WWW.KN.LIB-I.RU
БЕСПЛАТНАЯ  ИНТЕРНЕТ  БИБЛИОТЕКА - Различные ресурсы
 

Pages:     | 1 || 3 |

«КАРТОГРАФИЧЕСКАЯ БАЗА ДАННЫХ ДЛЯ ОБЕСПЕЧЕНИЯ ЭКОЛОГО-ГЕОХИМИЧЕСКИХ ИССЛЕДОВАНИЙ ГОРОДСКИХ ТЕРРИТОРИЙ ...»

-- [ Страница 2 ] --

В этот раздел также должны быть включены карты, характеризующие загрязнение атмосферного воздуха, поскольку именно оно депонируется в почвенном и снежном покрове, а связь с картами техногенных аномалий может позволить выявить источники поступления загрязнителей в городскую среду. Карта суммарного загрязнения атмосферного воздуха отражает уровни содержания поллютантов в воздушной среде по отдельным функциональным зонам города, а также несет в себе информацию о выбросах промышленных предприятий и автотранспорта. Карты индекса загрязнения атмосферы и потенциала загрязнения атмосферы отражают на основе общепринятых методик расчета интегральных показателей загрязнение и его потенциал в пределах городской среды, а также его вред для здоровья населения.

Особенности накопления загрязнителей в водных объектах показывает карта состояния водотоков и водоемов, отражающая уровни загрязнения воды на основе проведенного опробования ТМ и ПАУ.

Растительный покров в свою очередь уже является депонирующим фактором загрязнения различных компонентов среды: почвенного покрова, воздуха, водных объектов; засоления и солонцеватости почв и др. Составление карт состояния городской растительности является сложным процессом, требующим проведения значительного объема полевых работ специалистами-биологами. Однако косвенную информацию может дать расчет вегетационного индекса NDVI по многозональным космическим снимкам, который отражает количество фотосинтетически активной биомассы. Изменение биомассы по отношению к выбранным фоновым участкам исследования, может указать на наличие угнетенной, больной и мертвой растительности.

Комплексное представление о состоянии городской среды с точки зрения геохимии ландшафтов передают синтетические карты. Основной из них является крупномасштабная ландшафтно-геохимическая карта, которая определяет местоположение и размеры техногенных геохимических аномалий поллютантов в депонирующих средах городских ландшафтов в зависимости от источников выбросов, ландшафтно-геохимических условий и структуры латеральных миграционных потоков загрязняющих веществ. Составление ландшафтно-геохимических карт городов базируется на оценке и обобщении большого и разнопланового картографического материала из других разделов КБД. В основу карты положено структурирование городской территории на ландшафтно-функциональные комплексы, природный и техногенный статус которых определяет условия миграции и аккумуляции загрязнителей.

В этот раздел также можно включить оценочные карты, которые в комплексе различных эколого-геохимических показателей могут охарактеризовать экологическую комфортность городской территории, оптимальные условия для градостроительства, степень опасности проживания горожан и т.п.

Как результат анализа большинства карт КБД должна быть представлена карта геоэкологического районирования, которая позволяет синтезировать характеристики различных природно-антропогенных объектов и явлений, оказывающих влияние на экологическое состояние городских ландшафтов, по территориальному аспекту, определяя районы с определенными геоэкологическими условиями проживания и хозяйственной деятельности населения.

Общая структура КБД основана на ее основном картографическом содержании.

Она отражает группировку карт по разделам вместе с программным комплексом, обеспечивающим функционирование КБД, и представлена на схеме (рис. 4.).

Рис. 4. Структура КБД

2.4. Методы геоинформационного картографирования Методы геоинформационного картографирования служат основой для составления всех видов цифровых карт КБД и определяют работу программных алгоритмов ГИС, служащих для этих целей.





Все эти методы базируются на математической логике и составляют обширный список процедур в ГИС. В рамках диссертационного исследования не представляется возможным перечислить и использовать все известные методы, поэтому в работе их применение будет ограничено целями исследования и получением картографического материала, который входит в состав КБД.

В данном разделе рассматриваются как базовые методы геоинформационного картографирования, так и разработанные автором способы их применения при создании карт.

2.4.1. Использование данных дистанционного зондирования

Две технологические схемы возможны при геоинформационном картографировании городской территории по космическим снимкам, прошедшим предварительную геометрическую обработку, то есть приведенным к принятой системе пространственных координат:

- визуальное дешифрирование снимков на экране монитора с целью распознавания объектов городской территории путем логических умозаключений и применения знаний о дешифровочных признаках этих объектов;

- автоматизированное (компьютерное) дешифрирование снимков, часто в сочетании с визуальными методами для сокращения затрат времени и средств.

Визуальное дешифрирование может выполняться по панхроматическим снимкам или по многозональным с улучшенным пространственным разрешением (путем включения в синтезированное изображение панхроматического канала). Сегодня, как правило, визуальные методы применяются в основном в компьютерной среде ГИСпакетов, поэтому вполне оправдано рассматривать их в контексте методов геоинформационного картографирования. Визуальные методы, как правило, используют для дешифрирования снимков очень высокого пространственного разрешения (1–10 м), где алгоритмы автоматизированного дешифрирования часто не дают надежного результата. Кроме того дешифрирование таких снимков обычно проводится для составления крупномасштабных карт, требующих высокой точности определения границ и местоположения объектов, что лучше достигается за счет визуальной интерпретации.

Методы автоматизированного дешифрирования снимков обычно применяют в сочетании с визуальными для упрощения процесса анализа изображений и снижения временных затрат.

Обработка в таких случаях выполняется по следующему сценарию:

- применение автоматизированных методов дешифрирования (компьютерная классификация, квантование яркостей, расчет статистических сведений и др.);

- автоматическая векторизация и редактирование результатов;

- визуальное уточнение по косвенным признакам (приуроченность, соседство и т.п.) с одновременным редактированием в векторном формате.

Визуальное дешифрирование городской территории на космических снимках.

Методы визуального дешифрирования городской территории в основном опираются на теорию дешифровочных признаков, по которым распознаются объекты на снимках.

Она сформулирована применительно к визуальному дешифрированию аэрофотоснимков, но сохраняет свое значение при работе как с космическими изображениями, так и с их цифровыми изображениями на экране монитора. При дешифрировании снимков высокого разрешения используют как прямые (геометрические, яркостные и структурные), так и косвенные дешифровочные признаки. Рассмотрим основные элементы городской территории и методы их визуального дешифрирования.

Жилая застройка уверенно распознается на снимках по комплексу признаков – форме в плане, размеру, тени и рисунку изображения (табл. 2). Все жилые дома имеют в плане форму прямоугольника или квадрата, система прямоугольных блоков может образовывать единые здания сложной формы. По размеру уверенно отличаются дома в районах индивидуальной застройки (размер в среднем 10х10 м) от зданий многоэтажной застройки, построенных по стандартным проектам 1960-70-х годов (ширина 15-20 м при длине от 30 до 90 и более метров). Дома современной застройки более разнообразны по форме и размерам, многоэтажные здания могут иметь в плане не только прямоугольную, но и округлую форму. Длина падающей тени позволяет судить об относительной высоте (этажности), а ее контур – о силуэте строения. Важный признак жилой застройки – рисунок изображения, поскольку строения, как правило, образуют четкую проектировочную структуру. По рисунку изображения определяется структура жилой застройки.

–  –  –

Производственные объекты в отличие от объектов жилой застройки дешифрируются в основном не по прямым, а по косвенным признакам, использование которых базируется на наличии взаимосвязей и взаимообусловленности объектов, то есть по наличию одних объектов определяются свойства или назначение других. На снимках сверхвысокого пространственного разрешения можно определить не только границы промышленных предприятий, но и распознать отдельные корпуса. Отличительная особенность промышленных предприятий – скопление отдельных зданий разной формы и размера, как правило, бессистемно размещенных по территории (рис. 5 а). Косвенным признаком крупных предприятий служит наличие подъездных железнодорожных путей.

Благодаря падающей тени, на снимках легко дешифрируются промышленные трубы, которые в свою очередь могут определять функциональный тип предприятия (рис. 5 б).

Практически таким же образом на снимках дешифрируются крупные коммунальные объекты, например, очистные сооружения, похожие по своим свойствам на промышленные предприятия.

Рис. 5. Изображение на космическом снимке промышленных предприятий (снимки GeoEye-1, источник http://www.bing.com/maps) Транспортная инфраструктура города надежно дешифрируется на снимках сверхвысокого разрешения. Так крупные магистрали распознаются по ширине, а также по скоплению транспорта, зеленым насаждениям в центре или вдоль домов, а железнодорожные пути – по линейной форме с плавными поворотами большого радиуса.

Крупные автостоянки, автобусно-троллейбусные парки определяются по косвенному признаку – большому скоплению автомашин разного размера. Гаражные кооперативы размещаются на участках, неблагоприятных для жилой застройки – вдоль железнодорожных путей, вблизи промышленных предприятий и т.п. (рис. 6) Рис. 6. Изображение на космическом снимке объектов транспортной подзоны: а – железнодорожный вокзал, б – территория гаражного кооператива (снимки GeoEye-1, источник http://www.bing.com/maps) Складские территории обычно тяготеют к промышленным предприятиям, крупным транспортным путям (транзитные автодороги, железные дороги, морские и речные порты, аэропорты). Различить их на снимках можно с помощью косвенных дешифровочных признаков по близости к перечисленным объектам, наличию поблизости стоянок грузовых автомашин, а также по некоторым прямым признакам, например, по как правило смешанной структуре застройки и правильным крупным формам складских помещений.

Объекты специального назначения распознаются в основном по косвенным признакам, т. е. по прямым дешифровочным признакам окружающих объектов.

Скопление автомобилей на стоянках возле крупного, нестандартной формы здания может служить признаком его торгового назначения (рис. 7 а). Падающая тень от радиомачты в пределах ограниченного участка является признаком предприятия радиовещания (рис. 7 б).

Рис. 7. Изображение на космических снимках объектов зоны специального назначения: а – торгового центра, б – предприятия радиовещания (снимки GeoEye-1, источник http://www.bing.com/maps) Особый интерес при дешифрировании представляют объекты административного и общественно-культурного характера, например, офисы, учебные заведения, историкокультурные объекты. Многие из них можно распознать по определенной форме строений.

Так, школы и детские сады имеют зачастую унифицированную в нормативных документах форму в плане. Офисные строения характеризуются крупными зданиями правильной проектировки, а исторические строения имеют самую разнообразную художественную форму. Также о силуэте объектов можно судить по контуру падающей тени. Однако главной возможностью различить все эти объекты является анализ снимка с использованием косвенных признаков. К примеру, школы характеризуются наличием огороженного пространства вокруг здания или группы зданий со спортивной площадкой внутри (рис. 8 а), а высшие учебные заведения – дополнительно наличием стоянок автомашин, высоким озеленением территории и большим количеством строений на своей территории (рис. 8 б).

Рис. 8. Изображение на космических снимках: а – школы, б – высшего учебного учреждения (снимки GeoEye-1, источник http://www.bing.com/maps) Зеленые насаждения и водные объекты отличаются специфическими спектральными свойствами, поэтому для их распознавания лучше использовать многозональные снимки.

Водные объекты за счет свойства воды поглощать излучение имеют самую низкую яркость в длинноволновой части видимого и ближнего инфракрасного участков спектра электромагнитных колебаний, вследствие чего они надежно распознаются как визуально, так и при классификации многозонального снимка. Неточности в дешифрировании границ могут возникнуть в случае распространения вдоль берега водной растительности.

Вегетирующая растительность наиболее достоверно распознается на цветных синтезированных изображениях с участием снимков в ближнем инфракрасном участке спектра (0,7–3,0 мкм), где она обладает самыми высокими отражательными свойствами.

Использование визуальных методов дешифрирования (сочетание прямых и косвенных признаков) позволяет определить функциональное назначение озелененных территорий (Курбатова и др., 2006), что иллюстрирует таблица 3.

Таким образом, визуальное дешифрирование снимков высокого пространственного разрешения позволяет наиболее надежно распознать различные объекты городской территории и их свойства. Чаще всего его используют для картографирования планировочно-функциональных особенностей города, а именно для проведения крупномасштабного функционального зонирования и составления производных карт.

При всей надежности визуального дешифрирования у него имеется ряд существенных недостатков, которые особенно ярко выражены при составлении карт городских земель. Территория города очень изменчива, часто функции тех или иных частей города меняются, появляются новые кварталы застройки, прокладываются и расширяются автомагистрали, изменяются административные границы, поэтому важно сохранить некоторую оперативность картографирования и периодическое обновление составляемого материала. Однако значительные затраты времени на визуальное дешифрирование, особенно в случае обширной территории исследования, и использование данных высокого разрешения для наиболее точного определения границ и местоположения объектов, делают процесс обновления карт дорогим по временным и денежным затратам. Поэтому чаще для картографирования городских территорий применяют сочетание визуальных и автоматизированных методов дешифрирования.

–  –  –

древеснокустарниковая травянистая Автоматизированное дешифрирование городской территории по космическим снимкам. Методы автоматизированного дешифрирования могут носить как вспомогательный характер, упрощающий и снижающий затраты времени на визуальное дешифрирование, так и самостоятельное значение. Для их применения подходят как высокодетальные данные пространственного разрешения лучше 10 м (GeoEye-1, QuickBird, WorldView-1,2, SPOT-6,7 и др.), так и менее детальные снимки (SPOT-5, Landsat-8, UK-DMC-2) с разрешением 10-30 м, причем каждая из этих групп обладает своими особенностями. Так при сверхвысоком разрешении снимков большинство объектов городской территории выражаются протяженными формами в несколько пикселов, что значительно упрощает их интерпретацию на изображении. Но в то же время для эколого-геохимических исследований не всегда требуются детальность границ и точная локализация объектов, чаще важнее определить территориальное сочетание групп функционально близких объектов. К тому же более грубое разрешение сглаживает объектные детали городской территории, давая обобщенное представление отдельных ее участков.

