- PII
- 10.31857/S0869780923030025-1
- DOI
- 10.31857/S0869780923030025
- Publication type
- Status
- Published
- Authors
- Volume/ Edition
- Volume / Issue number 3
- Pages
- 88-97
- Abstract
- The article discusses two different ways to classify space images of Landsat-8 satellite by the example of the sand massif in the Kazan-Veshensky key area, the Rostov-on-Don region. The first method is a semi-automatic raster classification with training (SC) of selected reference areas, the second is a normalized vegetation index (NDVI). Taking into consideration K.N. Kulik typology of sands, the following classes are distinguished in the satellite image, i.e., open, slightly overgrown and overgrown sands. Also, shrub and herbaceous (plants in the vegetative state), pine forest plantations, and native forest with tree splits were marked as individual classes. The degree of sand overgrowth with native vegetation was estimated according to the projective cover. The resulting raster images were vectorized for further work. The estimation of cartographic image classification accuracy by the Cohen’s Kappa index was calculated. This work is necessary to identify the most reliable method for deciphering the selected area images. The resulting map can be used for initial assessment of phytoecological conditions of agrolandscapes in the sandy massif area. On the basis of cartographic images, by setting from 70 to 100 points in each class and checking their reliability by using archival satellite image for 07.07.2020, error matrices were complied, which permitted us to calculate the total interpretation accuracy. For semi-automatic classification with training, it constitutes 80.7%, and NDVI – 74.3%. According to the vegetation index with a smaller error, the classes of open sands and weakly overgrown sands were distinguished, in other cases the SC method turned out to be more accurate. Cohen’s Kappa coefficient in the semi-automatic classification with training is 77.4%, NDVI – 70.5%. The difference in classification accuracy is almost 7%. Thus, the optimal method for preliminary analysis of the Kazan-Veshensky sand massif key area using Landsat-8 satellite images is a semi-automatic classification with training.
- Keywords
- <i>агроландшафт</i> <i>пески</i> <i>ключевой участок</i> <i>классификация</i> <i>дешифрирование</i> <i>коэффициент Каппа Коэна</i> <i>вегетационный индекс</i>
- Date of publication
- 19.09.2025
- Year of publication
- 2025
- Number of purchasers
- 0
- Views
- 5
References
- 1. Адамович Д.А., Ашихмина Т.Я., Кантор Г.Я. Теоретические проблемы экологии. Использование различных комбинаций спектральных каналов космических снимков спутника Landsat-8 для оценки природных сред и объектов (обзор) // Теоретическая и прикладная экология. 2012. № 2. С. 9–18.
- 2. Гаель А.Г. Облесение бугристых песков засушливых областей. М.: Государственное изд-во географической литературы, 1952. 218 с.
- 3. Гаель А.Г., Гумилев Л.Н. Разновозрастные почвы на песках Дона и передвижение народов за исторический период // Известия АН СССР, Сер. геогр. 1966. № 1. С. 11–20.
- 4. Грибова С.А., Исаченко Т.И., Лавренко Е.М. Растительность европейской части СССР. Л.: Наука, 1980. 429 с.
- 5. Гумилев, Л.Н. Древняя Русь и Великая степь. М.: Эксмо, 2006. 508 с.
- 6. Дубнянский А.В. Пески Среднего Дона. М.: СельхозГИЗ, 1949. 227 с.
- 7. Замалитдинова М.Г., Ткачева И.П., Ергалиев Д.С., Сейткожина А. Исследование изменения растительности в зоне Аральского моря на основе космических снимков с использованием вегетационного индекса NDVI // Вестник Евразийского национального университета имени Л.Н. Гумилева. 2019. № 3. С. 32–38.
- 8. Зюзь Н.С. Культуры сосны на песках Юго-Востока. М.: Агропромиздат, 1990. 155 с.
- 9. Ивлиева О.В., Райчева А.В. Физико-географические условия Шолоховского района // Природа Государственного музея-заповедника М.А. Шолохова: сб. статей. Ростов-на-Дону: ООО “Ростиздат”, 2000. С. 18–26.
- 10. Королева П.В., Рухович Д.И., Рухович А.Д. Местоположение открытой поверхности почвы и линии почвы в спектральном пространстве RED-NIR // Почвоведение. 2017. № 12. С. 1435–1446.
- 11. Кулик К.Н. Агролесомелиоративное картографирование и фитоэкологическая оценка аридных ландшафтов. Волгоград: ВНИАЛМИ, 2004. 248 с.
- 12. Макушкин П.И., Турчин Т.Я., Макушкина И.П. Оценка санитарного состояния аренных дубняков Казанско-Вешенского песчаного массива // Приоритетные направления развития науки и образования: сб. статей II Междунар. научно-практ. конференции. 2018. С. 77–83.
- 13. Малышева Н.В. Автоматизированное дешифрирование аэрокосмических изображений лесных насаждений. М.: Московский государственный университет леса, 2012. 151 с.
- 14. Миронов В.В. Облесение песков Юго-Востока. М.: Лесная промышленность, 1970. 168 с.
- 15. Файзуллоев Ш.А. Оценка точности классификации данных дистанционного зондирования в ГИС-технологии на примере района каскада ГЭС на реке Вахш // Известия науки республики Таджикистан. Отделение физико-математических, химических, геологических и технических наук. 2020. № 1 (178). С. 96–103.
- 16. Congedo Luca. Semi-Automatic Classification Plugin. A python tool for the download and processing of remote sensing images in QGIS. Journal of open Source Software [Электронный ресурс]. 2012. № 6 (64). 197 p. https: //doi.org/joss.03172 (дата обращения 24.03.22).
- 17. Landis J.R., Koch G.G. The measurement of observer agreement for categorical data. Biometrics [Электронный ресурс]. 1977. № 33 (1). Р. 159–174. https://doi.org/10.2307/2529310
