух американских правительственных агентств: Геологической службы США (USGS) и Национального управления по аэронавтике и исследованию космического пространства (NASA). Вы можете узнать больше о программе Landsat на странице миссий USGS Landsat.

   На снимке видно яркое и четкое различие между голубым озером и зеленой растительностью поблизости. Хотя эти цвета могут казаться естественными, на самом деле они представляют собой комбинацию цветов электромагнитного спектра, которые обычно невидимы для человеческого глаза.

5. На панели «Содержание» щелкните стрелку рядом со слоем June 1984.tif.

   На снимках Landsat имеются полосы разных цветов в электромагнитном спектре. В зависимости от типа спутника Landsat на каждое изображение приходится от 7 до 11 каналов, как вы можете видеть в таблице ниже.

   3

   3 9070 970 970 9709 2

   Band	Landsat 5	Landsat 7	Landsat 8
   1	Синий
   2	Зеленый	Зеленый	Синий
   3	Красный	Красный	Красный	Красный	Ближний инфракрасный 1	Ближний инфракрасный 1	Красный
   5	Ближний инфракрасный 2	Дальний инфракрасный	Тепловой	Тепловой	Дальний инфракрасный 1
   7	Средний инфракрасный	Дальний инфракрасный 2	970 970 9709 2	970 970 9 Панхроматический	Панхроматический
   9			Cirrus
   10
   10	7 3 1 9 Тепловой Инфракрасный3 9007 9 Тепловой 900 Инфракрасный 2

   Поскольку все полосы не могут быть отображены одновременно, вы обычно выбираете комбинацию из трех полос, которые вы отображаете через цветные каналы: красный, зеленый и синий, которые может видеть человек. глаз.Как вы можете видеть в легенде, изображение 1984 года использует ближний инфракрасный канал 2 для канала красного цвета, ближний инфракрасный канал 1 для канала зеленого цвета и красный цвет для канала синего цвета.

   На всех трех изображениях в вашем проекте используются комбинации полос, которые подчеркивают растительность, делая границы между озером и окружающим ландшафтом более четкими и отчетливыми. Затем вы сравните изображения 1984 года с более поздними изображениями, чтобы увидеть, как изменилось озеро.

6. Установите флажок рядом со слоем «Июнь 2001», чтобы включить его.

   Этот снимок был сделан Landsat 7 вместо Landsat 5, поэтому его цвета другие. Без параллельного сравнения трудно точно увидеть, что изменилось. Вы будете использовать инструмент Swipe, чтобы сравнить изображения рядом.

7. На панели «Содержание» щелкните слой June 2001.tif, чтобы выбрать его.
8. На ленте в верхней части приложения щелкните вкладку Внешний вид. В группе «Сравнить» нажмите «Провести».

   Когда вы наводите указатель на карту, он превращается в стрелку.

9. Перетащите карту в направлении стрелки.

   Выбранный слой скрыт в том месте, куда вы перетаскиваете указатель. Теперь вы можете сравнить два изображения. Перетаскивая инструмент «Смахивание» вперед и назад (или вверх и вниз), вы увидите, что большая часть изменений происходит на южном и восточном концах озера. Области, где озеро отступило, обычно имеют тускло-оранжевый цвет, потому что там нет растительности. В целом в 2001 году площадь озера была заметно меньше, чем в 1984 году.Оба эти снимка были сделаны до открытия плотины «Три ущелья» в 2003 году, поэтому причиной снижения уровня озера в этот период может быть засуха или другие метеорологические тенденции.

10. На панели Содержание включите слой May 2014.tif.

    Это изображение было снято спутником Landsat 8. Оранжевые области, обозначавшие голую землю от отступающего озера на снимке 2001 года, теперь отображаются как ярко-зеленые из-за роста растительности, что указывает на долгосрочное изменение уровня воды.

11. На панели Содержание щелкните May 2014.tif, чтобы выбрать его.
12. Используйте инструмент «Смахивание», чтобы сравнить изображение 2014 года с изображением 2001 года.