За длительное время развития дистанционного зондирования Земли и геоинформационных технологий накопилось множество методов автоматизированного дешифрирования снимков. В диссертационном исследовании рассматриваются те из них, которые способствуют решению задач как дешифрирования отдельных объектов города и их соотношений, так и определения функционального назначения городских участков по космическим снимкам различного разрешения.

Дешифрирование отдельных объектов городской территории и их соотношений.

Основная задача автоматизированного дешифрирования высокодетальных космических снимков – сократить объем визуального дешифрирования городской территории, поэтому основными являются методы, позволяющие выделить объекты городской территории, достаточно уверенно распознающиеся в результате обработки многозональных снимков (водные объекты, вегетирующая растительность, антропогенные объекты) и затем рассчитать их соотношения.

Вследствие различий в спектральных характеристиках четыре группы объектов – водные объекты, древесная растительность, травянистая растительность и объекты застройки – достаточно уверенно распознаются в результате обработки многозонального снимка сверхвысокого разрешения (рис. 9).

Рис. 9. Фрагмент классифицированного изображения со спутника QuickBird: 1 – древесная растительность, 2 – травянистая растительность, 3 – водные объекты, 4 – прочее (крыши зданий, асфальтовое покрытие, открытые грунты) Выше говорилось, что благодаря своим свойствам изображение водных объектов имеет низкую яркость, особенно в ближнем инфракрасном участке спектра, поэтому поверхность воды – один из наиболее надежно дешифрируемых объектов на многозональных космических снимках. Достоверность распознавания этих объектов в городе снижается из-за того, что схожие спектральные свойства имеют плотные тени от высоких строений. В результате проведенных автором экспериментов установлено, что надежные результаты дают неконтролируемая классификация и квантование яркостей на снимке в ближнем инфракрасном участке спектра.

Вегетирующая растительность наиболее достоверно распознается в результате классификации многозонального снимка, при этом вполне надежно разделяются древесные насаждения и травянистая растительность скверов. Надежный результат выделения зеленых насаждений дает также вычисление вегетационного индекса NDVI, основанного на различиях яркости в ближнем инфракрасном и красном участках спектра.

Спектральные свойства большинства городских объектов в мегаполисах и крупных промышленных городах – асфальтовое покрытие улиц и площадей, бетонные крыши и стены зданий – очень схожи, поэтому даже на детальных снимках они классифицируются неуверенно. Еще одно обстоятельство, ухудшающее результаты, – наличие плотной падающей тени от высоких зданий, которая по спектральным характеристикам близка к водным объектам.

Чтобы получить более надежные результаты предлагается применять такой прием.

При контролируемой классификации в обучающую выборку целесообразно включать несколько классов падающей тени, различных по яркости, и несколько классов объектов, закрытых тенью. Можно выделить, например, такие классы, как «тень на растительном покрове», «тень на антропогенных сооружениях» и т.п. Чтобы определить, какой объект перекрывает падающая тень, достаточно провести визуальный анализ изображения или привлечь дополнительные снимки, сделанные в другое время суток. В результате можно выделить жилую застройку и тем самым улучшить результаты классификации (рис. 10).

Рис. 10. Результат контролируемой классификации с включением в обучающую выборку падающих теней зданий Многие интегральные показатели экологического благополучия города зависят от соотношения отдельных объектов и групп объектов его территории (Курбатова и др., 2006). Например, запечатанность участка городской территории характеризуется отношением площади под асфальтобетонными покрытиями, зданиями, сооружениями к общей площади исследуемого участка, а степень озеленения – отношением озелененных территорий к общей площади участка.

Предлагаемый автором способ расчета таких показателей по результатам классифицикации снимка рассмотрим на примере определения запечатанности городской территории.

Поскольку такого рода показатели являются относительными величинами, то первый шаг – связать результат классификации отдельных объектов городской территории (рис. 9) с единицей картографирования, например, сеткой кварталов, выполнив операцию оверлея (см. главу 2, раздел 2.4.3). Следующий шаг – определение отношения числа пикселов классов растительности в каждом квартале к общему числу пикселов квартала, т.е. вычисление отношения их площадей, что является степенью озеленения. Аналогично вычисляется запечатанность территории асфальтовыми покрытиями, зданиями и сооружениями, как отношение числа пикселов антропогенных объектов к общему числу пикселов снимка в пределах квартала.

Формулы для расчета представленных характеристик представлены ниже:

где G и Z – соответственно степень озеленения и запечатанность, Nраст и Nантр – число пикселов растительности и антропогенных объектов в пределах территориальной единицы (квартала, функциональной зоны и т.п.), N – общее число пикселов снимка внутри этой единицы.

Дешифрирование функционального назначения участков городской территории автоматизированными методами основаны на анализе спектральной яркости снимка, которая различается для участков с разным функциональным назначением, что достигается только в том случае, когда небольшие детали в пределах зоны оказываются сглажены по отношению к ее общей территории. Поэтому для такого дешифрирования подходят менее детальные снимки, например, SPOT-5, UK-DMC-2, Landsat-8 и др., и после обработки этих изображений в программных продуктах можно получить непосредственно слои данных о функциональном зонировании. Этот подход, лишенный значительных затрат времени на визуальный анализ снимков, позволяет осуществлять ко всему прочему оперативное составление карт.

Для осуществления предложенного прямого способа дешифрирования функциональных зон следует воспользоваться двумя основными методами автоматизированной интерпретации космических изображений:

классификацией снимка и квантованием его яркостей.

Наилучший результат классификации снимков городской территории, как это отмечалось и ранее, дают летние изображения, когда вегетирующая растительность проявляет свои спектральные свойства в наибольшей степени.

Наш опыт показал, что из многочисленных методов предпочтительна контролируемая классификация многозональных снимков с формированием обучающей выборки. Объекты распознавания – функциональные зоны – крайне неоднородны и включают образования с различающимися спектральными свойствами (асфальтовые и бетонные покрытия, растительность, водные объекты), которые к тому же могут встречаться в разных функциональных зонах. Как следствие, для целей распознавания городских зон лучше других подходит метод максимального правдоподобия, алгоритм которого предполагает вероятностный подход к решению задачи. Обычно предусматриваемая алгоритмом возможность задать пороговое расстояние (thresholddistance) значения данного пиксела от центра класса обеспечивает исключение небольших групп пикселов, некоторое осреднение получаемого результата.

Обучающая выборка формируется по эталонным классам земель с разным функциональным назначением и отдельно по водным объектам. Но в одной категории могут попадаться объекты других типов земель, поэтому классы выборки всегда частично пересекаются. Чтобы обеспечить большую надежность результатов предлагается включать в многозональный файл классифицируемого снимка не все каналы, а лишь те, в которых различия классов максимальны. Для этого целесообразно предварительно провести анализ спектральных свойств классов обучающей выборки (рис.11) Как видно из графика кривых спектрального образа, построенного на примере 1-5, 7 каналов спутника Landsat-7, все выделенные классы в наибольшей степени различаются по яркостям на снимках в каналах 2 (525-605 нм), 3 (630-690 нм), 4 (760-900 нм) и 5 (1550нм), соответствующих зеленому, красному, двум ближним инфракрасным участкам спектра. Поэтому для классификации целесообразно составить многозональный файл снимка, включающий только эти каналы.

Рис. 11. Спектральные образы классов обучающей выборки В конечном итоге должен получиться соответствующий результат классификации (рис. 12), который при векторизации и генерализации преобразуется в слой функциональных зон БПД.

Рис. 12. Результат классификации космического снимка Landsat-5 по методу максимального правдоподобия Получаемый результат не лишен ошибок и требует дальнейшей обработки и привлечения дополнительных материалов, которыми в частности могут служить снимки в тепловом диапазоне спектра.

В тепловом диапазоне (3-1000 мкм) регистрируются температурные различия объектов на земной поверхности. При отсутствии специальной тепловой аэросъемки в качестве источника можно использовать оперативные снимки со спутников Landsat-8 или архивные – Landsat-5,7.

Каждый крупный город формирует специфический тепловой остров, что выражается в существенных, до нескольких градусов, различиях в температурах воздуха и поверхности в самом городе и его окрестностях. Превышение температуры в городе обусловлено рядом факторов: большой теплоёмкостью асфальтовых покрытий и стен каменных зданий; меньшими затратами тепла на испарение осадков вследствие их искусственного стока и не в последнюю очередь прямым действием источников тепла, обусловленных человеческой деятельностью (Балдина, Грищенко, 2011). На снимках в тепловом диапазоне техногенные тепловые аномалии в локальном масштабе приурочены к промышленным объектам, местам сброса загрязнённых вод, транспортным магистралям и др. Выявление положительных тепловых аномалий помогает в дешифрировании объектов производственно-транспортной и складской зон.

Существует опыт использования снимков в тепловом диапазоне для дешифрирования действующих промышленных предприятий в пределах производственно-транспортной зоны (Балдина, Грищенко, 2011; Aniello и др., 1995;

Stathopoulou, Cartalis, 2007: Liu, Zhang, 2011). Такие предприятия характеризуются повышенной яркостью на снимке и в целом обеспечивают эффект «светимости» вокруг своей территории. Чтобы подчеркнуть такой эффект можно воспользоваться операцией квантования яркостей снимка – сгруппировать яркости в несколько ступеней. Чаще выбор ступеней выполняется на основе анализа гистограммы распределения яркостей на снимке (рис. 13 б). Пример результата такой процедуры представлен на рис. 13 а.

Рис. 13. А - квантованный снимок Landsat-5 с наложенными границами производственнотранспортной зоны (I) и участков многоэтажной застройки (II). Б – выбранные на основе гистограммы десять ступеней яркости (программное окно ILWIS) На приведенном изображении видно, что территория многоэтажной застройки в селитебной зоне характеризуется повышенным тепловым фоном по сравнению с основными массивами жилого фонда, но в целом для нее не характерны локальные тепловые «островки», занимающие обширные площади производственно-транспортной и складской зоны. Наличие значительной доли таких максимумов в пределах площади квартала указывает на его промышленное назначение или связано с активным транспортным движением на его территории, что позволяет отнести квартал к производственно-транспортной и складской зоне.

Таким образом, тепловые снимки являются существенным вспомогательным материалом при дешифрировании функционального назначения участков городской территории и могут значительно уточнить результаты классификации многозональных изображений.

Совмещение результатов, достигнутых в предложенной выше методике, с целью составления карт функциональных зон подробно рассмотрено в главе 3, раздел 3.2.2.

2.4.2. Атрибутивные и пространственные запросы к базе данных

Логические связи внутри базы пространственных данных обеспечивают возможность построения различных вариантов логических запросов к данным. Обычно такие запросы создаются на основе языка SQL, являющегося стандартным для реляционных СУБД. Он позволяет пользователю в простых формулировках и операторах проводить выборки из взаимосвязанных атрибутивных таблиц слоев БПД. Формулировки вместе с операторами часто организуют в программных пакетах в виде некоторых шаблонов, основанных на реляционной алгебре и реляционном исчислении. Поскольку большинство пользователей ГИС не владеют достаточными навыками программирования, в них реализованы простые функции в виде калькулятора запросов, представляющего собой совокупность шаблонов запросов и список необходимых атрибутов.

Часто запросы из БПД следует проводить не в пределах одной таблицы атрибутов слоя, а из нескольких связанных таблиц. Для этих целей в реляционной алгебре существуют операции соединения (union) и слияния (join), которые соответственно через систему логических связей комбинируют таблицы с разным числом записи с наличием пустых ячеек в объединенной таблице и создают новую таблицу, поля которой скомбинированы из двух других, используя общее ключевое поле (Лурье, 2008).

Результатом атрибутивного запроса является некоторая выборка объектов базы данных, атрибуты которых удовлетворяют заданным условиям. Эту группировку объектов можно сохранить в другой слой БПД и использовать как основу для составления карт.

Простой пример такого процесса может заключаться в выборе из объединенной таблицы атрибутов слоев загрязнения ТМ и функциональных зон те объекты жилой зоны, для которых суммарное загрязнение почвы выше нормальных значений (Zc= 128 AND zone=’селитебная’). Затем сохранить выборку в новый слой, который будет служить для составления ландшафтно-геохимической карты.

В стандартных ГИС-пакетах на принципах построения атрибутивных запросов работают способы изображения объектов при составлении карт. Они, как правило, соответствуют традиционным представлениям объектов на картах и позволяют из набора слоев БПД создать цифровую карту.

Такие способы изображения основаны на выборках значений из одного или нескольких полей атрибутивной таблицы:

- отдельный символ позволяет в системе условных обозначений изобразить значения одного поля атрибутов;

- уникальные значения – также позволяют оформить сочетания значений из нескольких полей таблицы;

- цветовая шкала использует непрерывное отображение какого-либо явления по полю атрибутивной таблицы в виде наборов шкал, в классической картографии ей соответствует способ картограмм;

- локализованная диаграмма позволяет учитывать значения из множества атрибутивных полей, к примеру, размером диаграммы указывая на один параметр содержания, а структурой – на другой;

- плотность точек основана на точечном способе изображения и также позволяет учитывать значения из нескольких полей таблицы;

- метод масштабируемых символов используют обычно для показа явлений, локализованных в точках, где размер символа указывает на числовой интервал значений из поля атрибутивной таблицы.

