лять степень снежного и лесного покрова, особенно в случае спутниковых данных с крупным разрешением [20].

Было доказано, что ближний инфракрасный диапазон спектра и в меньшей степени средний инфракрасный диапазон имеют большое значение для дифференциации различных видов и состояний растительности как в случае получения данных с высоты полета самолета, так и спутника [42, 52, 53]. Комбинации данных, полученных в отражательном и тепловом диапазонах

Видимый

0/f-0,7MK!

Отражательный инфракрасный (0,7-0,9 мкм)

Тепловой . инфракрасный

(,5-5,5 мкм)

Рис. V.42. Многоспектральные характеристики сельскохозяйственных типов покрытия в трех диапазонах длин волн.

Данные были получены 30 сентября за 1000 ч. А - поле густо посеянной зеленой люцерны; В - участок обнаженной почвы; С - коричневая, зрелая кукуруза; D - стерня сухой пшеницы [44]

длин волн, позволяют выполнять дифференциацию между областями обнаженной почвы темного цвета с высоким содержанием органического вещества и областями с высоким содержанием влаги. Данные, полученные в тепловом диапазоне, также помогли в нескольких случаях дифференцировать состояния растительности и типы покрытия, которые нельзя было правильно разделить только с помощью данных в отражательном диапазоне длин волн [52, 53, 54].

На рис. V.42 показана сравнительная характеристика областей обнаженной почвы, зеленой и увядшей растительности в видимом, ближнем инфракрасном и тепловом инфракрасном диапазонах длин волн. Это те же самые данные, которые мы видели ранее на рис. 1.7, но сейчас мы можем рассмотреть его более подробно, чтобы узнать, каким образом можно использовать интерпретацию многоспектральных данных для идентификации различных типов покрытия. Поле А, например, - это

поле густопосеянной, зеленой, здоровой люцерны, и поэтому оно относительно темного цвета на изображении в видимом диапазоне длин волн, имеет высокую отражательную способность и светлого цвета на изображении в ближнем инфракрасном диапазоне, и, так как оно довольно холодное вследствие транспи-рации, - темного цвета на изображении в тепловом инфракрасном дианазоне. Поле В - обнаженная почва и имеет слегка крапчатый рисунок в видимом диапазоне, относительно темный цвет (из-за низкой отражательной снособности) в ближнем инфракрасном диапазоне, и, так как почва была теплой во время получения этих многоспектральных данных, - очень светлого цвета на изображении в тепловом инфракрасном дианазоне. Поле С - это сухая, увядшая кукуруза, имеющая желтовато-коричневый цвет, и поэтому ее характеристическая кривая в видимом диапазоне занимает среднее положение, а в ближнем инфракрасном Дианазоне - гораздо ниже, чем кривая неувядшей растительности (например, люцерны). Но все же увядшая кукуруза отражает сильнее, чем обнаженная почва, и в результате ее кривая занимает среднее ноложение между кривыми люцерны и иочвы. В тепловом инфракрасном дианазоне поле кукурузы имеет среднюю характеристическую кривую, хотя сухая растительность не испаряет влагу и поэтому не так холодна, как «живая» растительность, она и не нагревается так, как сухая ночва. Поле D - это сухая стерня пшеницы и поэтому имеет такой же относительный образ отклика, как и зрелая кукуруза на всех трех изображениях.

Из приведенного выше объяснения и изображений видно, что взаимодействия энергии и вещества, ироисходящие в природе, абсолютно различны в разных диапазонах электромагнитного спектра. Поэтому интерпретация миогоспектральных изображений с целью понимания этих взаимодействий должна выполняться в каждом дианазоне спектра отдельно, и всегда должны приниматься во внимание взаимодействия энергии и вещества, характерные для данного диапазона длин волн. При машинной обработке многоспектральных данных ЭВМ просто использует измерения, полученные в различных диапазонах длин волн без учета того, почему имеются различия спектральных характеристик. Именно по этой причине необходим эффективный интерфейс аналитик/ЭВМ. ЭВМ - это мощное и эффективное средство; но для наиболее эффективного ее использования ей необходим человек, понимающий спектральные характеристики анализируемой сцены.

Хотя предыдущий пример был связан с интерпретацией данных Б форме изображения, такая же зависимость между спектральными откликами и различными исследуемыми типами покрытия имеет место, когда данные об отражательной способности записаны на машинной ленте. Если имеются данные в такой форме, исследователь может изучить и сравнить количественно спектральные характеристики. Особенно большую помощь при

COINCIDENT SPECTRAL PLOT (МЕАН PLUS AHD MJMU3 ONE STD. DEV.) FOR CLASS (es)

SPECTRAL 0.0 2fj00 4800 72j00 , 96,00 120,0 !-4.0 168,0 !92,0 micrometers; ........ .

Видимый

Ближний инфракрасный

0,52-0,57

0,6i-0,70

0.72-0,92

Средний

ИНфра- { !,50-!,80

красный

Тепловой ИНфра- X красный

9,30-11,70

S в»;; э с э в г » * 3» О о &л в

в » « е э ® t. .-э 9 Е * ф ® s«

5 г®®*®***

»ф»е8в9в

в»»»»»»»»»

в в в * • * а » » д> s> s> Q 3 в s> в е Ф 6

(D) 202

"**"24оо"*"4в6о""*"720о"""9б!6 120,о ""l44,o"*""i68,o" ""l92,0

Рис. V.43. Схема многоспектральных характеристик, показываюш,ая относительную отражательную способность и излучательную способность шести основных типов покрытия в пяти диапазонах длин волн [53]