ScanEx Image Processor v.5.0. Руководство - часть 21

 



 

Выбранный регион – 

выделенная прямоугольная область.

 



 

Векторный слой 

– выбранный загруженный векторный слой.  



 

Нет – 

поиск будет проведен в пределах всего загруженного растра.

 

Выпадающий  список

 

Исключающая  векторная  маска

  –  позволяет  исключить  заданную 

область  из  анализа,  выбрав  один  из  загруженных  в  программу  векторных  слоев  (т.е. 

пиксели в пределах векторных объектов в анализе не участвуют): 



 

Векторный слой (в формате MIF)

  – выбранный векторный слой. Участки растра, 

попадающие внутрь полигонов этого векторного слоя, будут исключены. 



 

Нет – 

ничего не будет исключено из результирующего растра. 

Флаг

 

Создавать  растр  со  значениями  вероятностей

  –  результатом  выполнения  операции 

является  растровый  слой,  значения  яркости  которого,  приведенные  в  диапазон 

значений [0-1], показывают вероятность различия исходных изображений.  

Флаг 

Создавать  бинарный  растр  – 

задает  представление  результата  в  виде  нового  слоя, 

содержащего 1, если заданная вероятность превышена, и 0 – если нет.

 

Кнопка

 

Выполнить

 – выполняет процедуру. 

Кнопка

 

Отмена

 – закрывает диалоговое окно. 

 

Для  уменьшения  зависимости  результатов  от  качества  фотометрической  коррекции 

строится  линейная  регрессия  анализируемого  растра  на  опорный  (по  данным  в  пределах 

заданной области анализа). 

Результатом выполнения операции является растровый слой, значения яркости которого, 

приведенные  в  диапазон  значений  [0-1],  показывают  вероятность  изменений,  и/или 

полученный из него с использованием заданного порога бинарный растр.  

В случае если выбран метод 

Вычитание

, выполняются следующие операции: 

R = A - B

А

, 

в случае если выбран метод 

Деление

, выполняются следующие операции: 

R = A / B

А

, 

в случае если выбран метод 

Главные компоненты

,  

R = (PC2A*(A-SA)+PC2B*(B

А

-SB

А

)

,  

где   

R

  –  промежуточный  результат, 

A

  –  референсный  растр, 

B

А

  –  результат  регрессии 

анализируемого  растра  на  референсный, 

PC2A

  –  множитель  второй  главной  компоненты  для 

растра 

A

, 

PC2B

 – множитель второй главной компоненты для растра 

B

А

, 

SA

 – среднее значение 

растра 

A

, 

SB

  –  среднее  значение  растра 

B

А

  (все  величины  вычисляются  в  области, 

ограниченной векторными масками). 

Промежуточный  результат  используется  для  вычисления  распределения,  на  основании 

которого  вычисляется  вероятность  отклонений.  Для  значений 

R

,  соответствующих  медиане 

распределения,  вероятность  изменений  считается  нулевой,  для  значений,  соответствующих 

вероятности  0.05  и  0.95  вероятность  изменений  считается  равной  90%,  и  т.д.  Полученные 

значений вероятности используются для формирования результирующих растров. 

 

В качестве примера приведем результаты обработки изображений (Рис 200), полученных 

со  спутников  Landsat-5  (4  июня  1986  года,  рис. 

А

)  и  Landsat-7  (21  июня  2001  года,  рис. 

Б

), 

методами 

Вычитания 

(рис. 

В

) и 

Главных компонент

 (рис. 

Г

). 

 

 

А.

 Опорное изображение 

A

  

(4 июня 1986 года) 

Б.

 Анализируемое изображение 

Б

 (21 

июня 2001 года) 

 

 

В.

 Результат обработки методом 

Вычитание

. Красным цветом показано 

обнаруженное изменение, голубым – 

неизменные территории.

 

Г.

 Результат обработки методом 

Главных компонент

. Красным цветом 

показано обнаруженное изменение, голубым – 

неизменные территории.

 

Рис 200.