Пространственные запросы к базе данных основаны на пространственных связях организованных должным образом объектов БПД. Единая система координат и надежная координатная привязка способствуют пространственной идентичности отдельных слоев базы данных. Благодаря этому в ГИС-пакетах можно проводить запросы, касающиеся позиционной составляющей данных, основанных на анализе географического положения объектов слоев. Их работа по аналогии с атрибутивными запросами заключается в функциях СУБД.

Наиболее распространенными вариантами пространственных запросов являются простые операторы: «пересечение», «содержит», «полностью содержит», «внутри», «касается границы», «содержит центроид» и т.п. Они позволяют не просто определить объекты, отвечающие пространственным критериям и сохранить их в новый слой для дальнейших целей картографирования, но и определяют работу сложных функций пространственного анализа, таких как оверлей слоев и его модификаций.

Атрибутивные запросы к БПД определяют процесс создания практически всех карт, формирующих картографическую базу данных. Кроме того при создании аналитических карт такие запросы являются основным методом составления.

Синтетическое картографирование в значительной мере зависит от пространственного моделирования и поэтому в основе составления синтетических карт лежат пространственные запросы. Таким образом, оба эти метода геоинформационного картографирования являются базовыми для создания любой карты с помощью ГИС.

2.4.3. Методы пространственного анализа. Оверлей слоев при синтетическом картографировании Наряду с функциями по созданию и редактированию данных путем цифрования для составления векторных слоев ГИС-продукты предлагают автоматизированные алгоритмы для проектирования новых пространственных данных из имеющихся в БПД слоев. Эти алгоритмы основаны на методах пространственного анализа и позволяют значительно упростить процесс составления карт из нескольких слоев базы данных.

Наиболее базовым и распространенным методом пространственного анализа является оверлей слоев, который чаще всего применяют для моделирования географических связей между отдельными явлениями, выраженными в БПД слоями и группами слоев данных. Различают два типа оверлея: графический – композиция из двух и более слоев, наложенных графически друг на друга, и топологический – новый результирующий слой, границы объектов которого топологически обоснованы границами исходных слоев, а также атрибуты которого сохраняют в себе атрибутивную информацию исходных данных, либо являются ее производными.

Графический оверлей наиболее удобен для работы непосредственно с готовой КБД, представленной в программе-вьюере или на геопортале, когда несколько цифровых картографических представлений с помощью визуального наложения с различной прозрачностью можно использовать в качестве основы для исследования взаимосвязей между явлениями и для составления новых карт методами интернет-картографирования.

Топологический оверлей является одним из основных методов геоинформационного картографирования при работе с пространственными данными. В современных ГИС алгоритмы оверлея представлены в нескольких вариантах пространственных операций.

- Объединение. Результатом этой процедуры является геометрическое объединение границ пространственных объектов и сохранение их атрибутов. В случае, если исходные слои пересекаются в пространстве, то новый слой сохранит все их границы. К примеру, если объединить два полигональных слоя, границы которых пересекаются друг с другом, то на выходе получается такой же полигональный слой, но состоящий из полигонов этих пересечений.

- Пересечение. Эта процедура схожа с объединением за исключением того, что результатом операции служит область пространственного пересечения исходных данных, а все непересекающиеся области отбрасываются.

В задачах, связанных с эколого-геохимическими исследованиями, алгоритмы оверлея слоев в ГИС чаще всего находят применение в синтетическом картографировании. Рассматривая легенду синтетической карты, например, ландшафтнофункциональных комплексов (рис. 14), несложно прийти к выводу, что ее составление опирается на объединение нескольких слоев данных: коренных ландшафтов, рыхлых и техногенных отложений, функциональных зон, элементарных ландшафтов.

Рис. 14. Пример легенды синтетической эколого-геохимической карты (ландшафтнофункциональных комплексов) Особую важность при объединении этих зачастую разноплановых слоев играют две особенности: объединение геометрии слоев и объединение их атрибутов. В первом случае возникает геометрическая комбинация пересечения исходных границ данных, образуя новый слой, состоящий из множества дробных полигонов. После этого обычно проводится его обработка с помощью автоматизированной и ручной генерализации, а также географическое согласование новых границ, которое современными средствами ГИС почти не решается. Во втором случае результирующий слой в своей атрибутивной таблице содержит все колонки атрибутов исходных данных, что позволяет провести оформление слоя в соответствии с легендой составляемой карты.

В качестве завершающей процедуры при составлении карт с помощью оверлея следует применить пересечение результирующих слоев с полигональной границей исследуемой территории, чтобы отсечь из содержания, где это необходимо, образовавшиеся «лишние» участки.

2.4.4. Автоматизированная генерализация при геоинформационном картографировании Требования к картографической генерализации и ее теоретические аспекты были разработаны еще до появления ГИС (Салищев, поэтому в развитии 1990), геоинформационных методов четко прослеживается стремление соответствовать классическим положениям о генерализации карт. Однако, несмотря на значительные успехи в области автоматизации, привести геоинформационные методы к географическим принципам, которые опираются на знания и умозаключения о географии территории исследования, еще не удалось.

Автоматизированная генерализация начала развиваться в геоинформатике с появлением первых ГИС и сегодня накоплен значительный объем ее алгоритмов и методов. Охватить все из них не представляется возможным, поэтому в данном разделе будут охвачены методы автоматизированной генерализации, которые наиболее просты в своем выполнении для целей геоинформационного эколого-геохимического картографирования и доступны в большинстве ГИС-продуктов.

Прежде всего следует определиться с перечнем задач, которые необходимо решить с помощью автоматизированной генерализации в рамках работы с БПД при создании карт:

- генерализация качественных и количественных характеристик, начинающаяся с легенды карты;

- устранение невыражающихся в масштабе карты объектов в связи с их малой значимостью;

- обобщение дробных контуров, образующихся при операциях оверлея слоев при синтетическом картографировании;

- устранение топологических ошибок при ручном цифровании источников картографирования;

- обработка контуров границ объектов в связи с их излишней сложностью, либо недостатком детальности;

- генерализация растровых данных: изменение разрешения растра и пересчет количественных характеристик.

Часто при разработке содержания карты используется подробная классификация отображаемого явления, которая бывает необоснованной в рамках масштабного ряда результирующих карт. Поэтому требуется ее обобщение, которое сегодня успешно решается с помощью атрибутивных запросов в ГИС. Такая семантическая генерализация может полностью соответствовать классической генерализации количественных и качественных характеристик явления и часто выполняется автоматически при оформлении карты в ГИС.

Самым простым примером геометрической генерализации является удаление объектов слоя по определенным количественным цензам и критериям. Для этого достаточно рассчитать необходимые геометрические характеристики для объектов слоя, как правило, площади и длины, чтобы с помощью атрибутивных запросов отобрать соответствующие цензам объекты и сохранить их в новый слой. При этом не следует удалять объекты, которые по тем или иным причинам важны для содержания, однако не укладываются в ценз. Но чаще всего требуется не просто произвести стандартный отбор по цензу, а обобщить мелкие по площади полигоны, в частности те, которые образуются при операциях слияния и пересечения слоев в синтетическом картографировании, о чем говорилось выше. Для этого отобранные с помощью атрибутивных запросов неудовлетворяющие цензам объекты необходимо удалить с помощью их присоединения к соседним объектам по максимальной длине общей границы или по отношению к соседнему объекту с максимальной площадью. В современных ГИС существуют специальные алгоритмы, позволяющие сделать такой процесс с помощью пары простых функций, доступных любому пользователю.

Упомянутый выше алгоритм обобщения по цензу дробных контуров удобно использовать для устранения ошибок цифрования. При оцифровке исходных данных часто образуются своеобразные «дыры» в оцифрованном слое, вызванные неудачным сочленением границ объектов (рис. 15 а). Для их устранения достаточно провести слияние этого слоя с полигональной границей исследуемой территории, чтобы эти пустые участки превратились в полигоны с атрибутами границы. После этого достаточно их отобрать по площадному цензу и обобщить с соседними объектами слоя (рис. 15 б).

Рис. 15. Устранение топологических ошибок цифрования с помощью алгоритмов автоматизированной генерализации Поскольку цифрование исходного материала обычно ведется в более крупном масштабе, чем нужно для целей исследования, то в результате приведения к необходимому масштабу многие контуры объектов приобретают излишнюю детальность, которая выражается в размерах выходного файла с геометрией слоя. Эти слои становится сложнее обрабатывать в ГИС в связи с большим объемом файла в байтах и в определенных случаях в зависимости от мощности вычислительного устройства может произойти резкое падение производительности или даже отмена операций. К тому же в условиях необходимой генерализации излишнюю детальность границ требуется привести к более простой форме, соответствующей масштабу карты и другим слоям данных. Чтобы решить эти задачи в ГИС разработаны специальные функции по упрощению контуров, которые в большинстве своем основаны на удалении координатных пар узлов границы через определенные промежутки по определенным правилам, определяющимся известными методами генерализаций линий, например, с использованием теории фракталов (Берлянт и др., 1998). Также очень часто может понадобиться обратная функция по сглаживанию излишне простых контуров, алгоритмы которой работают схожим образом и доступны в большинстве ГИС-пакетов.

Генерализация растровых данных наиболее проста в отличие от векторных слоев благодаря их ячеистой структуре. При геоинформационном картографировании используют изменение размера ячеек растра, то есть изменение его разрешения. Это требуется, когда необходимо укрупнить градации классифицированного растра в соответствии, например, с масштабом исследования. Суть операции заключается в установлении размера новых ячеек и перерасчете среднего арифметического значений ячеек исходного растра, центры которых попадают в пределы этих новых ячеек. В результате получается как бы естественное огрубление исходного слоя.

Семантическая генерализация растра основана на классифицировании его значений в различные новые классы, исходя из равноинтервального распределения значений, распределения по отношению к определенным значениям интервалов, устанавливаемым пользователем экспертной классификации, а также с помощью метода стандартного отклонения и др.

По отношению к аэро- и космическим снимкам генерализацию, как правило, не применяют, поскольку эти изображения обладают особенным свойством, так называемой, естественной генерализацией, имеющей место благодаря оптическим и геометрическим свойствам снимка.

2.4.5. Математико-картографическое моделирование при синтетическом картографировании Геоинформационное эколого-геохимическое синтетическое картографирование городских территорий не может обойтись только использованием методов пространственного анализа ГИС. Они позволяют фактически произвести синтез только геометрических особенностей исходных данных, при этом содержательные характеристики не преобразовываются, а только сохраняются в атрибутах результирующего слоя. Для их анализа и обобщения требуется применять методы математико-картографического моделирования, основные из которых были разработаны еще до возникновения ГИС в современной интерпретации. Основополагающую роль в становлении этих методов в нашей стране положили крупнейшие специалисты области (Тикунов, 1997; Жуков и др., 1980).

В связи с математической формализацией и при широких связях между математикой, картографией и геоинформатикой большинство задач математикокартографического моделирования решается в настольных ГИС-продуктах. Поэтому составление таких сложных карт, как карты районирования и оценочные карты перешло в геоинформационную среду, что очевидно требует некоторого обобщения методов их составления в рамках диссертационного исследования.

При синтетическом картографировании эколого-геохимического состояния городской среды ключевую роль играют следующие методы математикокартографического моделирования:

- моделирование оценочных содержательных синтетических характеристик;

- корреляционный анализ пространственных и содержательных характеристик;

- многомерный статистический анализ (факторный и компонентный).

Отдельно также стоит учитывать цифровое моделирование рельефа, а главное способы использования цифровых моделей рельефа и производных данных при экологогеохимическом картографировании, поскольку чаще всего сведения о формах рельефа служат основополагающей информацией для составления множества карт, в том числе синтетического содержания.

Разумеется, существует большое количество других методов моделирования, однако стоит учитывать возможности практической реализации задач большинства потенциальных пользователей проектируемой КБД, которые обычно не обладают необходимым объемом навыков в области математико-картографического моделирования и геоинформационного картографирования в целом. К тому же в контексте диссертационного исследования исследуются те базовые основы, которые минимально необходимы для составления карт, структурно входящих в КБД.

Моделирование содержательных синтетических характеристик. Оценочное картографирование часто выступает ключевым процессом, к которому стремится экологогеографическое исследование. Оценка изучаемой территории по ряду важных показателей носит результативный характер и может служить основой для принятия необходимых решений для градостроительного проектирования, мероприятий по улучшению экологического благосостояния, строительства и т.п. Ядром содержания большинства оценочных синтетических карт является моделирование оценочных характеристик явления.

Необходимым условием проведения оценочного моделирования является выбор однородных территориальных единиц, формирующих таксоны, которые должны быть иерархически упорядочены между собой (Тикунов, 1985, 1997). В условиях городской среды это могут быть административные единицы (районы, округа и т.п.), кварталы застройки, функциональные зоны или некоторые ячейки с определенным условленным размером, вмещающим однородные данные. Существует множество методов картографической оценки, однако остановимся на самых распространенных из них.

Поскольку факторы, обуславливающие геоэкологическое состояние, чаще всего выражаются в показателях, которые трудно соизмерить между собой, к примеру, качественные и количественные значения, то для моделирования оценочных характеристик следует привести их к некоторому унифицированному виду. Для этих целей чаще всего в современных исследованиях используют метод балльных классификаций (Коробов, 2002; Коробов, Кочуров, 2007; Курбатова и др., 2006; Тикунов, 1997 и др.).