    Озеро, по-видимому, претерпело дополнительную потерю площади поверхности, в основном в его южной и западной частях. Визуально ясно, что озеро уменьшилось в период с 1984 по 2014 год (по крайней мере, в сезон дождей, когда были сделаны все три изображения), хотя точное количество неизвестно.

13. На ленте на вкладке «Карта» в группе «Навигация» нажмите кнопку «Обзор», чтобы выйти из режима прокрутки.

    Вы можете снова перемещаться по карте в обычном режиме.

Следующим шагом является более точная количественная оценка потерь площади.

Чтобы количественно оценить изменение площади поверхности озера с 1984 по 2014 год, вы классифицируете растительный покров на обоих изображениях, идентифицируя области, покрытые водой, и отличая их от другого земного покрова, такого как растительность или городские районы.В мультиспектральных изображениях, таких как Landsat, каждый отдельный пиксель (или ячейка) изображения имеет значение для каждой спектральной полосы. Как видно из ярких изображений озера Поянху, существует множество возможных значений цвета для всех разновидностей оттенков и оттенков. Однако все пиксели, представляющие один и тот же растительный покров, имеют тенденцию иметь несколько схожие спектральные значения. Классифицируя изображение, вы определите пиксели, которые имеют схожие значения, и сгруппируете их вместе, чтобы представить небольшое количество классов, таких как вода, растительность или городские районы.

Вы будете использовать особый тип метода классификации, известный как неконтролируемая классификация, в которой программное обеспечение использует статистический анализ, чтобы решить, какие значения достаточно похожи друг на друга, чтобы их можно было сгруппировать в классы. Вам нужно только указать, сколько классов вы хотите получить, и инструмент создаст это точное количество классов. Инструмент, который вы будете использовать для этого, — это неконтролируемая классификация изокластера.

Классификация земного покрова в 1984 году

Сначала вы классифицируете изображение 1984 года.

1. На ленте щелкните вкладку Анализ. В группе Геообработка нажмите Инструменты.

   Появится панель Геообработка.

2. На панели Геообработка введите Неконтролируемая классификация изокластера в поле поиска. Щелкните результат с таким же названием.

   Откроется инструмент Неконтролируемая классификация изокластера. Этот инструмент выполняет неконтролируемую классификацию выбранного вами слоя изображения или растра. Он использует алгоритм Iso Cluster для определения характеристик естественных группировок ячеек и создает выходной слой на основе необходимого количества классов.Вы запустите инструмент на слое изображения 1984 года.

3. В параметрах инструмента Неконтролируемая классификация изокластера выберите следующие значения:
   • Для входных каналов растра выберите июнь 1984.tif.
   • В поле «Число классов» введите 4.
   • Для выходного классифицированного растра введите Iso_1984 в конце расположения poyang.gdb.
   • Остальные параметры оставьте без изменений.

   Вы решили классифицировать пиксели изображения 1984.tif только на четыре класса, потому что вы в первую очередь хотите увидеть озеро, поэтому нет необходимости в большом количестве классов, которые бы различали многие типы земного покрова.

4. Нажмите «Выполнить».

   После завершения работы инструмента выходной слой добавляется на карту. Цвета на вашей карте могут отличаться от цветов на изображении ниже.

   Новый слой похож на исходное изображение июня 1984 года, но теперь есть только четыре цвета, которые представляют каждый из четырех классов, созданных инструментом классификации. Все слои изображения состоят из сетки пикселей, также известной как ячейки, но в исходном изображении пиксели имели тысячи разных цветов.Инструмент Изокластерная неконтролируемая классификация взял все пиксели исходного изображения и отсортировал их по четырем классам значений на основе их спектрального сходства. Затем он произвольно выбрал четыре цвета для обозначения каждого класса. Похоже, что все клетки воды были отнесены к одному классу (значение 1), а растительность, облачный покров и другие типы земного покрова относятся к трем другим классам.

5. На панели «Содержание» для слоя Iso_1984 щелкните правой кнопкой мыши «Значение 1» и измените цвет на Yogo Blue.