 

Результаты выполнения процедуры 

Одноканальное обнаружение изменений

 

При  визуализации  результатов  обработки  можно  использовать  инструментарий  для 

построения  градиентной  палитры,  описанный  в  разделе 

«Отображение  растров  в  режиме 

градиентной  палитры»

  настоящего  руководства.  В  качестве  примера  можно  использовать 

готовые  цветовые  палитры 

change_abs.icp

  и 

change_rel.icp

,  хранящиеся  в  папке 

Palette

 

корневой директории программы. 

 

Многоканальный  анализ изменений во времени 

Одним из наиболее современных методов детектирования изменений на разновременных 

снимках является MAD – метод многомерного детектирования изменений (Multivariate Alteration 

Detection), основанный на построении многомерной корреляции между снимками (каноническом 

корреляционном анализе). 

Данный  метод  относится  к  попиксельным  методам,  использующим  линейное 

преобразование яркостей. Целью такого линейного преобразования является получение одного 

одноканального снимка,  отражающего максимальную изменчивость всех  каналов между двумя 

многоканальными  снимками.  Впервые  процедура  построения  MAD  была  описана  в  работах 
Nielsen (1996) и Nielsen,  Conradsen (1997). 

Если представить значения яркостей каналов первого и второго снимков векторами X и Y 

соответственно,  которые  предполагаются  нормально  распределенными  многомерными 

случайными  величинами,  то  «разность»  (различие)  двух  снимков  может  быть  вычислена  как     

D

 = 

a

’

X

 – 

b

’

Y

 . 

По  аналогии  с  методом  главных  компонент,  вектора  коэффициентов 

a

  и 

b

  выбираются 

таким  образом,  чтобы  максимизировать  дисперсию  величины 

D

  при  условии,  что  дисперсии 

слагаемых единичны, т.е. var (

a

’

X

) = var (

b

’

Y

) = 1. 

Как  и  метод  главных  компонент,  данный  метод,  называемый  «обобщенной  проблемой 

собственных  чисел»,  позволяет  получить 

n

  компонент  (

n

  –  число  каналов  в  каждом  снимке), 

называемых 

i

MAD

, а также 

n

 соответствующих им собственных векторов и собственных чисел 

(дисперсий 

2

i



), 

1, 2,...,

i

n



. 

В  случае  «согласованного»  (одинакового  по  всему  снимку)  изменения  яркостей  одного 

снимка по отношению к другому (например, вызванного сезонностью или изменением условий 

съемки),  сумма  квадратов  нормированных 

i

MAD

  должна  иметь  распределение 

2



,  что 

позволяет вычислить статистику: 

2

1

1

...

n

n

MAD

MAD

















  















 

Используя  эту  статистику  как  квантиль  распределения 

2



  с 

n

  степенями  свободы,  мы 

можем вычислить вероятность того, что полученное значение статистики для данного пикселя 

соответствует  «согласованному»  изменению  яркостей,  и  детектировать  пиксели  с 

«несогласованными»  изменениями  яркостей,  которые  и  являются  кандидатами  на  места 

изменений, не объясняемые общими для всего снимка тенденциями. 

Вычисленные  таким  образом  вероятности  и  являются  результатом  работы  алгоритма 

поиска изменений во времени, основанного на методе MAD. 

В  качестве  иллюстрации  при  описании  алгоритма  будем  использовать  сравнение  двух 

снимков Landsat-7, сделанных 10 октября 1999 г. (первый снимок) и 21 октября 2005 г. (второй). 

 

Для  сравнения  используется  территория  лесного  массива,  изменения  на  которой  в  основном 

обусловлены  естественной  сукцессией  лесных  сообществ  (в  левой  части  расположен 

заповедник,  в  остальной  части  рубки,  в  основном,  старые  и  активной  хозяйственной 

деятельности  не  ведется).  Древесная  растительность  представлена  как  хвойными  (в  нижней 

части  массива),  так  и  широколиственными  (в  верхней  части  массива)  породами;  сам  лесной 

массив расположен восточнее Казани на левом берегу р. Волга.  

Изображение  территории  в  стандартном  синтезе  7-4-2  для  обоих  снимков  приведено 

ниже,  красной  линией  показана  территория,  для  которой  проводится  анализ  изменений  (Рис 

201). 

 

 

 

Рис 201.