Сущность балльной оценки – это сравнение территориальных единиц по сумме баллов всех показателей оценки, то есть в случае меньшей разницы суммарного балла – единицы наиболее близки друг к другу по свойствам, в случае большей разницы – наоборот. Баллы показателей берутся, исходя из их значений по определенным шкалам, при этом размерность шкал разных показателей должна быть одинаковой, иначе значения баллов с завышенными критериями шкалы будут необоснованно большими. Например, если мы ранжируем по баллам значения крутизны склонов и удаленности от автодорог, то очевидно, что шкала расстояний будет много большей, чем шкала крутизны, и необходимо привести их к общему виду. В случае наличия некоторых нормативных или рекомендованных шкал, их классифицированные значения можно пропорционально привести к нормированной форме.

Сумму всех баллов по территориальным единицам в дальнейшем разбивают согласно различным критериям классификации и составляют легенды оценочных карт.

Другой метод оценочного моделирования заключается в нормировании показателей по отношению к их экстремальным значениям по формуле:

(3) Где n – количество территориальных единиц; m – количество показателей (xij); – наилучшие или наихудшие для каждого показателя значения; max/min x – экстремальные значения показателя, наиболее отличающиеся от.

Такое нормирование позволяет выразить отклонения всей системы показателей от наилучших и наихудших оценочных значений и тем самым правильнее с содержательных позиций соизмерить их между собой (Тикунов, 1997).

Сумма полученных нормированных показателей в пределах территориальной единицы характеризует их оценочное положение: чем сильнее показатели отличаются от наилучшего значения, тем больше величина суммы (в случае, когда задана наилучшими значениями). Иными словами, весь диапазон территориальных единиц с различной суммой показателей можно разделить на качественные критерии (благополучные, неблагополучные, крайне неблагополучные и т.п.). Такое разделение можно провести путем расчета степени близости текущей территориальной ячейки до некоторой идеальной, для которой все возможные значения показателей являются наилучшими (или наихудшими). Алгоритмы подобных действий давно разработаны и могут быть реализованы в ГИС, например, три модификации алгоритма Тикунова (1985), которые основаны на анализе матрицы, состоящей из значений вектора различий суммы показателей территориальных единиц от условной с идеальными значениями.

Важным вопросом перечисленных методов оценочного моделирования является учет качественных характеристик явления, например, приуроченность к каким-либо ландшафтным позициям, которая не выражается численными значениями. Также стоит обратить внимание на то, что все показатели оценки в условной форме рассматриваются как равноправные, что не соответствует действительности. К примеру, на загрязнение почвенного покрова городской территории не оказывают одинаковое влияние положение участка по катене, удаленность от источников загрязнения, а также значения загрязнения атмосферного воздуха.

В случае метода балльной классификации качественные показатели явления можно привести к тем же условным шкалам, что и количественные, а в случае второго метода нормирования – фактически закодировать их численными значениями, при этом важной задачей остается установление порядка соответствия качественной характеристики новой шкале или числу, ведь не всегда ясно, что должно приниматься за высокие, а что за низкие значения. В таком случае проводятся дополнительные изыскания для решения данной задачи.

Для устранения равноправности характеристик оценки принято вводить весовые коэффициенты для слагаемых величин показателей. Анализ «весов» является сложной задачей в современной географии, которая пока недостаточно однозначно решена. Ряд исследований даже опровергает значимость «весов» для определенных исследований (Тикунов, 1997). Однако в случае использования крайне разноплановых показателей оценки, как часто бывает при исследованиях городской территории, вероятно стоит применять весовые коэффициенты.

Этими коэффициентами могут быть совершенно разноплановые сведения (нормативы, методические рекомендации, результаты корреляционного анализа, опросные сведения и др.), которые приводят в унифицированный численный вид и вносят в формулу расчета суммы нормированных показателей или баллов:

(4) где Si – сумма нормированных показателей, xij – нормированное значение показателя, aij – весовой коэффициент.

В контексте данного диссертационного исследования наиболее актуальным в качестве подобных «весов» видится использование значений коэффициента корреляции между характеристиками оценки и каким-либо показателем, подтверждающим результат оценки.

Корреляционный анализ пространственных и содержательных характеристик.

Пожалуй, самым распространенным в географии способом исследования связей между явлениями является использование парных, частных и множественных коэффициентов корреляции.

В простом варианте ранговый коэффициент корреляции по Спирмену (Spearman, 1904), рассчитываемый обычно в пределах скользящего окна (квадрата), вычисляется по следующей формуле:

(5) где r1i и r2i – ранги явлений 1 и 2, а n – объем выборки вычисления.

Значение R варьируется от -1 до 1, при этом близость к -1 и 1 указывает на значительную связь (обратную или прямую), а близость к 0 говорит об отсутствии связи.

В условиях географических исследований также эффективен расчет частной корреляции.

К примеру, если известны значения коэффициентов R12, R13и R23, то можно определить характер влияния, например, явления 3 на связь между явлениями 1 и 2:

(6)

–  –  –

(7) Помимо описанных выше методов классического вычисления коэффициента корреляции существует множество их модификаций и преобразований, которые в данной работе рассмотрены не будут в силу краткости изложения. Например, в географии часто используют другую формулу рангового коэффициента корреляции, разработанную Кендаллом (Кендалл, 1976). Также существуют методики более сложного, но точного расчета корреляции, к примеру, работа с корреляционными матрицами (Тикунов, 1997) и др.

Многомерный статистический анализ (факторный и компонентный). Для исследования многомерных географических данных обычно применяют факторный и компонентный анализы, при этом суть задачи использования этих методов заключается в снижении размерности этих многомерных данных.

Факторный анализ позволяет преобразовать большое количество показателей к меньшему числу факторов с потерей небольшой части исходной информации (Сербенюк, Тикунов, 1974). Основное применение этому процессу найдено в синтетическом картографировании, поскольку на основе полученных факторов можно вычислить обобщенные интегральные показатели. Факторы, таким образом, выступают переменными, значения которых объясняют корреляции между исходными показателями.

Уравнение факторного анализа можно выразить следующим образом:

(8) где xj – исходные показатели; fi – значение i-го фактора; aji – коэффициенты нагрузки i-го фактора в j-м показателе; k – количество факторов; m – количество показателей; uj – случайный остаток, который является источником отклонений, влияющим только на значения xj.

Очевидно, что ключевой задачей в определении факторов является вычисление коэффициентов aji.

Однако фундаментальная теорема факторного анализа утверждает, что корреляционная матрица связей между исходными показателями может быть выражена таким образом:

(9) где R – матрица, составленная из коэффициентов корреляции между показателями xj, а A – матрица коэффициентов aji, соответственно AT – транспонированная матрица A. Иными словами, к примеру, коэффициент корреляции между исходными показателями 1 и 2 можно записать так:

(10)

–  –  –

где F – матрица факторов, X – матрица исходных показателей, A – матрица факторных нагрузок. При этом доказано, что представление корреляционной матрицы факторами можно провести бесконечным числом способов, которые достигаются в исследованиях за счет различных вариантов вращения матрицы A.

Таким образом, можно подобрать такие факторы для каждой территориальной единицы анализа, которые будут более географически осмыслены, и составить соответствующие синтетические карты.

Суть компонентного анализа часто выражают геометрически. Пусть территориальные единицы анализа общим числом n представлены в виде точек в mмерной системе координат, где каждая ось соответствует значениям показателей xj.

Пространство этих точек будет иметь форму m-мерного эллипсоида. Выгодно преобразовать систему координат так, чтобы ее оси стали совпадать с главными осями эллипсоида (главные компоненты), т.е. в сторону наибольшего изменения в совокупности показателей.

В алгебраической форме уравнение компонентного анализа можно выразить так:

(12) где xj– исходные показатели; gi – главные компоненты; vji – вес j-го показателя в i-й компоненте. При этом главные компоненты, что следует из преобразований, являются линейными комбинациями исходных показателей в отличие от факторного анализа, где показатели являются линейными комбинациями общих и остаточных факторов.

Избегая математических расчетов по определению компонентных нагрузок vji, стоит подытожить, что для определения главных компонент в географии по аналогии с факторным анализом можно воспользоваться следующим выражением:

(13) где G – матрица главных компонент, X – матрица значений показателей xj, а V – матрица компонентных нагрузок.

Благодаря современному развитию геоинформационных систем, а также статистических программных продуктов, оба метода многомерного статистического анализа обычно представлены в компьютерной среде в виде соответствующих алгоритмов и функций, поэтому их применение не носит сложный характер. При этом задачей исследования остается соблюсти географические принципы синтетического картографирования, что заключается в выборе соответствующих исходных показателей и территориальных единиц, а также в верном географическом анализе результатов применения описанных методов. Также стоит учитывать, что оба метода не всегда могут претендовать на свою самостоятельность, многие исследователи подтверждают их значимость в контексте более сложного моделирования, например, в методиках оценочного картографирования (Тикунов, 1997).

Цифровое моделирование рельефа при синтетическом картографировании. Карты рельефа изучаемой территории являются одними из самых основополагающих при любых эколого-географических исследованиях, особенно эколого-геохимического направления.

К тому же их составление в современной картографии как правило основывается на построении цифровых моделей рельефа (ЦМР) и составлении производных слоев данных.

Поскольку методы создания ЦМР и их дальнейшей обработки представляют собой обширную область геоинформатики, то в данном исследовании они рассмотрены не будут. Однако целый круг вопросов, которые раскрываются при эколого-геохимическом картографировании, требуют рассмотрения следующих задач.

Во-первых, требуется оценить возможные источники получения сведений о рельефе городской территории в соответствии со спецификой исследования. Во-вторых, следует установить необходимый перечень базовых слоев данных и карт, характеризующих городской рельеф. В-третьих, нужно определить методы работы с ЦМР для синтетического эколого-геохимического картографирования, где часто пространственные данные о рельефе служат главным источником составления карт.

Сегодня основными источниками для создания ЦМР городских территорий служат оцифрованные с карт характеристики рельефа (отметки высот, горизонтали и прочие сведения о формах рельефа), данные полевых измерений высот, данные дистанционного зондирования (стереопары аэро- и космических снимков, лазерная и радарная локация).

Самым распространенным способом передачи исходных сведений о рельефе является поле точек отметок высот, которое сгущается к местам изменения морфологических форм. Точки получают путем цифрования картографического материала, например, топографических карт, с помощью измерений на местности с использованием высокоточных навигационных устройств, либо путем работы со стереоскопической моделью местности, полученной из стереопар аэро- или космических снимков. Программные алгоритмы в современных ГИС анализируют распределение значений высот в точках и проводят интерполяцию новых значений между ними, таким образом создавая ЦМР.

Часто цифровое представление рельефа земной поверхности получают на основе данных лазерной или радарной локации, замеряя время прохождения сигнала до земли и тем самым определяя расстояние от источника сигнала до отражаемой поверхности. Это позволяет оперативно и быстро строить цифровые модели местности (ЦММ) исследуемых участков, которые отличаются от ЦМР тем, что отражают структуру поверхности планеты вместе с природными и антропогенными компонентами ландшафта. Результаты построения ЦММ обычно в дальнейшем обрабатывают и приводят к наиболее близкой форме ЦМР, либо используют в качестве самостоятельного продукта, в особенности когда разрешение ЦММ не позволяет различить на ней отличные от реального рельефа детали.

При крупномасштабных исследованиях проводят лазерную локацию с летательных аппаратов или наземных устройств, а с помощью космических систем – радарную локацию с целью получения сведений о рельефе в обзорном представлении. В первом случае используется дорогостоящее оборудование и техника, поэтому такие исследования как правило проводят в рамках крупнобюджетных проектных работ, например, при прокладке трубопроводов или размещении участков для строительства. Результаты подобных исследований часто засекречены и носят характер ценных корпоративных или государственных сведений. Самый распространенный результат спутниковой локации – это цифровое представление поверхности Земли, полученное в ходе американской научной миссии с помощью оборудования космического шаттла «Индевер» (SRTM) с пространственным разрешением 90 м и разрешением по высоте 1 м (http://srtm.usgs.gov/index.php).

В современных ГИС распространены алгоритмы создания ЦМР на основе многочисленных источников информации о рельефе. Они позволяют учитывать не только отметки высот, но также и горизонтали, тальвеги, векторные представления различных объектов форм рельефа (овраги, обрывы, промоины и т.п.), объекты гидрографии, границы и т.п. В результате можно получить высокие по точности данные, сравнимые с результатами крупномасштабной лазерной локации.

В условиях городской среды и крупномасштабности исследований возникает ряд требований к исходным данным для построения ЦМР. Эти требования часто сталкиваются с трудностями в получении реальных сведений, к примеру, современных топографических планов городов в масштабах крупнее 1:50 000, либо дороговизной лазерного сканирования. В то же время свободно распространяемые данные SRTM не имеют достаточного разрешения для надежного исследования территории города в масштабах крупнее 1:100 000, либо с небольшим перепадом высот. Поэтому ЦМР городских территорий чаще всего создают на основе обработки стереопар космических снимков и полевых измерений для изучения современного рельефа города, или оцифровки устаревших топографических карт с целью получения характеристик коренного рельефа города до проведения массовой застройки.

Цифровые модели рельефа следует включать в перечень базовых слоев БПД для обеспечения эколого-геохимических исследований городской территории. Существует множество производных от ЦМР слоев данных, получаемых с помощью различных методов ее обработки. Рассмотрим самые основные из них, которые создают надежную основу для составления ряда общегеографических и тематических карт раздела природных условий городской среды, в том числе и синтетического содержания.