6. Измените другие значения (2, 3 и 4) на Нет цвета.

   Остается видимым только значение воды. Вы сравните его с исходным изображением от июня 1984 года, чтобы убедиться в правильности классификации.

7. На панели «Содержание» включите слои Iso_1984.tif и June 1984.tif и убедитесь, что все остальные слои отключены. Щелкните слой Iso_1984.tif, чтобы выбрать его.

8. На ленте на вкладке «Внешний вид» включите инструмент «Смахивание», чтобы сравнить два слоя 1984 года.

   Хотя границы озера в основном совпадают, классифицированная стоимость также включает меньшие водоемы вокруг озера. Вы удалите некоторые из этих небольших водоемов в следующем разделе. Есть также часть озера, которая не была отнесена к той же ценности, что и остальная часть озера из-за облачности.

   Облака часто скрывают детали земли на спутниковых снимках. Облачность на этом изображении относительно небольшая, поэтому она не окажет существенного влияния на анализ, но анализ можно улучшить, используя изображения с еще меньшей облачностью.

9. На ленте на вкладке «Карта» повторно активируйте инструмент «Исследовать».
10. На панели «Содержание» отключите слои Iso_1984.tif и June 1984.tif.

Классификация земного покрова в 2014 г.

Затем вы классифицируете изображение 2014 г., чтобы увидеть, как озеро изменилось с течением времени. Панель геообработки уже открыта для инструмента неконтролируемой классификации изокластера, поэтому вы только измените параметры перед повторным запуском инструмента.

1. На панели Содержание включите май 2014.tif слой.
2. На панели «Геообработка» измените следующие параметры:
   • Для каналов входного растра измените июнь 1984.tif на май 2014.tif
   • Для выходного классифицированного растра введите Iso_2014 в конце местоположения poyang.gdb.
   • Остальные параметры оставьте без изменений.

3. Нажмите «Выполнить».

   Как и раньше, водные ячейки были отнесены к значению 1 нового слоя.

4. На панели Содержание для слоя Iso_2014 измените цвет значения 1 на Light Apple.

5. Измените другие значения (2, 3 и 4) на Нет цвета.
6. На ленте на вкладке «Внешний вид» включите инструмент «Смахивание», чтобы сравнить два слоя 2014 года.

   Здесь снова классификация воды кажется довольно точной.

7. На панели Содержание отключите слой May 2014.tif и включите слой Iso_1984.

   Видимые синие области обозначают области, которые были покрыты водой в 1984 году, но не в 2014 году, что более четко показывает уменьшение озера между двумя точками времени.

8. Сохраните проект.

Вы классифицировали изображения 1984 и 2014 годов, чтобы показать растительный покров, создав одно значение для воды из множества значений воды на исходном изображении. Затем вы сгладите границы озера и удалите многие более мелкие водные объекты, которые были отнесены к озеру Поянху.

Теперь вы очистите свои классифицированные изображения с помощью инструментов обобщающего анализа, чтобы удалить небольшие ошибки или мелкие водоемы вокруг озера.Вы также сгладите границы озера.

Фильтр отдельных пикселей

Сначала вы очистите маленькие изолированные пиксели, которые были классифицированы как вода, но не являются частью озера Поянху. Некоторые из этих пикселей принадлежат крошечным водоемам или водоемам, а другие были классифицированы неправильно. В любом случае их не следует учитывать при расчете площади озера Поянху, поэтому вы запустите инструмент геообработки, чтобы устранить как можно больше из них.

1. Откройте проект Poyang Land Cover в ArcGIS Pro.
2. На ленте щелкните вкладку Анализ и нажмите Инструменты, чтобы открыть панель Геообработка.
3. На панели «Геообработка» нажмите кнопку «Назад», чтобы вернуться в поле поиска.

4. В поле поиска введите Фильтр большинства. Щелкните инструмент Фильтр большинства.