 

Снимки Landsat-7: вверху - 1999 г., внизу - 2005 г. Синтез 7-4-2 

 

Для проведения анализа изменений методом MAD необходимо вызвать соответствующий 

диалог через пункт меню 

Редактирование

 



 Многоканальное обнаружение изменений 

(Рис 202):

 

 

Рис 202.

 

Диалог 

Многоканальное обнаружение изменений

 

На  форме  расположены  две 

группы

:  слева  список  каналов  референсного  снимка  –

Референсные  растровые  каналы

-  (с  которым  производится  сравнение),  справа  – 

Сравниваемые каналы (в том же порядке) 

– список каналов снимка, который будет 

сравниваться  с  предыдущим  для  выявления  изменений.  Каналы  нужно  перечислять  в 

одинаковом  порядке,  число  их  должно  совпадать.  Возможно  сравнение  снимков, 

сделанных  разными  приборами  (например,  снимков  Landsat-5  и  Landast-7),  но  каналы 

должны быть близки по спектральному охвату.  

Для  добавления  каналов  служит 

выпадающий  список

  вверху  каждого  списка,  и  кнопка 

Добавить

.  Удалить  каналы  из  списка  можно  кнопкой 

Убрать

,  находящейся  под 

списком, а поменять порядок – кнопками 

Вверх

 и 

Вниз

, находящимися там же. 

Территория,  для  которой  производится  анализ  изменений,  задается  двумя 

группами

  с 

выпадающими списками

: 

Выпадающий список 

Включающая векторная маска

 -

 

позволяет выбрать один из вариантов 

ограничения области поиска (т.е. задает область, включаемую в анализ): 



 

Выбранный регион – 

выделенная прямоугольная область.

 



 

Векторный слой 

– выбранный загруженный векторный слой.  



 

Нет – 

поиск будет проведен в пределах всего загруженного растра.

 

Выпадающий  список

 

Исключающая  векторная  маска

  –  позволяет  исключить  заданную 

область  из  анализа,  выбрав  один  из  загруженных  в  программу  векторных  слоев  (т.е. 

пиксели в пределах векторных объектов в анализе не участвуют): 

 



 

Векторный слой (в формате MIF)

 – выбранный векторный слой. Участки растра, 

попадающие внутрь полигонов этого векторного слоя, будут исключены. 



 

Нет – 

ничего не надо исключать из результирующего растра. 

Предполагается,  что  выбранные  векторные  слои  не  выходят  далеко  за  пределы  снимка 

(экстента),  поэтому  для  снижения  непроизводительных  затрат  времени  слои  желательно 

предварительно  обрезать  примерно  по  границам  экстента  (либо  в  векторном  редакторе 

программы, либо подготовить их в сторонней ГИС). 

Группа

 

Выходные  растры

  позволяет  указать  программе  тип  выходных  данных,  которые 

необходимо рассчитать 

Флаг

 

Создавать  растр  со  значениями  вероятностей

  –  результатом  выполнения 

операции  является  растровый  слой,  значения  яркости  которого,  приведенные  в 

диапазон значений [0-1], показывают вероятность различия исходных изображений.  

Флаг 

Создавать  бинарный  растр  по  порогу  вероятности  – 

задает  представление 

результата  в  виде  нового  слоя,  содержащего  1,  если  заданная  вероятность 

превышена, и 0 – если нет. Поле 

Порог

 позволяет задать пороговое значение. 

 

Кнопка

 

Выполнить

 – выполняет процедуру. 

Кнопка

 

Отмена

 – закрывает диалоговое окно. 

 

Результатом выполнения операции является растровый слой, значения яркости которого, 

приведенные в диапазон значений [0-1], показывают вероятности изменений, вычисленной по 

приведенной  выше  методике;  и/или  двоичный  растр,  принимающий  значение  1,  если 

вероятность  превышает  заданный  порог,  и  0,  если  не  превышает.  Растры  с  итогом 

детектирования  изменений  приведены  ниже  (Рис  203).  Верхний  снимок  -  растр  вероятности 

изменений, более темный тон соответствует большей вероятности. Нижний снимок  – бинарный 
растр,  полученный  по  заданному  порогу  вероятности:  места,  в  которых  превышен  порог 

вероятности  изменений,  равный  0.9,  показаны  красным,  места,  в  которых  изменений  при 

заданном пороге не обнаружено, показаны зеленым. 