Для начала следует остановиться на слоях данных о гипсометрии изучаемой территории, которые непосредственно получают путем классификации значений ЦМР по выбранной шкале. Шкала классификации значений высот подбирается на основе теоретических предпосылок, сформированных еще в традиционной картографии (Салищев, 1990). В большинстве случаев работы с ЦМР используют растровую форму ее представления, когда каждая ячейка содержит информацию об абсолютной высоте, поэтому и большинство производных данных тоже даны в виде растров. Однако наиболее распространенным исключением являются горизонтали рельефа, которые во всех соответствующих задачам работы с ЦМР ГИС-продуктах представляются в векторном виде, как линии одинаковых значений высот, проведенные через соответствующие ячейки растра ЦМР. Сечение горизонталей выбирается пользователем, но в случае, когда точность модели по высоте выше сечения горизонталей, в полученном векторном слое могут возникать ошибки. Для более наглядной передачи пластики рельефа используют растры светотеневой отмывки. Алгоритмы построения отмывки рельефа просты и легко решаются в ГИС, при этом пользователь может выбрать как значения азимута и высоты мнимого «светила», так и условный вертикальный масштаб получаемых форм.

Горизонтали вместе с гипсометрической окраской и светотеневой отмывкой путем визуального оверлея слоев надежно передают формы рельефа и служат основным содержанием гипсометрических карт городских территорий. Пример подобного совмещения данных представлен на рис. 16.

Рис. 16. Пример совмещения слоев гипсометрических данных, горизонталей рельефа и его светотеневой пластики с помощью ГИС. Участок ВАО г. Москвы Исключительную важность для эколого-геохимических исследований несет растровый слой крутизны склонов, где каждая ячейка несет информацию о значении угла наклона в градусах или уклона в процентах (рис. 17). Крутизна склонов определяет условия миграции и аккумуляции химических веществ в городских ландшафтах, устанавливая определенные позиции, которые в геохимии ландшафтов принято называть элементарными ландшафтами (Перельман, Касимов, 1999). Кроме того из этого слоя можно составить самостоятельную карту, совместив его содержание с другими слоями данных. При этом значения уклонов обычно подразделяют согласно различным классификациям, принятым в геоморфологии или геохимии ландшафтов.

Рис. 17. Пример содержания слоя крутизны склонов, полученного с помощью ГИС Помимо информации о гипсометрии и крутизне представление о формах рельефа несет также слой кривизны поверхности (рис. 18). Для каждой ячейки ЦМР на основе анализа соседства рассчитываются характер вогнутости или выгнутости поверхности обычно в пределах от -1 (самые вогнутые) до 1 (самые выгнутые), при этом значения 0 соответствуют ровным участкам. Вогнутые и выгнутые поверхности наряду с крутизной склонов определяют характер миграции и аккумуляции веществ в ландшафтах, к примеру, для вогнутых низинных склонов характерна аккумуляция вещества, но в то же время для выгнутых поверхностей с небольшими уклонами также может быть характерна аккумуляция.

Рис. 18. Пример содержания слоя кривизны поверхности Следующий важный аспект использования ЦМР для эколого-геохимических исследований – это построение слоя данных об экспозиции склонов, когда каждая ячейка результирующего слоя несет информацию об азимуте экспозиции (рис. 19). Обычно проводят классификацию таких значений по основным румбам: север, северо-запад, запад и т.п. Экспозиция склонов влияет на распределение солнечной радиации, например, в северном полушарии северные склоны получают меньшее количество солнечного тепла, чем склоны южной экспозиции. В этой связи алгоритмы построения слоев экспозиции склонов часто дополняют расширенными функциями по учету поступления солнечной радиации.

Рис. 19. Пример содержания слоя экспозиции склонов Помимо перечисленных возможностей построения производных от ЦМР данных, современные ГИС предлагают и другие алгоритмы получения важных для экологогеохимических исследований сведений. Это такие слои данных, как участки водоразделов, потенциальные водотоки, индекс увлажнения, зоны подтопления и др. Также инструменты геоинформационного анализа позволяют работать и с растровыми моделями (калькулятор растров), когда с помощью инструментов математической алгебры можно пересчитывать значения в ячейках растра согласно каким-либо формулам и алгоритмам.

Кроме того различные результаты обработки ЦМР можно перевести в векторный вид для дальнейшей обработки с целью составления карт.

Все эти возможности и производные от ЦМР слои данных могут служить надежным источником для составления ряда карт синтетического содержания, главным образом ландшафтно-геохимического направления, поскольку рельеф исследуемой территории является одним из определяющих факторов перемещения вещества в городской среде. Основная из этих карт отражает дифференциацию элементарных ландшафтов, характеризующих катенарную миграцию химических элементов (Перельман, Касимов, 1999). В базе пространственных данных этой карте соответствует векторный слой элементарных ландшафтов, которые синтетически сочетают в себе сведения о характере увлажнения, форме склонов, положении по высоте и др. В классической картографии и геохимии составление такого слоя проводится на основе анализа большого количества картографического материала о геоморфологии, уровне грунтовых вод, ландшафтах, водных объектах и др. Однако суть всего анализа можно привести к оперированию более простыми данными, такими как цифровая модель рельефа.

По своей сути элементарный ландшафт определяется четырьмя основными критериями: величина крутизны склона, характер кривизны его поверхности и приближенность к пойменным ландшафтам и водоразделам (Перельман, Касимов, 1999;

Никифорова и др., 2010, 2011). Практически все эти характеристики можно получить на основе обработки ЦМР. При этом предлагается следующий алгоритм работы.

Для начала из исходной ЦМР необходимо построить производные слои данных:

крутизны и кривизны склонов, водораздельных поверхностей, потенциальных водотоков, ежегодного подтопления пойменных участков.

Для первых двух слоев требуется провести группировку значений крутизны и кривизны согласно выработанным классификациям (Перельман, Касимов, 1999). Зону подтопления и поймы можно получить различными методами: от привлечения сезонных космических снимков, до использования гидрологических сведений об урезе воды во время разливов. В последнем случае по точкам уреза воды можно построить новую ЦМР, а зону подтопления определить по разнице с исходной ЦМР без учета разлива. Линии водораздела и потенциальные водотоки также строятся по стандартным алгоритмам в ГИС.

В конечном итоге все промежуточные слои данных можно привести в векторный вид и воспользоваться стандартными процедурами пространственного анализа, например оверлеем слоев для получения конечного результата. Этот результат представлен в виде слоя данных, состоящего из полигонов, которые содержат атрибуты всех исходных слоев.

На основе сочетаний этих атрибутов можно прийти к выводам о принадлежности участка к тому или иному элементарному ландшафту, а результат с помощью методов автоматизированной генерализации привести в наиболее удобный для составления карты вид.

Основные выводы по главе 2:

1. Создаваемая картографическая база данных призвана обеспечить экологогеохимические исследования городских территорий необходимым картографическим материалом и инструментами для формирования логических умозаключений о процессах, протекающих в городских ландшафтах и влияющих на их экологические состояние.

2. Оптимальным для этих целей является использование картографической базы данных, работающей совместно с базой пространственных данных. Она позволяет не только организовано и систематизировано хранить информацию в виде пространственных объектов и цифровых карт, но и осуществлять на их основе составление нового материала.

Картографические единицы ландшафтно-функциональных комплексов, 3.

характеризующие антропогенные и природные компоненты городского ландшафта, являются наиболее подходящими для организации логических связей между слоями БПД.

4. В состав проектируемой КБД входят необходимые эколого-географические карты для обеспечения эколого-геохимических исследований городской территории, при этом содержание базы данных в зависимости от целей исследования и наличия исходных материалов может быть пополнено дополнительными цифровыми картами.

5. Согласованная работа БПД и КБД с применением методов геоинформационного картографирования обеспечивает наибольшую автоматизацию процесса составления новых карт на основе исходной картографической информации БПД и аэрокосмических данных. При этом методы дешифрирования аэро- и космических снимков, геоинформационного анализа, обработки векторных данных и др., сочетаясь друг с другом, образуют методики составления важного материала, в том числе комплексного и синтетического содержания.

Глава 3. Реализация методики и результаты исследования

3.1. Характеристика территории исследования Москва – столица Российской Федерации, город федерального значения. Он расположен в центре Европейской части России, на Среднерусской возвышенности в междуречье Оки и Волги, на реке Москве. Население Москвы составляет около 12 млн.

человек, а площадь города равна 2511 км2 (с учетом Троицкого и Новомосковского округов). Большая площадь мегаполиса не позволяет рассмотреть его особенности в одном диссертационном исследовании, поэтому для детального исследования и разработки методики создания карт и картографической базы данных были выделены два эталонных участка в Восточном (ВАО) и Западном (ЗАО) административных округах Москвы, площадью соответственно 49 м2 и 31 м2. Выбранная территория исследования позволяет рассмотреть методику с учетом специфики как Москвы, так и других крупных городов России. Также отдельные методы и подходы могут быть использованы для исследования зарубежных городов.

На территории ВАО Москвы был выбран основной участок, где проведено самое подробное эколого-геохимическое исследование территории и составлено большое число карт, составляющих картографическую базу данных. Он расположен в южной части округа, ограничен районами Ивановское (к югу от шоссе Энтузиастов), Вешняки, Перово, Новогиреево, Новокосино, Косино-Ухтомский и Соколиная гора (южная часть района от производственного комплекса «Соколиная гора» до шоссе Энтузиастов). Участок в ЗАО Москвы служил для проверки методики составления ряда карт и для дополнения содержания карт элементами, которые не встречаются на первом участке. Он ограничен четырьмя транспортными магистралями: МКАД, Можайское шоссе, Аминьевское шоссе– ул. Лобачевского и Ленинский проспект.

История освоения территории двух участков во многом различается. В конечном итоге эти различия и определили современное использование земель выбранных округов Москвы.

Вплоть до XIX века на исследуемой территории Восточного округа располагались в основном пустоши и охотничьи угодья дворянских семей Москвы (http://www.upravaperovo.ru, http://www.novo-gireevo.ru). Исключением являлось лишь село Ивановское, ставшее после Ивановским районом. Здесь располагались личные старинные владения императорской семьи, и поэтому уже в XVII-XVIII вв. тут появилось крупное поселение с каменными постройками и церковью (http://www.ivanovskoye.ru). С конца XIX в.

начинается активное хозяйственное освоение будущего ВАО г. Москвы. Перово становится одним из самых развитых промышленных городов близ Москвы, села Новокосино и Вешняки сильно разрастаются и превращаются в дачные поселки, в Косино-Ухтомском поселении начинают возводить каменные постройки и храмы (http://www.uprava-veshnyaki.ru, http://kosino-uhtomski.ru). В то же время Новогиреево получает толчок в развитии только в начале XX в., когда земли будущего района Москвы начинают продавать под строительство частных домов и сведение леса.

Такое развитие территории округа к моменту начала массового жилищного строительства в 60-е гг. XX в. способствовало формированию современного рисунка застройки и городского планирования. В районе Перово и Ивановском сохранилось множество участков старой дореволюционной застройки, а в других районах, напротив, территория была спланирована и распределена на кварталы блочного малоэтажного и многоэтажного строительства, а также на обширные рекреационные парковые зоны (Кусковский лесопарк, парк Измайлово, Терлецкий лесопарк, Перовский ПКиО). С середины XX в. в районе Перово начинается проектирование крупной промышленной зоны, примыкающей к промышленному району Соколиная гора, начинают свою работу прожекторный, локомотиворемонтный, химический заводы, заводы электротехники и др.

В восточной части округа ведется сооружение мусоросжигательного завода и очистных сооружений. После распада СССР во времена экономической стагнации многие производства были закрыты или вынесены за пределы городской черты, а бывшие производственные корпуса стали использоваться в качестве складов. В то же время основные предприятия Перово и мусоросжигательный завод сохранили работоспособность. С начала 2000-х гг. на территории Новокосино и Косино-Ухтомского района, а также в ряде мест других районов начинают возводить современные многоэтажные высотные дома, строить современные торговые центры и расширять автострады.

Местность, на которой расположен участок в Западном округе, известна с XV– XVII в., благодаря селам Спасское-Манухино, Сетунь, Очаково и деревням Матвеевская, Тропарево, Никулино. Дальнейшее развитие территория получила после прокладки здесь Александровской (Белорусской) и Киевской железных дорог, а также появления соответствующих станций в населенных пунктах. В конце XIX в. на севере участка возникли фабрики – текстильные, брезента и ремней, шерстоткацкая. В начале XX в.

возникла игольная фабрика и хромовый завод. В 1925 г. на севере территории участка был основан город Кунцево, вошедший в состав Киевского района Москвы в результате реформ 1960 г. В дальнейшем промышленное освоение этих земель значительно усилилось, возникли такие предприятия, как Всероссийский институт легких сплавов, завод «Электрощит», ОАО «Мосточлегмаш» (бывший завод «КИМ»), Московский радиотехнический завод и деревообрабатывающий завод №27, Завод искусственных кож (ранее – фабрика им. Ногина), Очаковский вино-водочный завод, ТЭЦ №25 и др. Все они сформировали крупную Очаковскую промышленную зону (районы Очаково-Матвеевское и Можайский). С начала 90-х гг. промзона начинает постепенно менять свое лицо и сейчас территории многих промышленных корпусов используются, как склады и бизнес центры.

Параллельно развитию производства возникали районы многоэтажного жилищного строительства и соответствующая инфраструктура (http://kuntsevo.org, http://www.mozhaiskiy-mos.ru).

В южной части исследуемого участка (район Тропарево-Никулино) продолжительное время активно развивались дачные хозяйства, но с 60-х гг.

