Известия Географического общества Узбекистана Специальный том, 2018 год Нередко получается так, что полный ряд наблюдений по данным единственной системы Д3ЗЗ3 не удается собрать в силу погодных условий. Для того, чтобы компенсировать пробелы в наблюдениях, необходимо комбинировать данные нескольких систем. Так, МУГ имеет наиболее высокое разрешение из доступных, но периодичность съемки составляет 5 дней [10] и нередко на снимках присутствует сильная облачность, не поддающаяся устранению. В таких случаях вполне оправдано использование данных более низкого разрешения при условии, что погрешность при подсчете площади будет незначительной. В осенне-зимний период зачастую невозможно получить пригодные для обработки данные при помощи оптических систем ДЗЗ. Технологии радиолокационного зондирования земной поверхности позволяют восполнить недостающие снимки. Одной из доступных систем пространственного разрешения 10 м в сервисе ВЕГА-5с1епсе является С_5АК 1\/ спутника бепипе!-1А, 1В [12]. Данная аппаратура позволяет получить изображение подстилающей поверхности даже при сильной облачности и в ночное время суток. Однако в силу физических особенностей системы РЛИ получается зашумленным, что несколько осложняет процесс выделения водной поверхности методами, пригодными для снимков в оптическом диапазоне. В таких случаях необходимо сначала произвести фильтрацию спекл-шума, который проявляется на снимке как зазерненность. Оценка _ площади с помощью методов классификации. В системе ВЕГА-$с1епсе решение задачи нахождения площади объектов состоит из следующих этапов [6]: 1. выбор объекта; 2. выбор данных высокого разрешения; 3. интерактивное оконтуривание с использованием процедуры классификации; 4. интерактивная проверка корректности проведения оконтуривания. Площадь водных объектов в данной работе определяется на основе алгоритма детектирования выгоревших участков поверхности (гарей), описанного в [7]. В основе этого подхода лежит классификация пикселов по спектральной яркости. Подобно разделению на классы «гарь» и «не гарь» для водных объектов выделяются два класса: «вода» и «суша». В системе ВЕГА возможна как обучаемая, так и необучаемая классификация. В первом случае эксперт (пользователь) подает на вход классификатору образцы классов, во втором — классификатор на основе имеющихся данных автоматически разделяет множество пикселов на кластеры по спектральной яркости; дальнейшее разделение на результирующие классы проводится с участием эксперта. Основная идея способа, применяемого в работе, заключается в том, чтобы заменить визуальное оконтуривание объекта анализом результатов классификации, которая в конечном итоге сводится к выбору из достаточно ограниченного числа классов тех, которые относятся к гари (воде) [7]. На Рис.2 приведена блок-схема процедуры — обработки — оптических и радиолокационных спутниковых снимков, применяемой в исследовании. Как было сказано выше, на начальном этапе необходимо задать контур водохранилища, который в дальнейшем будет подаваться на вход обработчику. Далее пользователь подготавливает данные, оптического диапазона, и, при необходимости, радиолокационные изображения (РЛИ). Для классификации на оптических снимках также важно выбрать правильное сочетание каналов, а подготовка РЛИ подразумевает снижение влияния спекл-шума. Затем происходит процесс кластеризации, при котором эксперт сам задает число выделяемых классов, в дальнейшем объединяя те, что относятся к воде. Если пикселы были отнесены недостаточно корректно, то пользователь увеличивает число кластеров и повторяет процедуру с этими же данными. Рассмотрим подробнее процедуру подготовки оптических данных. Результат классификации без предварительной обработки не всегда дает желаемый результат. Это происходит, в частности, из-за сложности рельефа местности, в которой расположены водохранилища. Для наиболее надежной и точной 46