 

 

 

Рис 203.

 

Результаты детектирования 

Некоторые места, в которых обнаружены изменения, показаны ниже более детально (Рис 

204, Рис 205, Рис 206). 

 

 

Рис 204.

 

Пример детектирования новых рубок в средней части области 

 

Рис 205.

 

Пример детектирования изменений на старых вырубках в верхней части области 

 

 

Рис 206.

 

Пример детектирования изменений растительности в области овражно-балочной 

сети и гидросети в нижней части снимка (обусловленной как сезонными факторами, так и 

возможно эрозией). 

Более

 

подробно

 

о

 

методе

 

многомерного

 

детектирования

 

изменений

 

можно

 

прочитать

 

в

 

следующей

 

литературе

: 

Nielsen,  A.  A.  Change  detection  in  multispectral,  bi-temporal  spatial  data  using  orthogonal 

transformations. Proceedings of the 8th Australian Remote Sensing Conference, 1996, Canberra, 
Australia, March. 

Nielsen,  A.  A.  and  Conradsen,  K.  Multivariate  alteration  detection  (mad)  in  multispectral,  bi-temporal 

data:  A  new  approach  to  change  detection  studies.  Technical  Report  IMM-REP-1997.  1997, 
Technical University of Denmark Lyngby, 11. 

 

 

Выравнивание контраста суб-сцен изображений IRS-1C/1D PAN 

Данный  инструмент  является  специфичным,  и  может  быть  использован  для  коррекции 

различной  яркости и  контраста отдельных CCD линеек данных,  полученных панхроматической 

камерой  спутников  IRS-1C/1D.  Данный  инструмент  поддерживает  данные  IRS-1C/1D, 

хранящиеся  формате  ScanEx  HDF.  Для  выравнивания  контраста  суб-сцен  (отдельных  CCD 

линеек) изображений PAN необходимо выполнить команду 

Редактирование 



 

Эквализация 

IRS 1C\1D CCDs 

главного меню. В результате будет открыт диалог 

Эквализация IRS 1C\1D 

CCDs 

(Рис 207). 

 

Рис 207.

 

Диалог 

Эквализация IRS 1C\1D CCDs

 

В 

группе

 Растры 

– задается канал, который требуется обработать.  

Группа

  Референсный  CCD

  –  определяет  эталонную  линейку,  относительно  яркости  и 

контраста которой будет выполнена коррекция: 

Переключатель

 

Левый 

– левая линейка. 

Переключатель

 

Центральный 

– центральная линейка.

 

Переключатель

 

Правый 

– правая линейка.

 

Кнопка

 

Эквализовать

  –  выравнивает  яркость  и  контраст  относительно  выбранного  в 

группе

 

Референсный CDD

 эталона. 

Кнопка

 

Вернуть

 – отменяет выполненную обработку. 

Кнопка

 Закрыть – закрывает диалог 

Эквализация IRS 1C\1D CCDs

. 

При  коррекции  яркости  и  контраста  используется  линейное  преобразование,  параметры 

которого  вычисляются  в  зоне  пересечения  линеек.  Поэтому  для  обеспечения  корректности 

вычислений необходимо предварительно совместить изображения, воспользовавшись одним из 

инструментов,  используемых  при  геометрической  коррекции  и  описанных  в  разделе 

«Геометрическая коррекция растровых изображений»

 настоящего руководства. Кроме того, при 

расчете  параметров  преобразования  можно  использовать  часть  изображения,  виртуально 

обрезанную  при  помощи  инструмента 

Сегменты  растров

,  описанного  в  разделе 

«Сегмент 

изображения»

. 

 

Исправление дефекта SLC off для данных Landsat-7 

С  июня  2003  года  из-за  технических  неполадок  данные  Landsat-7  имеют  дефект  – 

клиновидные участки с отсутствием информации, расширяющиеся от центра снимка к краям. 

Процесс  исправления  заключается  в  заполнении  клиновидных  дефектов  информацией, 

полученной  за  предыдущие  годы,  либо  использованием  данных,  полученных  другими 

сенсорами, близкими по спектральным характеристикам. 

Для исправления данного дефекта в программе существует специальный инструмент 

«SLC 

Off»  коррекция

,  вызываемый  командой 

Редактирование 



  Коррекция  SLC  Off

  главного 

меню программы (Рис 208). 