XX в. стали интенсивно застраиваться, превращаясь в современные жилые кварталы. Эта территория примечательна отсутствием крупных промышленных объектов и наличием нескольких высших учебных заведений, таких как Академия Генштаба РФ, Академия МВД, университеты МГИМО и МИРЭА, МГУТХТ, РАНХиГС, МПГУ, а также научноисследовательских институтов. В районе велика площадь, занятая зелеными насаждениями: Тропаревский и Юго-Западный лесопарки, парк в долине реки Самородинка, парк «Никулино» (http://www.mos-zao.ru/).

Физико-географические особенности территории двух участков имеют как схожесть, так и существенные различия.

Особенности климата целесообразно рассмотреть для всей территории мегаполиса. Несмотря на то, что характеристики микроклимата двух участков могут различаться, в данном исследовании они описаны не будут в связи с трудностью проведения соответствующего изучения микроклимата и отсутствием готовых данных.

Москва расположена в поясе умеренно-континентального климата с относительно мягкой зимой и теплым сравнительно влажным летом. Климат Москвы характеризуется высокой изменчивостью. Среднегодовые показатели температуры воздуха +3–3,5°C, годовая амплитуда температур составляет 28°C. В год выпадает около 650 мм осадков.

Число дней в году с положительной температурой воздуха – около 210. Наибольшее количество осадков в городе выпадает в весенне-летний период (Экологический атлас Москвы, 2000).

Зима длится с середины ноября по март. Абсолютный минимум температуры – C. Зима в Москве умеренно холодная, но с частыми оттепелями, которые могут составлять до половины сезона. Обычно сохраняется устойчивый снежный покров (но бывали годы, когда снежный покров устанавливался только в январе), максимальная высота (67 см) которого была зафиксирована в 2010 г. Осадки выпадают преимущественно в виде снега, но возможен дождь, что часто наблюдалось в последние годы, возможны и грозы. Температура в зимний период неоднородна - периоды оттепелей с температурой до +2°C чередуются с умеренно морозной погодой до -5°C днем, несколько раз за сезон бывают сильные морозы с ночным выхолаживанием до -20...-25 °C, которые случаются чаще во второй половине зимы, когда ослабевает западновосточный перенос теплого воздуха. Весна в Москве обычно наступает в третьей декаде марта, когда среднесуточная температура становится устойчиво положительной и сходит снежный покров, но возможны небольшие отклонения от этого срока. Средняя продолжительность климатического лета в Москве - 147 дней - с конца апреля до середины сентября. К концу июня обычно устанавливается антициклональный тип погоды. Температура в течение лета довольно неравномерна: обычно чередуются периоды жаркой погоды с температурой +26...+32 °C, иногда до +35 °C, и умеренно теплой погоды +18...+25 °C, изредка случаются кратковременные похолодания с дневной температурой +12...+15 °C, их продолжительность, как правило, не более 3 дней, повторяемость 1-–2 раза за сезон. Ветровой режим города значительно изменяется многоэтажной застройкой, но в целом преобладают ветры с западной составляющей.

Геоморфология. В геоморфологическом отношении два участка исследования имеют значительные различия.

Территория ЗАО Москвы расположена на периферийной части Теплостанской возвышенности, относящейся к Москворецко-Окской пологоувалистой равнине, рельеф которой обусловлен развитием краевой южной части ледника в период московского оледенения. Эта часть города значительно расчленена овражно-балочной сетью и имеет высокие абсолютные отметки: средние высоты составляют около 160 м, при максимальных отметках 220 м в западной части Теплостанской возвышенности Показатели глубины и густоты расчленения здесь также самые высокие в городе. Тем не менее, в целом эта территория характеризуется мягкими формами рельефа.

Участок в ВАО Москвы лежит на Мещерской низменности, которая относится к Мещерской озерно-ледниковой равнине. Поверхности здесь плоские, осложнены неглубокими ложбинами флювиогляциального происхождения. Средние высоты – около 100 м, абсолютные отметки не превышают 160 м. Встречаются массивы торфяных болот и единственная в Москве система озер ледникового происхождения в Косино.

Естественный почвенный покров, представленный главным образом дерновоподзолистыми почвами, практически сохранился только в отдельных немногих местах, не затронутых городским строительством. На водораздельных поверхностях в южных и восточных районах города были развиты дерново-подзолистые почвы легкого гранулометрического состава. На них формировались сосновые леса. К северу и западу были распространены в основном суглинистые и глинистые подзолистые почвы под еловыми и елово-широколиственными лесами. В долине р. Москвы и ее притоков были распространены аллювиально-луговые и лугово-заболоченные почвы, отличавшиеся высоким плодородием. Почвенный покров Москвы был впоследствии значительно преобразован человеческой деятельностью. Во многих районах (прежде всего, в центре города) естественный почвенный покров сменился строительно-культурным слоем, мощность которого доходит до 15 м (Экологический атлас Москвы, 2009). В целом на большей части территории современного города естественный и окультуренный почвенный покров не сохранился.

Растительный покров. Москва относится к подзоне хвойно-широколиственных лесов. Однако коренная растительность была в значительной степени изменена хозяйственной деятельностью человека. На сегодняшний день под зелеными насаждениями занято около трети всей площади Москвы (без учета территории Новой Москвы). Территории, занятые растительностью, подразделяют на природные (леса, луга и болота) и на озелененные, к которым относятся созданные в процессе формирования городской территории скверы, парки, бульвары, сады и т.п. В Москве пятая часть всех лесных насаждений представлена сосновыми лесами, сосны особенно распространены на исследуемом участке ЗАО Москвы (Полякова, Гутников, 2000). Кроме сосны в составе древостоя встречаются липа и дуб, в подросте – сосна, липа, дуб, клён остролистный.

Площадь, занятая еловыми лесами, составляет менее двух процентов. Это обусловлено малой устойчивостью ели к воздействию городской среды. К лиственничным насаждениям относят всего 2,5% московских лесов, дубравы составляют около 10%, они практически полностью расположены на южных и восточных окраинах города. Для них характерно присутствие в породном составе берёзы, осины и ели. Также встречаются черноольшаники, приуроченные к поймам малых рек. Остальная древесная растительность города представлена ясенями, тополями, березами, осинами и кленами, значительная их часть была высажена специально.

Луговая и болотная растительность представлена в Москве на очень небольших площадях, главным образом в поймах рек. Во многих лесопарках встречаются фрагменты низинных и переходных болот с характерной для них растительностью, что особенно типично для Восточного округа.

Гидрографическая сеть. В гидрографическую сеть города входят по разным данным от 800 до 1300 элементов, к которым в том числе относят мелкие ручьи и временные водотоки. Структура водосборных бассейнов Москвы с момента ее основания претерпела множество изменений, связанных с человеческой деятельностью. Особенно этим изменениям способствовало повсеместное распространение асфальтовых и бетонных покрытий, строительство канализационных систем. В результате создания раздельной системы водоотведения, которая использует гидрографическую сеть для сброса поверхностного и дренажного стока, был нанесен огромный ущерб природным экосистемам. С XIX века многие реки и ручьи Москвы были заключены в подземные трубы, и создана, таким образом, инженерная система водоотведения. Такой подход особенно характерен для участка ВАО Москвы, где практически нет открытых водотоков, единственное исключение – р. Рудневка в Косино-Ухтомском районе, часть русла которой попадает на участок. Реки Пономарка, Серябрянка и Нищенка несут свои воды в коллекторах. Их долины значительно выравнены в ходе строительства и практически не прослеживаются визуально. Для участка ВАО особенно характерно наличие большого количества искусственных парковых прудов в Терлецком и Кусковском лесопарках, причем в последнем пруды были образованы благодаря водам подземной Пономарки. В восточной части этого участка располагаются три естественных озера – Белое, Черное и Святое, которые приурочены к древним озерным котловинам.

На территории участка в ЗАО расположен крупный приток р. Москвы – Сетунь.

Она протекает по неизмененной долине, русло открыто. Незначительное спрямление русла произошло в XX в. при строительстве микрорайона Мосфильмовский. Площадь бассейна — 190 км. Общая длина 38 км (в черте Москвы — около 20 км). Протекает река в субширотном направлении с запада на восток, пересекает последовательно Рябиновую ул., Аминьевское шоссе, Минскую ул. и впадает в р. Москву ниже Бережковского моста.

Долина Сетуни является крупнейшим природным заказником в городе. Ее крупный приток Раменка частично заключена в подземный коллектор. Берёт начало в Воронцовском парке, где имеется каскад прудов; ниже, между улицами Кравченко и Удальцова, находятся ещё два пойменных пруда. В подземном коллекторе река пересекает Ленинский проспект и проспект Вернадского и, пройдя под Сокольнической линией метрополитена, выходит на поверхность в парке 50-летия Октября, затем пересекает Мичуринский проспект, далее протекает параллельно полотну Киевского направления Московской железной дороги. Впадает в Сетунь вблизи моста на Минской улице.

Из сказанного можно сделать некоторые выводы, которые характеризуют выбор эталонных участков и будут полезны в дальнейшем при составлении карт.

Территории обоих участков характеризуются различным с эколого-географической точки зрения положением, что выражается прежде всего в рельефе и гидрографии, а следовательно, затрагивает и весь спектр ландшафтных характеристик. Однако в условиях высокой антропогенной трансформации среды наиболее важны различия, возникшие исходя из особенностей освоения территории. Это отражено в характере городской застройки, специализации промышленного производства, в различиях экологического каркаса территории, загруженности автомагистралей и т.п. Так для Восточного округа характерны сохранившиеся участки дореволюционной исторической и 60-х гг. жилой застройки, в то время как участок в Западном округе практически полностью застроен современными многоэтажными жилыми кварталами. В этой связи жилые кварталы ВАО гораздо более озеленены (средняя степень озеленения 65%) по сравнению с плотнозастроенными районами ЗАО Москвы (40%). При этом площадь рекреационных зеленых насаждений (парки, сады, скверы) практически одинакова. В ВАО сохранилось гораздо больше действующих промышленных предприятий машиностроения, энергетики и тяжелой промышленности, в то время как для производств ЗАО Москвы характерная легкая и пищевая направленность. Кроме всего прочего для Западного округа характерно наличие большого числа культурно-образовательных объектов, например высших учебных заведений, формирующих целую функциональную зону, которую нельзя выделить в Восточном округе.

В конечном итоге все эти различия могут повлиять на объективность применения различных методов картографирования в случае, если ограничиться только одним эталонным участком, поэтому для ряда карт целесообразно провести необходимые валидации как для участка Восточного, так и Западного округа.

–  –  –

Апробация любой методики картографирования должна проводиться с учетом характеристики территории исследования и состава исходного разнопланового материала, собранного для данной территории. В нашем случае это материалы космической съемки, картографические источники, результаты полевых обследований, литературные источники и др. Обработка источников и реализация методов геоинформационного картографирования проводились с помощью различного программного обеспечения, позволяющего вести наиболее простую и ускоренную работу с материалами того или иного характера, а также организовать процесс составления карт.

Космические снимки. Для принятия обоснованных решений, в том числе и связанных с экологической ситуацией, информация о характере городской застройки должна быть точной, достоверной и актуальной. Современность пространственных данных, их постоянное обновление может обеспечить использование космических снимков. Крупномасштабное картографирование городской территории обычно ведут по космическим снимкам с пространственным разрешением лучше 10 м. Обычно более высокое разрешение имеют снимки в панхроматическом канале, а поскольку продолжительное время основным источником для создания и обновления планов городов служила аэрофотосъемка, накопился достаточный опыт визуального дешифрирования снимков. На панхроматических снимках достаточно уверенно определяются границы объектов на городской территории, контуры зданий, улицы, железные дороги и т.п.

Многозональные изображения имеют, как правило, более низкое пространственное разрешение по сравнению с панхроматическими, однако изучение территории в различных каналах позволяет увидеть многие характеристики объектов, не различимые на черно-белых снимках. Ранее в разделе 2.4.1 главы 2 было показано, что многозональные изображения с разрешением 20-30 м позволяют успешно работать некоторым методам автоматизированного дешифрирования городских территорий.

На сегодняшний день представлено множество источников приобретения космической информации сверхвысокого пространственного разрешения, число которых за последние пять лет значительно увеличилось. Как правило, это частные организации – дистрибьютеры компаний, владеющих спутниками и обеспечивающих съемку. Снимки с разных спутников имеют свои особенности, различное разрешение, а также свою цену на рынке космической информации. Долгое время практически весь рынок данных дистанционного зондирования высокого разрешения представляли частные компании из США, однако сегодня появилось множество новых дистрибьютеров из европейских стран, Японии, Кореи, Тайваня, Канады, Израиля и других. В последние несколько лет начинают активно запускаться и российские аппараты.

Из отечественных следует отметить снимки, сделанные космическим аппаратом Канопус-В. Спутник был запущен в 2012 г. ООО «ВНИИЭМ» совместно с британскими специалистами, и работает в интересах ФКА, МЧС России, Росгидромета, РАН и др.

Снимки имеют пространственное разрешение до 2,1 м в панхроматическом канале и 10м в многозональном режиме, ширина полосы охвата до 20-23 км. Съемка ведется с периодом в 5 дней. Аппарат работает на одинаковой орбите с аналогичным спутником БКА, разработанным для АН Беларуси. Также высокодетальные снимки поставляет аппарат Ресурс-П Роскосмоса, пришедший на замену Ресурс-ДК1. Ресурс-П обеспечивает съемку с разрешением 0,7 м в панхроматическом канале и 3-4 м в пяти многозональных при охвате 38 км. Особый интерес представляет аппаратура гиперспектральной съемки, позволяющей вести наблюдения в 96-255 участках спектра с разрешением 25-30 м (http://www.federalspace.ru/).