   Инструмент «Фильтр большинства» — это инструмент для обобщения данных. Он заменяет ячейки в изображении или растровом слое на основе значения большинства соседних ячеек. Если ячейка была классифицирована как класс 1 (вода), но три из четырех ее соседних ячеек были классифицированы как класс 2, инструмент изменит значение ячейки в соответствии с окружающими значениями, другими словами, на класс 2.Вы запустите инструмент два раза, по одному для каждого классифицированного изображения.

5. В инструменте Фильтр большинства для Входного растра выберите Iso_1984.
6. Измените имя выходного растра на Filter_1984 в конце расположения poyang.gdb.

   Другие параметры позволяют вам выбрать, сколько соседних ячеек будет использовать инструмент и должно ли большинство смежных ячеек иметь одинаковое значение или только половина. Чтобы обобщить максимальное количество отдельных пикселей и создать больший эффект сглаживания, вы воспользуетесь половиной.

7. В качестве порога замены выберите «Половина».

8. Нажмите «Выполнить».

   Обобщение удалило многие отдельные пиксели, но многие все еще остались. Может потребоваться дополнительное обобщение, но оно также сопряжено с риском удаления необходимых вам данных; Другими словами, вы можете потерять клетки, представляющие озеро Поянху. Вы исправите некоторые из оставшихся проблем, когда сгладите границы позже, а пока вы запустите инструмент на другом слое изображения.

9. На панели «Геообработка» измените Входной растр на Iso_2014 и имя выходного растра на Фильтр_2014.
10. Нажмите «Выполнить».

    На карту добавлено обобщенное изображение 2014 года.

    Теперь, когда у вас есть обобщенные версии двух классифицированных изображений, вам больше не нужны исходные классифицированные изображения на карте, поэтому вы удалите их.

11. На панели «Содержание» щелкните правой кнопкой мыши слой Iso_2014 и выберите «Удалить».

12. Аналогичным образом удалите слой Iso_1984.

    Если вам снова понадобится доступ к этим слоям, вы можете найти их (а также все другие слои, которые вы создаете в этом проекте) в базе данных poyang.gdb на панели Каталог.

Очистить границы изображения

Вы удалили некоторые отдельные пиксели в каждом изображении. Затем вы очистите границы между значениями в каждом изображении, чтобы удалить пиксельные гранулярные края.

1. На панели «Геообработка» нажмите кнопку «Назад», чтобы вернуться в поле поиска.
2. Найдите и откройте инструмент «Очистка границ».

   Инструмент «Очистка границ» сглаживает границы между классами, расширяя границы и затем уменьшая их до исходного размера. Обычно при этом удаляются отдельные пиксели и заменяется их значением пикселей вокруг них. Его результаты достигают такого же эффекта, как и инструмент Фильтр большинства, но с акцентом на границах классов.

3. В параметрах очистки границ выберите следующие значения:
   • Для входного растра выберите Filter_1984.
   • Измените имя выходного растра на Clean_1984.

   Параметр «Метод сортировки» определяет, будут ли значения с большей или меньшей областью иметь приоритет во время раскрытия, а флажок определяет количество запусков процесса. Вы примете значения по умолчанию для этих параметров.

4. Нажмите «Выполнить».

   Новый слой 1984 добавлен на карту. Различия небольшие, но границы между значениями сглажены.Кроме того, удаляется больше мелких отдельных пикселей, разбросанных по всему изображению. В то время как некоторые из них остались, инструменты обобщения существенно очистили изображение. Если вы хотите увидеть различия сами, попробуйте использовать инструмент «Смахивание» и приблизьте изображение к изображению для сравнения. Затем вы запустите инструмент «Очистка границ» на другом изображении.

5. Запустите инструмент Очистка границ на растре Filter_2014. Измените имя выходного растра на Clean_2014.

   На карту добавлен новый слой 2014 года.Вам больше не нужны изображения, созданные с помощью инструмента «Фильтр большинства», поэтому вы удалите их.

6. На панели «Содержание» удалите слои Filter_2014 и Filter_1984.
7. Сохраните проект.