 

Рис 208.

 

Диалог 

«SLC Off» коррекция

 

Выпадающий список

 

Растр «SLC Off»

 – задает канал с дефектом. 

Выпадающий список

 

Корректируемый растр

 – задает канал, который будет использован для 

коррекции. 

Выпадающий  список

 

Выходной  растр

  –  задает  имя  результирующего  канала.  Желательно 

предварительно создать 

пустой растр

. 

Поле

 

Радиус 

–  задает  радиус  локального  окна,  используемого  при  коррекции.  Размер  окна 

равняется 

(Радиус*2)+1

.  Например,  при  значении 

Радиус

  =  20  размер  локального 

окна будет (20*2)+1 = 41x41 пиксель. 

Поле

 

Уровней 

– количество уровней многоуровневых кубических сплайнов, используемых при 

коррекции. Более подробно о многоуровневых кубических сплайнах можно прочитать в 

разделе 

«Локальное трансформирование»

. 

 

Для работы с этим инструментом обрабатываемые RGB каналы должны быть приведены к 

единому базису, в противном случае будет выведено окно с ошибкой «Растры не совместимы». 

Для  приведения  изображений  к  единому  базису  можно  воспользоваться  инструментарием 

Экстент

, описанном в разделе 

«Инструментарий Экстент»

 данного руководства.  

 

 

Атмосферная коррекция 

Описание алгоритма атмосферной коррекции 

Оптические  сенсоры,  установленные  на  искусственных  спутниках  Земли,  регистрируют 

мощность излучения поверхности Земли и Земной атмосферы освещенной Солнечными лучами. 

При  этом  сенсор  регистрирует  только  часть  отраженного  излучения,  как  правило,  около  80% 

при длине волны 0.85 мкм, и около 50% при длине волны 0.45 мкм. Потери в первую очередь 

связаны с двумя процессами, происходящими в Земной атмосфере – поглощение и рассеяние. 

Основными  источниками  поглощения  являются  атмосферные  газы,  в  основном  O

3

,  H

2

O, 

O

2

, CO

2

, CH

4

 и N

2

O, однако стоит отметить, что спектральные диапазоны каналов, используемые 

на сенсорах КА, подобраны таким образом, что бы регистрировать излучения в так называемых 

окнах  прозрачности,  и  поглощение  атмосферными  газами  в  данном  случае  не  является 
критическим фактором. 

При  атмосферном  рассеянии  часть  поступающего  Солнечного  потока  в  результате 

взаимодействия  с  не  адсорбирующими  аэрозолями  меняет  свое  направление  (отражается  в 

направлении к регистрирующему излучение сенсору), оставшаяся часть потока проходит сквозь 

атмосферу, достигает Земной поверхности и отражается от нее. При этом часть отраженного от 

земной поверхности излучения  так же рассеивается  атмосферой, а часть отражается  от  нее в 

направление  к  Земле,  и  затем  вновь  отражается  от  поверхности  Земли  (эффект  обратного 

рассеяния). 

В  процессе  регистрации  и  оцифровки  излучения,  непрерывный  сигнал  квантуется  и 

сохраняется  в  виде  безразмерных  целых  значений  (DN)  записанных  в  значениях  пикселей, 

формирующих  изображение  полученное  сканером.  Для  перевода  безразмерных  целых 

значений, как правило, используется линейное преобразование следующего вида: 

*

SAT

L

DN GAIN

BIAS





 ,

 

(1)

 

где 

SAT

L

  -  мощность  излучения,  зарегистрированная  сенсором  (spectral  radiance) 

2

1

1

m

Wm sr









; 

GAIN

 – множитель; 

BIAS

 – сдвиг. 

Отражательная способность вычисляется по следующей формуле: 

cos

SAT

o

Z

L

p

E







,

 

(2)

 

где 

o

E

 - внеатмосферная солнечная постоянная 

2

1

m

Wm







; 

Z



 - зенитный угол Солнца. 

При  этом, 

/

o

E

ESUN d



,  где 

ESUN

  -  коэффициент  солнечного  внеатмосферного 

спектрального  излучения  который  определяется  для  каждого  спектрального  канала,  а 

d

  - 

расстояние от Земли до Солнца на дату съемки в астрономических единицах (au). 