Крупным поставщиком данных высокого разрешения является компания DigitalGlobe (США), которая владеет спутниками QuickBird, WorldView-1, WorldView-2, WorldView-3, IKONOS, GeoEye-1. Разрешение снимков с аппарата QuickBird в панхроматическом канале 0,61 м, многозональные изображения имеют разрешение 2,44 м.

Этот результат долгое время являлся самым лучшим среди всего множества коммерческих спутников. В 2007 и 2009 гг. компания DigitalGlobe запустила спутники WorldView-1 и WorldView-2, а в августе 2014 г. WorldView-3, которые должны будут сменить QuickBird. Разрешение снимков, получаемых этими съемочными системами в панхроматическом канале – 0,45 м, такой результат может соперничать с аэрофотосъемкой. Съемочная система спутника WorldView-2 обеспечивает и многозональную съемку с разрешением 1,8 м. Ширина полосы съемки составляет 16 км.

Спутник IKONOS предназначен для получения цифровых изображений земной поверхности с пространственным разрешением 1 м в панхроматическом режиме и 4 м в мультиспектральном. Большим преимуществом спутника является его высокая маневренность и, как следствие, возможность съемки больших площадей – за один проход до 5 000 кв. км. Периодичность съемки 1-5 дней. Спутник GeoEye-1 выведен на орбиту в 2007 г. На сегодняшний день его съемочная система обладает самым высоким пространственным разрешением – до 0,41 м в панхроматическом режиме и 1,65 м в многозональном. Ширина полосы съемки равна 15,2 км (http://www.digitalglobe.com/products/).

Французская компания SpotImage (Astrium) владеет спутниками, выполняющими съемку со сверхвысоким разрешением: SPOT-5, SPOT-6, SPOT-7 и Pleiades 1A/1B.

Спутник SPOT-5 предназначен для съемки преимущественно в многозональном режиме (разрешение 10 м), однако способен получать снимки в панхроматическом канале с разрешением 5 м (в режиме SuperMode – до 2,5м) при ширине полосы охвата до 60 км.

Для спутников SPOT-6,7 разрешение увеличивается соответственно до 1,5 м в панхроме и 6 м для снимков в участках спектра при том же охвате, что и у SPOT-5. Группировка из двух спутников Pleiades создавалась непосредственно для ведения съемки сверхвысокого разрешения (до 0,5 м в панхроме и 2,25 м в многозональном режиме) (http://www.astriumgeo.com/en/65-satellite-imagery).

С 2008 г. начались регулярные съемки с космических аппаратов RapidEye (Германия). Система из 5 спутников на одной орбите обеспечивает самую высокую в настоящее время повторяемость съемки – 24 часа. Съемка выполняется с пространственным разрешением 5 м в пяти спектральных каналах, ширина полосы охвата 77 км. Эти параметры делают RapidEye наиболее приспособленной для решения задач мониторинга (http://blackbridge.com/rapideye).

Корейский космический аппарат KOMPSAT-3 является еще одним источником космических изображений сверхвысокого разрешения. Спутник ведет съемку в панхроматическом режиме c разрешением – 0,7 м, а в многозональном – 2,8 м с полосой охвата 16 км (http://kompsat.satreci.com/ds2_1_1.html).

Уникальными являются спутники, обеспечивающие радиолокационную съемку сверхвысокого разрешения – немецкий TerraSAR X, канадский RADARSAT-2 и итальянские Cosmo-SkyMed 1-4. Разрешение снимков достигает 1 м с полосой охвата 10х10 и 10х5 км. Преимуществом спутников является всепогодность и ежедневность съемки, однако свойства радиолокационных снимков существенно отличаются от снимков в видимом и ближнем инфракрасном диапазонах спектра, поэтому требуют особых навыков дешифрирования (http://www.scanex.ru/ru/data/index.html).

Для исследований городских территорий значительную важность представляют и менее детальные снимки с разрешением 20-30 м. Их ключевыми особенностями является наличие множества спектральных каналов съемки и ее высокий охват. Британский аппарат UK-DMC-2 имеет разрешение 22 м с шириной полосы в 600 км. С таким охватом в один раз можно получить снимки для всей территории города при существенной экономии денежных средств и времени на получение данных Однако, наибольшую (http://www.sstl.co.uk/Missions/UK-DMC-2--Launched-2009).

важность для всех географических исследований в целом представляет спутник Landsat-8, запущенный в феврале 2013 г. на смену Landsat-5 и 7. Данные съемки этого спутника распространяются свободно в архивах геологической службы США. Аппарат предоставляет снимки в 8 каналах спектра с разрешением 30 м (видимые, ближние и средние инфракрасные), в панхроматическом режиме с разрешением 15 м, в двух каналах тепловой съемки – 100 м. Тепловой сенсор TIRS предоставляет не имеющие сегодня аналогов данные тепловой съемки, которые существенно дополняют исследования городских территорий (http://landsat.usgs.gov/landsat8.php).

Особое внимание стоит уделить малым спутникам, в основном микроспутникам, в чью категорию по весу аппарата (10-100 кг) попадают новые государственные, научные и коммерческие инициативы дистанционного зондирования. Запуски микроспутников для космической съемки начались совсем недавно, однако уже сейчас вокруг планеты вращаются множество подобных устройств, в том числе первый российский аппарат такого рода ТаблетСат-Аврора, запущенный по инициативе фонда «Сколково» частной компанией «СПУТНИКС». Спутник предназначен для осуществления многозональной съемки с разрешением 15 м при ширине полосы охвата 47 км. Популярность микроспутников объясняется сравнительной дешевизной и скоростью проектирования, поэтому в скором времени стоит ожидать значительное увеличение числа поставщиков космической съемки самого разного разрешения (http://www.sputnix.ru/ru/projects/microsatellite-medium-resolution).

В данном диссертационном исследовании были использованы следующие материалы космической съемки для территории исследования:

- Снимки съемочной системы QuickBird были получены в июле 2010 года. Они являются многозональными с разрешением 2,4 м. На основе представленных изображений проводилось визуальное дешифрирование городской территории участков ВАО и ЗАО Москвы с целью составления карт планировочнофункциональных условий. Также эти снимки служили материалом для апробации методов автоматизированного дешифрирования с целью определения ряда объектов и их характеристик.

- Высокодетальные покрытия космической съемкой GeoEye использовались в работе для обновления существующих карт по мере их устаревания в связи с активной застройкой Москвы. Снимки были представлены порталом «Google Планета Земля», являющимся виртуальным глобусом с привязанными к нему мозаиками снимков. Последнее обновление портала на Москву проводилось по материалам съемочной системы GeoEye за 2013-2014 гг. с угрубленным разрешением 1 м в синтезе естественных цветов.

- Архивные снимки Landsat-5, 7 и современные Landsat-8 были получены со свободного ресурса геологической службы США (http://earthexplorer.usgs.gov/). Для территории Москвы был собран большой архив съемки с целью разработки и апробации методики автоматизированного дешифрирования функциональных зон, а также определения действующих промышленных предприятий по тепловым изображениям.

Картографические и текстовые источники. Помимо спутниковых материалов для картографирования планировочно-функциональных особенностей Москвы в данном исследовании были использованы материалы градостроительной документации, характеризующие нормы и правила организации застройки городской территории, описывающие структуру жилой застройки, нормы озеленения и т.п. (Комплексная организация…, 1991; Методические рекомендации, 1999). Также были исследованы положения о функциональном зонировании, закрепленные законодательством и дающие рекомендации и требования по созданию карт этой тематики (Постановление…, 1997).

При составлении карты функциональных зон был учтен большой опыт городского зонирования в государственных учреждениях. Анализ картографических произведений схожей тематики позволил учесть ошибки и недостатки этих карт, разработать необходимую классификацию функциональных зон. Подобными картографическими произведениями служили генеральные планы городов, в том числе Москвы, карты использования земель, карты функциональных зон, созданные правительственными учреждениями; карты близкой тематики, созданные научно-исследовательскими и проектными институтами, в частности в Институте Урбанистики.

Достаточно много информации (картографической, статистической, текстовой и др.), касающейся территориального размещения объектов городской территории, аспектов градостроительства, экологических исследований было найдено в сети Интернет. Это геопорталы Google, Яндекс, OpenStreetMap, позволяющие кроме спутниковых данных в свободном доступе получить информацию об адресах, территориальном размещении промышленных организаций и т.п., это интернет-сайты различных государственных ведомств, городских департаментов и учреждений.

Основные элементы ландшафтной структуры территории содержат:

характеристики геоморфологии территории, характеристики почвенного покрова, водных объектов, техногенных отложений, подземных вод и, наконец, собственно характеристику ландшафтов. Источниками для картографирования ландшафтной структуры территории служили картографические и литературные источники.

Общая физико-географическая характеристика территории описывается в ряде литературных источников. Как правило, это энциклопедические данные, широко доступные сейчас как в книжном варианте, так и в сети Интернет.

Картографические источники, отражающие ландшафтную структуру территории, носят в основном ведомственный характер и были найдены в соответствующих департаментах и комитетах города (Департамент природопользования и охраны окружающей среды, Департамент земельных ресурсов, Комитет по архитектуре и градостроительству и др.). Эти карты редко издаются, однако они были получены в свободном доступе на соответствующих Интернет-порталах ведомств Карты (http://www.dpioos.ru/eco/ru/, http://www.moskomzem.ru/ru/monitoring-zemel).

довольно плохо оформлены, несут в себе простую аналитическую информацию и носят справочный характер, удобный для подразделений самих ведомств. Обычно уровень картографирования соответствует общегородскому уровню, карты отдельных округов редко встречаются и, как правило, представлены планами территории. Однако ведомственные карты часто обновляются и несут довольно точную информацию о природных характеристиках территории, таких как рельеф и гидрография. Например, карта «Водотоки Москвы» (масштаб неизвестен), созданная в Департаменте природопользования и охраны окружающей среды, служила источником для составления карты классов водной миграции элементов в ландшафтах ВАО г. Москвы.

Качественно иной уровень несут научно-справочные карты, создаваемые в отдельных проблемных институтах экологической направленности (НИиПИ Экологии города, НИиПИ Генплана). Карты хорошо описывают покомпонентную характеристику ландшафтной структуры территории, но чаще всего труднодоступны для сторонних научных исследований. Однако эти учреждения предоставляют описания методик составления карт в различных изданиях (Курбатова, 2004; Курбатова и др., 2006).

Одним из важнейших картографических источников выступает комплексный Экологический атлас Москвы (2000 г.). Атлас содержит большое количество отдельных покомпонентных карт, которые взаимоувязаны, как единое целостное произведение.

Атлас является научно-справочным, в работе по его созданию принимали участие как отдельные научно-исследовательские и проектные институты, так и Московский университет. Раздел «Природные условия» включает 32 карты, в том числе «Климатическая карта Московской области», «Экстремальные значения температуры», «Средние многолетние розы ветров», «Метеорологический потенциал загрязнения атмосферы», «Геоморфологическая карта», «Почвенная карта», «Поверхностные водные объекты», «Коренные ландшафты», «Ландшафтная карта (коренные урочища)», «Городские ландшафты», «Подтопление грунтовыми водами», «Схема размещения объектов природного комплекса Москвы», «Особо охраняемые территории» и др. Каждая карта сопровождается кратким пояснительным текстом; кроме того, атлас содержит довольно много таблиц, графиков, диаграмм и фотографий с конкретными данными о том или ином параметре среды и его динамике. Такое обширное содержание предопределило использование атласа в качестве основного картографического источника при картографическом анализе ландшафтной структуры изучаемой территории.

Также в сети Интернет был найден и использован при картографировании ландшафтной структуры территории Геологический атлас Москвы, разработанный в НПП «Георесурс» (http://www.georesurs.su/Georesurs/Atlas.html). Атлас содержит множество геологических и гидрогеологических карт, отражающих особенно важные сведения о грунтовых водах Москвы. Собрание карт представлено в виде электронного атласа с разделами о физико-географическом описании территории, стратиграфии, тектонике, геоморфологии, гидрогеологии, картах геологических процессов.

Особое внимание было уделено картам и текстовым описаниям из результатов частных работ ряда авторов из научной области исследования. Так, наиболее всесторонне техногенные отложения Москвы описаны в работах Лихачевой Е.М. из Института географии РАН. Кроме того ею была составлена используемая в данном исследовании карта мощности техногенных отложений (Лихачева, 1990). Характеристики запечатанности почв Москвы были учтены нами при составлении соответствующей карты на основе сведений и описаний из кандидатской диссертации Прокофьевой Т.В.

(Прокофьева, 1998). Состояние почвенного покрова Москвы, а также другие важные характеристики геохимии ландшафтов Восточного округа, учитывались в данном диссертационном исследовании на основе большого числа работ ученых кафедры геохимии ландшафтов и географии почв географического факультета МГУ имени М.В.

Ломоносова Касимова Н.С., Никифоровой Е.М., Кошелевой Н.Е. (Никифорова и др., 2010, 2011; Касимов и др., 2012; 2013). Информация о промышленных зонах и предприятиях Москвы была получена на основе исследований Битюковой В.Р. (Битюкова, 2006).

Материалы полевых исследований и результаты их обработки. Методика создания картографической базы данных для обеспечения эколого-геохимических исследований городской территории была апробирована со стороны геохимии ландшафтов для территории ВАО и ЗАО Москвы. Поэтому в данной работе имеет место использование данных полевого геохимического опробования и результатов его анализа и интерпретации.