Вы очистили исходное классифицированное изображение, чтобы удалить множество мелких ошибок или случайных группировок пикселей. Затем вы рассчитаете площадь озера для 1984 и 2014 годов и определите, сколько поверхности озера было потеряно между этими двумя датами.

Теперь вы рассчитаете площадь озера Поянху в гектарах для 1984 и 2014 годов.Сначала вы выберете подходящую формулу.

Разработайте формулу вычисления площади

Вы исследуете, чтобы решить, как вычислить площадь озера.

1. На панели «Содержание» щелкните правой кнопкой мыши слой Clean_1984 и выберите «Таблица атрибутов».

   Таблица открывается. Каждое из четырех значений слоя (для четырех классов) имеет количество пикселей. Значение 1, которое соответствует воде, имеет примерно 3 миллиона пикселей. Это много пикселей, но насколько велик пиксель в реальном мире? Вы узнаете, проверив разрешение изображения, которое измеряет, сколько реальных единиц соответствует одному пикселю.

   Получение площади объекта непосредственно на основе количества пикселей, перечисленных в таблице атрибутов, как вы собираетесь сделать, допустимо только в том случае, если вы используете систему координат проекции, которая не слишком сильно искажает области. Как вы увидите позже, здесь используется система WGS 1984 UTM Zone 50N, что приемлемо. Другие системы, такие как Web Mercator, часто используемые для веб-карт, неприемлемы.

2. Не закрывайте таблицу атрибутов. На панели «Содержание» щелкните правой кнопкой мыши слой Clean_1984 и выберите «Свойства».

   Откроется окно свойств слоя.

3. В левой части окна «Свойства слоя» щелкните «Источник».

   Вкладка «Источник» содержит информацию о типе данных слоя и его расположении на вашем компьютере, экстенте данных и способах их проецирования на карту.

4. Щелкните Информация о растре.

   Параметры «Размер ячейки X» и «Размер ячейки Y» относятся к длине (X) и высоте (Y) каждой ячейки или пикселя. В этом случае каждый пиксель на карте соответствует реальной площади 30 на 30 единиц.Однако вы все еще не знаете единицы измерения. Это 30 дюймов? 30 километров? Вы хотите посчитать гектары, поэтому важно знать единицу измерения.

5. Еще раз щелкните Информация о растре, чтобы закрыть его. Щелкните Пространственная привязка.

   Параметр Linear Unit относится к единице измерения, которую по умолчанию используют все пространственные вычисления, включающие слой. В данном случае единицей измерения является метр, что означает, что каждый пиксель представляет собой площадь размером 30 на 30 метров (или 900 квадратных метров) в реальном мире.

   В соответствии с Spatial Reference, вы можете также видеть, что Прогнозируемые координат используется Система WGS 1984 UTM Zone 50N, как обсуждалось ранее.

6. Закройте окно свойств слоя.

   Чтобы найти площадь каждого значения в изображении, вы умножите количество пикселей на 900, чтобы преобразовать его в квадратные метры. Затем разделите результат на 10 000 — количество квадратных метров в гектаре. Общая формула выглядит следующим образом:

   Га = (Количество × 900) / 10,000

Теперь, когда вы разработали формулу, вы примените ее для вычисления площади озера.

Вычислите потерянную площадь озера в гектарах

Теперь вы вычислите площадь озера в гектарах для 1984 и 2014 годов. Затем вы найдете количество потерянных гектаров между двумя датами.

1. В таблице атрибутов Clean_1984 нажмите кнопку «Добавить поле».

   Откроется представление «Поля», в котором можно управлять полями в таблице атрибутов. В конец списка добавляется новое поле.

2. Для нового поля измените значение имени поля на Гектары.Измените тип данных на плавающий.

   Float — это тип данных, который позволяет использовать числа с десятичными знаками.

3. На ленте на вкладке Поля в группе Изменения щелкните Сохранить.

4. Закройте представление Fields: Clean_1984, чтобы вернуться к таблице атрибутов.

   Таблица теперь содержит поле Гектары, но не имеет значений. Затем вы рассчитаете гектары для каждого значения класса, используя уравнение преобразования, описанное ранее.

5. Щелкните правой кнопкой мыши заголовок поля «Гектары» и выберите «Рассчитать поле».

   Панель Геообработка откроется для инструмента Вычислить поле.

6. В инструменте «Вычислить поле» подтвердите следующее.
   • Для входной таблицы значение Clean_1984.
   • Для имени поля значение — Гектары.
   • Для Типа выражения оставьте Python 3.
7. В Гектарах = создайте выражение (! Count! * 900) / 10000.

   Совет:

   Вы можете добавить поле Count к выражению, дважды щелкнув Count в поле Поля.

8. Нажмите «Выполнить».

   Поле Гектаров в таблице атрибутов заполняется площадью в гектарах каждого значения на изображении. Значение 1, которое показывает воду, составляет приблизительно 270 000 гектаров — площадь озера в 1984 году.

9. Закройте таблицу атрибутов.

   Аналогично, теперь вы рассчитаете площадь озера в 2014 году в гектарах. Поскольку пространственное разрешение и другие характеристики двух изображений одинаковы, вы будете использовать ту же формулу, что и раньше.

10. На панели «Содержание» щелкните правой кнопкой мыши слой Clean_2014 и выберите «Таблица атрибутов». В таблице атрибутов нажмите кнопку «Добавить поле». Для нового поля измените значение имени поля на Гектары. Измените тип данных на Float.
11. На ленте на вкладке Поля в группе Изменения щелкните Сохранить. Закройте представление Fields: Clean_2014, чтобы вернуться к таблице атрибутов.
12. Щелкните правой кнопкой мыши заголовок поля «Гектары» и выберите «Рассчитать поле». Убедитесь, что входная таблица — Clean_2014, имя поля — гектары, а тип выражения — Python 3.В разделе «Гектары =» создайте выражение (! Счетчик! * 900) / 10000. Нажмите «Выполнить».

    Поле Гектары в таблице атрибутов заполнено, и Значение 1, которое показывает воду, составляет примерно 200 000 гектаров. Это площадь озера в 2014 году.

13. Закройте таблицу атрибутов.

    Площадь озера в 1984 г. составляла около 270 000 га, а в 2014 г. — около 200 000 га. В период с 1984 по 2014 год было потеряно почти 70 000 гектаров озера Поянху: в среднем около 2300 гектаров в год.

    Существуют и другие методы вычисления площади после завершения классификации. Например, вы можете сначала использовать инструмент Растр в многоугольник, чтобы создать полигональный объект озера, который будет включать площадь в квадратных метрах. Затем вы должны преобразовать площадь в гектары, разделив ее на 10 000.

14. Сохраните проект.

В этом уроке вы сравнили визуально и классифицированные снимки Landsat озера Поянху, чтобы понять, насколько изменилась площадь озера с течением времени.Ваши выводы указывают на серьезную проблему: озеро потеряло тысячи гектаров всего за 30 лет. Ваши расчеты не раскрывают причин сокращения озера Поянху, но они предоставляют фактические доказательства серьезной проблемы и служат отправной точкой для ученых-экологов и других специалистов для проведения дальнейших исследований.

Если вы хотите узнать больше о темпах изменения озера Поянху за этот 30-летний период, вы можете выполнить тот же анализ на изображениях из промежуточных дат, таких как изображение июня 2001 года.Таким образом, вы можете построить график изменения во времени и узнать, стабильный ли темп или, возможно, ускоряется.

Дополнительные уроки, подобные этому, можно найти на странице «Введение в изображения и дистанционное зондирование».

Отправьте нам отзыв

Отправьте нам свой отзыв об этом уроке.Расскажите нам, что вам понравилось, а что нет. Если что-то в уроке не сработало, сообщите нам, что это было и где на уроке вы с этим столкнулись (название раздела и номер шага). Используйте эту форму, чтобы отправить нам отзыв.