 

Полученные  по  формуле  2  значения  отражательной  способности  не  учитывают  влияние 

атмосферы, то есть являются отражательной способностью на верхней кромке атмосферы (TOA 

reflectance). 

Для  учета  влияния  атмосферы  можно  использовать  параметрическую  модель 

атмосферной  коррекции,  реализованную  на  базе  метода  6S,  либо  упрощенную,  без  учета 

фактора  поглощения  излучения  аэрозолями,  модель  атмосферной  коррекции  DOS  (dark  object 

subtraction). 

Вычисление  отражательной  способности  по  методу  DOS  можно  описать  следующей 

формулой: 

(

)

(

cos

)

SAT

P

v

o

Z

Z

DOWN

L

L

p

T E

T

E











 ,

 

(3)

 

где 

v

T

  -  коэффициент  пропускания  отраженной  от  Земли  энергии  к  сенсору; 

Z

T

  - 

коэффициент  пропускания  приходящей  Солнечной  энергии  к  Земле; 

DOWN

E

  -  нисходящее 

рассеянное  излучение 

2

1

m

Wm







;  а 

P

L

-  рассеянная  атмосферой  приходящая  солнечная 

энергия (path radiance) 

2

1

1

m

Wm sr









, которая вычисляется по следующей формуле: 

((

cos

)

/ )

P

DOS

O

Z

Z

DOWN

V

L

L

P E

T

E

T











, 

(4) 

где 

DOS

L

- статистически значимое, малое значение мощности излучения в спектральном 

канале; 

P

 - процент отраженной Солнечной радиации 

(

cos

)

/

O

Z Z

DOWN

V

E

T

E

T







). 

Программа позволяет использовать четыре варианта метода DOS для пересчета мощности 

излучения  на  сенсоре  в  отражательную  способность,  отличающиеся  различным  способом 

определения переменных 

P

L

, 

v

T

, 

Z

T

, 

DOWN

E

 (Таблица 9): 

Таблица 9.

 

Способы определения переменных при пересчете мощности излучения 

на сенсоре в отражательную способность метода DOS

 

Метод 

v

T

 

Z

T

 

DOWN

E

 

DOS1 

1 

1 

0 

DOS2 

cos

V



 

cos

Z



 

0 

DOS3 

exp(

/ cos

)

r

V







 

exp(

/ cos

)

r

Z







 

R 550 

DOS4 

exp(

/ cos

)

r

V







 

exp(

/ cos

)

r

Z







 

P

L



 

где 

r



-  оптическая  плотность  Рэлеевского  рассеяния,  определяемая  для  каждого 

спектрального  канала  по  формуле 

4

2

4

0.008569

(1 0.0113

0.00013

)

r





















, 



=  центр 

длины  волны  спектрального  канала  в 

m



; 

V



  -  угол  отклонения  оптической  оси  сканера  от 

 

надира; 

R 550 

- нулевая оптическая плотность аэрозолей в спектральном диапазоне 0.55 мкм, 

для Рэлеевской модели атмосферы. 

Дополнительную

 

информацию

 

о

 

пересчете

 

в

 

отражательную

 

способность

 

и

 

атмосферную

 

коррекцию

 

по

 

методам

 DOS1-DOS4, 

можно

 

получить

 

в

 

следующей

 

литературе

: 

Chavez, P. S. (1996). Image-based atmospheric correction

—

revisited and improved. Photogrammetric 

Engineering and Remote Sensing, 62(9), 1025 

–

 1036. 

В программе доступен интерфейс к программному коду библиотеки 6S (Second Simulation 

of  a  Satellite  Signal  in  the  Solar  Spectrum).  Данная  параметрическая  модель  атмосферной 

коррекции,  позволяет  вычислить  отражательную  способность  поверхности  с  учетом 

пространственного положения и ориентации сенсора, условий освещенности, а также состояния 

атмосферы, и отражательной способности подстилающей поверхности. 

Основными параметрами модели являются: 



 

Условия, при которых проводилась съемка, к которым относятся зенитный угол Солнца; 
азимут  Солнца;  угол  отклонения  оптической  оси  сканера  от  надира  (зенитный  угол 

съемки); азимут съемки; дата съемки. 