Эколого-геохимические исследования почвенного и снежного покрова в ВАО Москвы проводились по общепринятой методике (Методические рекомендации.., 1982;

Касимов, 1995; Касимов, Никифорова, 2004) сотрудниками кафедры геохимии ландшафтов и географии почв в 2010-2012 гг. Сеть точек опробования размещалась таким образом, чтобы, с одной стороны, обеспечить достаточно точную оценку содержания в пробах загрязнителей (тяжелых металлов и полициклических углеводородов), с другой – выявить закономерности пространственного распределения полютантов по площади (Никифорова и др., 2010, 2011; Касимов и др., 2012; 2013).

Во всех выделенных функциональных зонах брались пробы верхнего горизонта почв – дерново-гумусового (0-15 см). Для оценки количества и состава выпадений из атмосферного воздуха в начале марта 2010 г. была проведена снегомерная съемка. В этот период высота снежного покрова была максимальной за зимний сезон – 45-60 см.

В качестве эталонов при анализе свойств почв и снежного покрова были использованы фоновые почвы Мещерской равнины и пробы снега Ногинского района Московской области. Отобранные пробы подвергались обработке по специальным схемам согласно общепринятым методикам, и были составлены таблицы содержания химических элементов в каждой пробе, а также вычислены интегральные показатели суммарного загрязнения почвенного и снежного покрова. Далее на основе этих данных были составлены соответствующие геохимические карты и слои данных, которые служили одним из источников картографирования в данном исследовании (Касимов и др., 2012, 2013).

Программное обеспечение. Для реализации базы данных, составления карт, их анализа, обработки космических снимков использовалось определенное программное обеспечение.

База пространственных данных, являющаяся важной частью диссертационного исследования, базируется на системе управления базами данных (СУБД) ArcGIS, входящей в геоинформационный пакет программ ArcGIS ArcInfo от компании ESRI. Это коммерческое обеспечение обладает множеством необходимых для проведения геоинформационного картографирования функций. Во-первых, это необходимые инструменты редактирования пространственных данных, позволяющие, к примеру, удобно вести цифрование растровых источников, например, сканированных бумажных карт.

Во-вторых, это мощный аналитический аппарат, состоящий из множества функций геоинформационного анализа, сгруппированных в определенные модули:

геопространственный анализ, статистический анализ, трехмерный анализ, сетевой анализ и т.п. В-третьих, это организованная система хранения данных, на основе географических баз пространственных данных с обеспечением системы логических связей и формирования общей структуры. Последняя версия программы сегодня ArcGIS 10.2. В качестве открытого аналогичного программного обеспечения для выполнения методик, изложенных в данном исследовании, может быть использован пакет QGIS c применением открытой СУБД Postgre.

Дешифрирование снимков, контролируемая классификация, операции квантования яркостей, составление карты проводились в программном продукте ILWIS.

Система ILWIS уже давно пользуется популярностью в области обработки данных дистанционного зондирования. Этот программный продукт, имеющий простой и удобный интерфейс и широкий набор инструментов, был создан специально для обработки данных дистанционного зондирования и интеграции полученных результатов в ГИС. Продукт имеет широкий набор средств работы со снимками: визуализация данных дистанционного зондирования, связь с GPS-данными, поддержка векторных данных, геометрическая коррекция, контролируемая и неконтролируемая классификация, квантование яркостей, построение цифровой модели рельефа и др.

3.2.2. Карты планировочно-функциональных особенностей городской территории

Основные и оперативные карты функциональных зон: содержание и использование карт. В разделе 2.4.1 главы 2 было показано, что использование материалов космической съемки с разрешением лучше 30 м, хорошо подходит для составления карт функционального зонирования городской территории. Это достигается за счет высокой актуальности космической съемки перед другими источниками составления, а также снижения временных и денежных затрат на составительские работы.

Такой подход позволяет сохранить оперативность создания карт без значительных потерь точности составления. В диссертационном исследовании была разработана методика геоинформационного функционального зонирования городских территорий на основе космических изображений. Она опирается на основные методы визуального и автоматизированного дешифрирования снимков, учитывает потенциальные источники данных и характеризует возможности их применения. Методика составления карты апробирована для двух выбранных методических участков Восточного и Западного административных округов Москвы. История освоения их территорий обусловила различный набор и структуру функциональных зон, которые достаточно разнообразны, а статус современного использования земель многократно проверен по надежным источникам и полевым наблюдениям.

В разделе 2.4.1 главы 2 было выявлено, что целесообразно провести разделение методов дешифрирования функциональных зон согласно источникам картографирования, что может быть связано с несколькими причинами:

1) Высокодетальная космическая съемка позволяет провести более надежное дешифрирование городской территории с помощью визуальных методов и обеспечить геометрическую точность границ зон. Однако в целом такая съемка является затратной по денежным средствам, обладает меньшим охватом территории и в большинстве случаев является архивной. Карты функциональных зон, составленные по космической съемке с разрешением лучше 10 м преимущественно визуальными методами, условимся называть основными, их масштаб обычно крупнее 1:100 000.

2) Автоматизированное дешифрирование многозональных снимков намного выигрывает по производительности перед визуальными способами, в то же время сохраняя достаточную для исследования надежность дешифрирования. Однако наиболее эффективно автоматизированные методы работают с менее детальными изображениями с разрешением 20-30 м, поэтому масштаб картографирования уменьшается (обычно мельче 1:100 000), что приводит к укрупнению категорий легенды карты и снижению точности проведения контуров функциональных зон.

Карты, составленные преимущественно с помощью автоматизированного дешифрирования, будем называть оперативными.

Главное различие между основными и оперативными картами заключается в полноте содержания карт. Для основной карты разрабатывается подробная легенда с множеством градаций зон и подзон в соответствии с экологическим составом работ и целями картографирования. В то же время содержание оперативных карт зависит непосредственно от возможности распознать на снимках крупные категории землепользования. Пример сравнительных категорий легенды карт приведен в таблице 4.



Pages:     | 1 || 3 |

Похожие работы:

«Ворошилова Татьяна Михайловна КЛИНИКО-ЛАБОРАТОРНАЯ ОЦЕНКА ВЛИЯНИЯ БИСФОСФОНАТОВ И АНТИСЕПТИКА НА РЕЗИСТЕНТНОСТЬ ГРАМОТРИЦАТЕЛЬНЫХ БАКТЕРИЙ К КАРБАПЕНЕМАМ 14.03.10 – клиническая лабораторная диагностика 03.02.03 – микробиология Автореферат диссертации на соискание ученой степени кандидата ме...»

«Образование и наука. 2014. № 2 (111) ЗДОРОВЬЕСБЕРЕЖЕНИЕ УДК 37.037.1+796.01:316 И. В. Манжелей СРЕДОВЫЙ ПОДХОД К ФИЗИЧЕСКОМУ ВОСПИТАНИЮ СТУДЕНЧЕСКОЙ МОЛОДЕЖИ Аннотация. В статье обсужда...»

«МАСЛИЧНЫЕ КУЛЬТУРЫ С. В. Зеленцов, Научно-технический кандидат сельскохозяйственных наук бюллетень В. С. Петибская, Всероссийского научно-исследовательского кандидат биологических наук института масличных культур Е. В. Мошненко, 2005, вып. 2 (133) научный сотрудник ВНИИ масличн...»

«МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "ТЮМЕНСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ" Институт Кафедра экологии и генетики Кафедра зоологии и эволюционной экологии Кафедра анатомии и физиологии чел...»

«ЛАДЫГИН Константин Владимирович ТЕХНОЛОГИЯ УЛЬТРАЗВУКОВОЙ ОЧИСТКИ ОБРАТНООСМОТИЧЕСКИХ МЕМБРАН ПРИ ОБЕЗВРЕЖИВАНИИ ФИЛЬТРАТА ПОЛИГОНОВ ТВЕРДЫХ БЫТОВЫХ ОТХОДОВ Специальность 03.02.08 – Экология (в химии и нефтехимии) АВТОРЕФЕРАТ диссертации на соискан...»

«Министерство образования и науки Российской Федерации Федеральное государственное автономное образовательное учреждение высшего образования "НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ ТОМСКИЙ ПОЛИТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ" Юргинский технологический институт Направление подготовки: 280700 Техносферная безопасность Профиль: Защита в чрезвыч...»

«Тотальный вторжение, 2001, Anton Belozerov, МФ [с.н.], 2001 Опубликовано: 12th September 2011 Тотальный вторжение СКАЧАТЬ http://bit.ly/1cgXAGl Днепровская тарань биология, уловы и состояние запасов, П. Г. Сухойван, 1956, Roach (Fish), 129 страниц.. Ali...»

«4 истории в картинках Я сделал свою первую мультимедийную презентацию в 17 лет. Она предназначалась для большого проекта на школьном уроке биологии и была посвящена загрязнению окружающей среды. Мое слайд-шоу должно было показать всему классу красоту окружающего мира, п...»

«УДК 53.023/072.001.24:542.632–195:541.182.644 ЭФФЕКТ ПЕРИОДИЧЕСКОЙ ДИФФУЗИОННОЙ ПРОВОДИМОСТИ В ГЕЛЕ КРЕМНИЕВОЙ КИСЛОТЫ Ю.И. Сухарев (1), Ю.В. Матвейчук (2), С.В. Курчейко (3). e-mail: sucharev@water.tu-chel.ac.ru (1), diff@irex.urc.ac.ru (2,3) Южно-Уральский государственный университет,...»

«Министерство образования и науки Российской Федерации Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Пермский государственный национальный исследовательский университет" Утверждено на заседании Ученого совета унив...»

«Экологическое общество "Зеленое спасение" Республика Казахстан, Алматы, 2008 К Третьему совещанию сторон Орхусской конвенции For the Third Meeting of the Parties to the Aarhus Convention The Ecological Society Green Salvation The Republic of Kazakhstan, Almaty, 2008 ББК 20.1 К 11 Эле...»

«РОССЕЛЬХОЗНАДЗОР ИНФОРМАЦИОННО-АНАЛИТИЧЕСКИЙ ЦЕНТР ЭПИЗООТИЧЕСКАЯ СИТУАЦИЯ В СТРАНАХ МИРА №136 03.07.15 Официальная информация: МЭБ Ботсвана: ящур Намибия: ящур Страны мира Фермеры Польши требуют введения чрезвычайного положения Турция. Вирус птичьего гриппа обнаружен у диких птиц в Стамбуле Мексика объявила себя страной, свободной от...»

«03.06.01 Физика и астрономия Направления № Научное направление Коды по ГРНТИ научноисследовательс 29.35; 29.37; 29.19; Физика кой 29.33; 29.19 деятельности Университет, позиционируя себя на российском и Стратегия научномеждународном научно-образовательном прост...»

«Українська ентомофауністика 2011, 2(2) : 1–9 Дата публікації: 18.04.2011 Чехликовые моли (Lepidoptera, Coleophoridae): к фауне степной зоны Украины Ю. И. Будашкин Карадагский природный заповедник НАН...»

«Православие Православная версия происхождения зла "Мельников И.В." Православная версия происхождения зла / "Мельников И.В.", 2012 — (Православие) ISBN 978-5-457-19379-6 В основе всех религий лежит пон...»

«Федеральная целевая программа Государственная поддержка интеграции высшего образования и фундаментальной науки на 1997-2000 годы· экология Под редакцией докт. техн. наук, проф. Г В. Тягунова, докт. техн. наук, проф. Ю. Г Ярошенко Реко...»

«ДИСПАНСЕРИЗАЦИЯ ВЗРОСЛОГО НАСЕЛЕНИЯ (КРАТКАЯ ИНФОРМАЦИЯ ДЛЯ ГРАЖДАН О ДИСПАНСЕРИЗАЦИИ И ПОРЯДКЕ ЕЕ ПРОХОЖДЕНИЯ) Диспансеризация проводится бесплатно по полису ОМС в поликлинике по месту жительства (прикрепления) в соответствии с...»

«Факультет Естественных наук Медико-биологических дисциплин Биологии и экологии Выпускающая кафедра Органической и биологической химии Направление 050100 Педагогическое образование Профиль подготовки Биология и Химия Идентификационный № 11Б130...»

«СОВРЕМЕННАЯ ГЕРПЕТОЛОГИЯ. 2011. Т. 11, вып. 1/2. С. 48 – 54 УДК 598.112.23:591.5(574.4) ВЕДЕНСКАЯ ЯЩЕРИЦА, DAREVSKIA CAUCASICA VEDENICA (DAREVSKY ET ROITBERG, 1999): ИСТОРИЯ ИЗУЧЕНИЯ, СИСТЕМАТИЧЕСКОЕ ПОЛОЖЕНИЕ, РАСПРОСТРАНЕНИЕ К....»

«Ельчининова О.А. Мышьяк в почвах долины Катуни и над месторождениями ртути 1. / М.А. Мальгин, А.В. Пузанов, О.А. Ельчининова, Т.А. Горюнова // Сибирский экологический журнал. -1993.№ 2 Ельчининова О.А. Тяжелые металлы и мышьяк в дикорастущих лекарственных 2. растениях Алтая / М.А. Мальгин, О.А. Ельчин...»

«РОССИЙСКАЯ ФЕДЕРАЦИЯ (19) (11) (13) RU 2 574 496 C1 (51) МПК G08G 1/01 (2006.01) ФЕДЕРАЛЬНАЯ СЛУЖБА ПО ИНТЕЛЛЕКТУАЛЬНОЙ СОБСТВЕННОСТИ (12) ОПИСАНИЕ ИЗОБРЕТЕНИЯ К ПАТЕНТУ 2014127098/11, 03.07.2014 (21)(22) Заявка: (72) Автор(ы): Давыдов Юрий Львович (RU), (24) Дата начала отсчета срока действия патента: Шемигон Николай Николаевич (RU),...»























 
2017 www.kn.lib-i.ru - «Бесплатная электронная библиотека - различные ресурсы»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.