 

Ширина спектрального диапазона по каждому обрабатываемому каналу. 



 

Модель (профиль) атмосферы, используемая  для  моделирования эффекта  поглощения. 
Доступно семь стандартных профилей, описывающих зависимость изменения давления, 

температуры и концентрации водяного пара и озона от высоты:  

Таблица 10.

 

Характеристики стандартных профилей при моделировании эффекта 

поглощения

 

Название профиля 

Концентрация H

2

O (г/см

2

) 

Количество O

3

 (см-атм.) 

тропический 

4.12 

0.247 

средние широты – лето 

2.93 

0.319 

средние широты – зима 

0.835 

0.395 

субарктический – лето 

2.10 

0.480 

субарктический – зима 

0.419 

0.480 

стандартный США-62 

1.42 

0.344 



 

Тип  модели  аэрозолей,  описывающий  процентное  содержание  четырех  основных 
компонент:  пылевая,  водорастворимая,  океаническая  и  сажевая.  Можно  использовать 

три стандартных профиля: 

Таблица 11.

 

Характеристики стандартных профилей, описывающих тип модели 

аэрозолей

 

Название 

Пылевая 

(V%) 

Водорастворимая 

(V%) 

Океаническая 

(V%) 

Сажевая 

(V%) 

Континентальный 

0.70 

0.29 

0 

0.01 

Морской 

0 

0.05 

0.95 

0 

Городской 

0.17 

0.61 

0 

0.22 

 

А  также,  предрассчитанные  модели:  пустынная  модель  аэрозолей,  горящей 

биомассы (лесные пожары) и стратосферная. Дополнительно можно задать собственную 

модель, используя процентное содержание основных компонент. 



 

Оптическая  плотность,  определяется  как  оптическая  плотность  аэрозолей  при  длине 
волны  0.55  мкм,  либо  как  наземная  дальность  видимости  в  км.  Для  вычисления 

оптической плотности аэрозолей используется следующая зависимость: 

Таблица 12.

 

Зависимость оптической плотности аэрозолей

 

Дальность видимости (км) 

Оптическая плотность 0.55 мкм 

23 (нет дымки) 

0.235 

5 (сильная дымка) 

0.78 



 

Отражательная  способность  подстилающей  поверхности.  В  текущей  версии  программы 
используется  модель  равномерного  Ламбертовского  отражения,  для  гомогенной 

поверхности.  Для  оценки  отражательной  способности  подстилающей  поверхности 

можно  выбрать  один  из  доступных  спектральных  профилей:  зеленая  растительность; 

чистая  вода;  песок;  вода  в  озере,  либо  задать  среднее  значение  отражательной 
способности. 



 

Высота над уровнем моря. 

Дополнительную

 

информацию

 

о

 

параметрах

 

модели

 

и

 

использованных

 

при

 

вычислениях

 

алгоритмах

 

можно

 

получить

 

на

 

официальной

 

интернет

 

странице

 

модели

  6S 

по

 

адресу

: 

http://6s.ltdri.org/ 

Интерфейс DOS 

Для вычисления отражательной способности используется 

диалоговое окно

 

Вычисление 

отражательной  способности

,  доступное  при  выборе  команды 

Редактирование  -> 

Вычисление отражательной способности

, главного меню программы (Рис 209). 

 

 

Рис 209.

 

Диалог 

Вычисление отражательной способности

 

Группа

 

Каналы

 – задает каналы, которые необходимо обработать. 

Кнопка

 

Удалить

 – позволяет исключить выделенные каналы из списка обрабатываемых. 

Кнопка

 

Удалить все

 – позволяет отчистить список обрабатываемых каналов. 

Кнопка

 

Добавить

  –  вызывает  диалоговое  окно 

Выбрать  каналы

,  используется  для 

выбора требуемых каналов (Рис 210). 

 

Рис 210.

 

Диалог 

Выбрать каналы

  

В меню

 

Выбрать каналы 

 необходимо задать те каналы, которые будут добавлены для 

вычисления 

отражательной 

способности. 

Выбор 

нескольких 

каналов 

осуществляется  стандартными  способами  выбора  файлов  в  Windows: