Разрешенные виды использования земельных участков классификатор: Утвержден новый классификатор видов разрешенного использования земельных участков

Содержание

Порядок установления и изменения вида разрешенного использования земельного участка с учетом практики применения классификатора видов разрешенного исп

В соответствии с п. 70 Порядка ведения государственного кадастра недвижимости, утвержденного приказом Минэкономразвития России от 04.02.2010 № 42 (далее – Порядок ведения ГКН) сведения о видах разрешенного использования земельного участка вносятся в государственный кадастр недвижимости (далее – ГКН) в соответствии с зонированием территории, в том числе на основании градостроительного регламента, либо на основании акта органа государственной власти или органа местного самоуправления, подтверждающего в соответствии с федеральным законом установленное разрешенное использование земельного участка, в том числе на основании решения о предварительном согласовании предоставления земельного участка, решения об утверждении схемы расположения земельного участка или земельных участков на кадастровом плане территории.

Согласно ч. 2 ст. 7 Земельного кодекса РФ любой вид разрешенного использования из предусмотренных зонированием территорий видов выбирается самостоятельно, без дополнительных разрешений и процедур согласования. Виды разрешенного использования земельных участков определяются в соответствии с классификатором, утвержденным федеральным органом исполнительной власти, осуществляющим функции по выработке государственной политики и нормативно-правовому регулированию в сфере земельных отношений.

Классификатор видов разрешенного использования земельных участков, утвержденный приказом Минэкономразвития России от 01.09.2014 № 540 «Об утверждении классификатора видов разрешенного использования земельных участков» вступил в силу с 24.12.2014.

В соответствии с ч. 11 ст. 34 Федерального закона от 23.06.2014 № 171-ФЗ «О внесении изменений в земельный кодекс Российской Федерации и отдельные законодательные акты Российской Федерации» разрешенное использование земельных участков, установленное до дня утверждения в соответствии с Земельным кодексом Российской Федерации классификатора видов разрешенного использования земельных участков, признается действительным вне зависимости от его соответствия указанному классификатору.

При этом, до 1 января 2020 года орган местного самоуправления поселения, орган местного самоуправления городского округа обязаны внести изменения в правила землепользования и застройки в части приведения установленных градостроительным регламентом видов разрешенного использования земельных участков в соответствие с видами разрешенного использования земельных участков, предусмотренными классификатором видов разрешенного использования земельных участков. Проведение публичных слушаний по проекту изменений, вносимых в правила землепользования и застройки, не требуется.

Согласно ч. 13 ст. 34 Федерального закона от 23.06.2014 № 171-ФЗ «О внесении изменений в земельный кодекс Российской Федерации и отдельные законодательные акты Российской Федерации» по заявлению правообладателя земельного участка об установлении соответствия разрешенного использования земельного участка классификатору видов разрешенного использования земельных участков уполномоченные на установление или изменение видов разрешенного использования земельного участка орган государственной власти или орган местного самоуправления в течение одного месяца со дня поступления такого заявления обязаны принять решение об установлении соответствия между разрешенным использованием земельного участка, указанным в заявлении, и видом разрешенного использования земельных участков, установленным классификатором видов разрешенного использования земельных участков. Данное решение является основанием для внесения изменений в сведения государственного кадастра недвижимости о разрешенном использовании земельного участка.

Таким образом, для изменения вида разрешенного использования земельного участка необходимо обратиться с заявлением об установлении соответствия разрешенного использования земельного участка классификатору видов разрешенного использования земельных участков в орган государственной власти или орган местного самоуправления. После получения решения об установлении соответствия между разрешенным использованием земельного участка, указанным в заявлении, и видом разрешенного использования земельных участков, установленным классификатором видов разрешенного использования земельных участков, необходимо обратиться в межрайонный отдел филиала ФГБУ «ФКП Росреестра» по Тюменской области, либо через многофункциональный центр по месту расположения объекта недвижимости в пределах кадастрового округа с заявлением о государственном кадастровом учете изменений адреса объекта недвижимости либо направить заявление почтовым отправлением с описью вложения и с уведомлением о вручении.

В соответствии с ч.ч. 1, 3 ст. 20 Закона о кадастре с заявлениями об учете изменений объектов недвижимости вправе обратиться собственники таких объектов недвижимости, либо их представители, действующие в силу полномочий, основанных на нотариально удостоверенной доверенности, указании федерального закона либо акте уполномоченного на то государственного органа или органа местного самоуправления. С заявлениями об учете изменений земельных участков, находящихся в государственной или муниципальной собственности и предоставленных на праве пожизненного наследуемого владения, постоянного (бессрочного) пользования или аренды (если соответствующий договор аренды заключен на срок более чем пять лет), вправе обратиться лица, обладающие этими земельными участками на указанном праве.

Внесение в ЕГРН сведений о виде разрешённого использования земельных участков

02.08.2021 10:56 (ред. 27.08.2021 13:57)

В соответствии с ч. 1 ст. 37 Градостроительного кодекса РФ (далее — ГрК РФ) разрешенное использование земельных участков и объектов капитального строительства может быть следующих видов:

— основные виды разрешенного использования;

— условно разрешенные виды использования;

— вспомогательные виды разрешенного использования, допустимые только в качестве дополнительных по отношению к основным видам разрешенного использования и условно разрешенным видам использования и осуществляемые совместно с ними.

На основании п. 2 ст. 7 Земельного кодекса РФ виды разрешенного использования земельных участков определяются в соответствии с классификатором, утвержденным федеральным органом исполнительной власти, осуществляющим функции по выработке государственной политики и нормативно-правовому регулированию в сфере земельных отношений.

Основной и (или) вспомогательный виды разрешенного использования земельного участка могут быть выбраны правообладателем самостоятельно, без получения на это дополнительных разрешений и согласований. Для этого правообладателю земельного участка необходимо обратиться в орган регистрации прав с соответствующим заявлением, в порядке ст.14,15 Федерального закона от 13.07.2015 N 218-ФЗ «О государственной регистрации недвижимости».

Для изменения вида разрешенного использования на вид из состава условно разрешенных правообладателю земельного участка необходимо получить разрешение. Для этого ему необходимо направить заявление о предоставлении разрешения на условно разрешенный вид использования в уполномоченный орган муниципального образования. По результатам проведения общественных обсуждений или публичных слушаний комиссия готовит рекомендации о предоставлении разрешения на изменение вида разрешенного использования земельного участка или об отказе в предоставлении такого разрешения и направляет их главе местной администрации, который в течение трех дней со дня поступления указанных документов принимает соответствующее решение (ч.

2, 8 — 10 ст. 39 ГрК РФ).

При этом в изменении вида разрешенного использования может быть отказано, если земельный участок не соответствует предельным (минимальным или максимальным) размерам и параметрам, установленным для земельных участков с испрашиваемым видом разрешенного использования. Правообладатель земельного участка вправе оспорить отказ в предоставлении разрешения на условно разрешенный вид использования в судебном порядке (ч. 12 ст. 39 ГрК РФ).

В случае изменение вида разрешенного использования на предусмотренный градостроительным регламентом осуществляется в порядке, установленном законодательством, посредством принятия нормативного акта о внесении изменений в  правила землепользования и застройки (ст. ст. 31, 32, ч. 1, п. 2 ч. 2 ст. 33 ГрК РФ).

Правообладатель земельного участка вправе направить в комиссию предложение о внесении изменений в  правила землепользования и застройки в инициативном порядке либо в случаях, если в результате их применения (п. 5 ч. 3 ст. 33 ГрК РФ): земельные участки и объекты капитального строительства не используются эффективно; причиняется вред их правообладателям; снижается стоимость земельных участков и объектов капитального строительства; не реализуются права и законные интересы граждан и их объединений.

Необходимо отметить, что действующим законодательством в сфере ведения ЕГРН не установлено ограничение в отношении количества видов разрешенного использования земельного участка, сведения о которых могут быть внесены в ЕГРН, при этом их количество не может превышать количества, установленного правилами землепользования застройки в градостроительном регламенте для соответствующей территориальной зоны.

 

 

 

Ведущий специалист-эксперт Северского отдела

Управления Росреестра по Томской области                               И.М.Курганова

 

Контакты для СМИ

Пресс-служба Управления Росреестра по Томской области

Телефон +7(3822) 65-19-39 (доб. 2121)

E-mail: [email protected]

www.rosreestr.ru

Адрес: г. Томск, ул. Пушкина, 34/1

Росреестр разработал новый классификатор видов разрешенного использования земельных участков

Приказом Федеральной службы государственной регистрации, кадастра и картографии №П/0412 от 10 ноября 2020г. утвержден новый классификатор видов разрешенного использования земельных участков. Настоящий приказ вступает в силу с даты вступления в силу приказа Минэкономразвития России о признании утратившим силу приказа Минэкономразвития России от 01.09.2014 N 540 «Об утверждении классификатора видов разрешенного использования земельных участков».

Классификатор, как и предыдущий документ, будет в себя включать:

1) наименование вида разрешенного использования земельного участка;

2) описание вида разрешенного использования земельного участка;

3) код (числовое обозначение) вида разрешенного использования земельного участка.

Любое заинтересованное лицо может получить представление о том, каким образом можно использовать земельный участок, какие объекты допустимо на нём строить, размещать и эксплуатировать, и какой деятельностью можно заниматься на земельном участке.

Например, на земельном участке с разрешенным использованием «для индивидуального жилищного строительства» кроме размещения индивидуального жилого дома разрешено выращивание сельскохозяйственных культур, размещение индивидуальных гаражей и хозяйственных построек.

Перечень объектов и разрешенной деятельности, содержащийся в описании вида разрешенного использования, является исчерпывающим и расширительному толкованию не подлежит.    

Необходимо отметить, что в соответствии с Федеральным законом от 23.06.2014г. №171-ФЗ «О внесении изменений в Земельный кодекс Российской Федерации и отдельные законодательные акты Российской Федерации» разрешенное использование земельных участков, установленное до дня утверждения нового классификатора видов разрешенного использования земельных участков, признается действительным вне зависимости от его соответствия новому классификатору.

Вид разрешенного использования земельных участков является основной информацией для определения оценочного сегмента и выбора подхода к оценке при проведении государственной кадастровой оценки. Исходя из этого, конечная величина кадастровой стоимости земельного участка напрямую зависит от того какой вид разрешенного использования содержится в Едином государственном реестре недвижимости (ЕГРН).

ГБУ РБ «Центр государственной кадастровой оценки» рекомендует правообладателям объектов недвижимости следить за информацией о виде разрешенного использования, которая внесена в ЕГРН, и своевременно актуализировать такие сведения при изменении фактического вида использования объекта.

Определение вида разрешенного использования земельного участка


Правовой центр ДВА М предлагает комплексное правовое сопровождение по вопросам установления и изменения вида разрешенного использования земельного участка и размещенных на нем объектов капитального строительства.

+7 (495) 989-47-25

Правовой центр ДВА М оказывает квалифицированную правовую помощь по вопросам, связанным с определением и установлением видов разрешенного использования земельного участка, включая:

Вид разрешенного использования земельного участка

Порядок определения вида разрешенного использования земельного участка зависит от того, есть ли на территории муниципального образования по месту нахождения земельного участка утвержденные правила землепользования и застройки (ПЗЗ).

По общему правилу, виды разрешенного использования, которые могут быть установлены конкретному земельному участку, закреплены в правилах землепользования и застройки, принятых для соответствующей территории.

При этом, градостроительным регламентом земельного участка могут быть предусмотрены виды разрешенного использования

трех типов:

Виды разрешенного использования

Основные виды разрешенного использования

Установленные градостроительным регламентом земельного участка основные виды разрешенного использования – это, как правило, виды, которые определяют содержание регулирования в соответствующей территориальной зоне.

Так, в производственной территориальной зоне в качестве основных видов разрешенного использования могут быть предусмотрены «Производственная деятельность», «Склады» и «Транспорт», в то время как «Общественное питание» (для размещения столовых при предприятиях) и «Спорт» (ФОКи и спортивные площадки для отдыха работников) могут быть учтены в качестве вспомогательных или условно разрешенных видов.

В случае, если градостроительный регламент земельного участка содержит основной вид разрешенного использования, который соответствует перспективной деятельности собственника участка, собственник вправе уведомить уполномоченный орган о выборе данного ВРИ

без дополнительных разрешений и согласований.

Основные виды разрешенного использования в ПЗЗ г. Москвы и ПЗЗ в Московской области имеют свою существенную специфику.

Так, многие земельные участки в соответствии с ПЗЗ г. Москвы не имеют полноценного перечня основных видов разрешенного использования.

Градостроительный регламент остальных земельных участков, как правило, состоит из 2-3 основных ВРИ, среди которых может не оказаться видов разрешенного использования, необходимых для ведения на земельном участке полноценной предпринимательской деятельности (так, например, для многих производственных участков ПЗЗ г. Москвы не предусматривают возможности размещения складов). Возможным выходом в данной ситуации является установление участку вспомогательных видов разрешенного использования или изменение ПЗЗ в части градостроительного регламента участка.

Правила землепользования и застройки Московской области, как правило, предусматривают полноценное регулирование порядка определения основных видов разрешенного использования для всех земельных участков с установленными градостроительными регламентами.

Вместе с тем, и в случае с участками в Московской области региональное градостроительное регулирование может порождать отдельные вопросы, решение которых потребует привлечения квалифицированных специалистов.

Специалисты Правового центра ДВА М помогут определить вид разрешенного использования земельного участка, который является наиболее рентабельным для осуществления планируемой на земельном участке деятельности, а также установят данный вид в отношении Вашего участка, в том числе, в рамках процедуры изменения Правил землепользования и застройки.

Условно разрешенные виды разрешенного использования

Помимо установленных земельному участку основных видов разрешенного использования, градостроительный регламент земельного участка, как правило, содержит информацию об условно разрешенных видах использования участков.

При этом для ряда территориальных зон, обозначенных в ПЗЗ, в частности, для земель сельхозназначения, условно разрешенные виды использования предоставляют широкие возможности как для размещения коммерчески ценных объектов, не предусмотренных ни основными, ни вспомогательными видами использования: производственно-складских объектов, магазинов, гостиниц, домиков для отдыха, объектов развлекательного характера. Таким образом условно разрешенные виды могут обеспечить для осуществления полноценной производственной и иной предпринимательской деятельности на, казалось бы, непредназначенной для этого земле.

В отличие от основных ВРИ, условно разрешенные виды использования, не могут быть выбраны землепользователем самостоятельно; чтобы установить такой вид использования земельному участку, требуется получение специального разрешения.

Разрешение на условно разрешенный вид использования принимается в порядке, который в общих чертах сходен с изменением ПЗЗ: заявка на получение разрешения направляется в тот же уполномоченный орган, который запрашивает одобрение согласующих органов на выдачу разрешения, а также проводит публичные слушания по данному вопросу. В большинстве случаев для получения разрешения требуется представить предпроектные проработки планируемого объекта, соответствующего условно разрешенному виду использования.

Однако в отличие от изменения ПЗЗ, которое по большому счету зависит от усмотрения уполномоченного или одного из согласующих органов, в случае с установлением условно разрешенного ВРИ возможно эффективное понуждение уполномоченного органа к предоставлению разрешения на условно разрешенный вид использования (в т.ч. в судебном порядке). Немотивированный отказ в выдаче разрешения на условно разрешенный вид не допускается, а основания отказа жёстко регламентированы законом.

Следует отметить, что градостроительное регулирование порядка предоставления разрешения на условно разрешенный вид использования в Москве и Московской области существенно отличается, при этом подобные виды использования ПЗЗ г. Москвы практически не установлены.

В связи с указанным, вопрос получения разрешения на условно разрешенный вид использования является весьма актуальным для правообладателей земли в Московской области.

Установление условно разрешенного вида использования для участка в Московской области может быть гораздо более эффективной и менее затратной процедурой по сравнению с изменением ПЗЗ.

Правовой центр ДВА М оказывает услуги по получению разрешения на условно разрешенный вид использования для земельных участков и объектов капитального строительства. После тщательного анализа Вашей правовой ситуации наши специалисты помогут Вам выбрать желаемый вид разрешенного использования, а также осуществят сопровождение всех необходимых процедур от направления документов до получения положительного результата.

Вспомогательные виды разрешенного использования

Вспомогательные виды разрешенного использования устанавливаются в дополнение к основным или условно разрешенным видам разрешенного использования; таким образом, вспомогательный ВРИ не может быть единственным видом разрешенного использования, который установлен земельному участку.

Чтобы иметь возможность использовать земельный участок в соответствии с назначением, предусмотренным вспомогательным видом разрешенного использования, правообладатель участка должен внести данный ВРИ в единый государственный реестр недвижимости.

Для этого правообладатель участка обращается в уполномоченный орган с уведомлением о выборе одного из вспомогательных ВРИ, предусмотренных градостроительным регламентом его земельного участка.

Если Вы заинтересованы в установлении вспомогательного ВРИ своему земельному участку, необходимо принимать во внимание, что установление вспомогательных видов может вести к увеличению кадастровой стоимости участка.

Следует отметить существенную специфику применения вспомогательных видов разрешенного использования, которая установлена Правилами землепользования и застройки г. Москвы.

Так, в г. Москве широкий перечень вспомогательных видов разрешенного использования установлен практически всем территориальным зонам, допускающим застройку. В том числе для большинства застроенных участков в качестве вспомогательных предусмотрены такие коммерчески ценные виды как торговля, размещение различных видов офисов и т.д. Вместе с тем, совокупная общая площадь объектов, размещенных в рамках вспомогательного вида разрешенного использования, не может превышать 25% общей (поэтажной) площади всех капитальных строений, расположенных на земельном участке.

Правовой центр ДВА М оказывает услуги по выбору вспомогательного вида разрешенного использования в отношении земельных участков и объектов капитального строительства. Наши специалисты помогут определить необходимость установления вспомогательного вида разрешенного использования в отношении земельного участка, рассчитают его возможную кадастровую стоимость и осуществят все необходимые действия по внесению вспомогательного вида использования земельного участка в реестр недвижимости.

Определение вида разрешенного использования до введения в действие Правил землепользования и застройки

В отсутствие правил землепользования и застройки порядок установления видов разрешенного использования земельных участков является менее прозрачным.

Так, если на земельном участке имеются ранее построенные капитальные объекты, оформленные в установленном законом порядке, вид разрешенного использования земельного участка устанавливается в зависимости от вида функционального использования капитального объекта.

Если земельный участок был предоставлен до введения в действие Земельного кодекса РФ (2001 год), вид разрешенного использования может определяться в соответствии с ранее принятым решением о предоставлении земельного участка.

Если в отношении территории, на которой находится земельный участок, имеется проект планировки территории, то определение вида разрешенного использования участка осуществляется согласно данному документу.

В остальных случаях определение вида разрешенного использования участка, в том числе при его первичном формировании, осуществляется в соответствии с имеющимися проектами генеральных планов поселений или правил землепользования и застройки.

При этом, с 31.12.2017 г. в муниципальных образованиях Московской области, где не были приняты правила землепользования и застройки, предоставление земельных участков для строительства невозможно.

При этом, в отдельных случаях даже после принятия правил землепользования и застройки вид разрешенного использования участка все равно должен определяться с учетом недвижимости, расположенной на таком участке. Данное обстоятельство может использоваться для установлению участку вида разрешенного использования, отвечающего его назначению.

Правовой центр ДВА М готов оказать услуги по установлению вида разрешенного использования в отношении формируемого земельного участка.

Мы поможем определить вид разрешенного использования, который должен быть установлен земельному участку для сокращения будущих земельно-правовых расходов, и возьмем на себя полное сопровождение соответствующей процедуры от подготовки пакета документов до вынесения решения об установлении ВРИ уполномоченным органом.

Приведение вида разрешенного использования участка в соответствие с Классификатором видов разрешенного использования

Для систематизации видов разрешенного использования, которые могут быть установлены земельным участкам на территории РФ, Министерством экономического развития был принят классификатор видов разрешенного использования земельных участков. В связи с этим в настоящее время виды разрешенного использования должны определяться в соответствии с ним.

Вместе с тем, вид разрешенного использования большинства участков был установлен до введения классификатора в действие.

Кроме того, в ряде муниципалитетов правила землепользования и застройки также были приняты до момента утверждения классификатора ВРИ.

Возникающие на практике спорные ситуации зачастую берут свое начало из противоречий между установленным участку видом разрешенного использования, градостроительным регламентом и классификатором.

В связи с этим в ряде случаев актуальным для нужд правообладателя земельного участка является установление соответствия между текущим видом разрешенного использования земельного участка и классификатором.

Данная процедура не является изменением вида разрешенного использования земельного участка, поскольку ее целью является выявление в Классификаторе и установление Земельному участку наиболее близкого аналога его текущего разрешенного использования, которое правообладатель участка имеет право сохранять неограниченно долго на основании п. 8 ст. 36 ГрК РФ.

Вместе с тем, установление соответствия между текущим ВРИ и классификатором осуществляется в порядке, аналогичном изменению ВРИ.

Правовой центр ДВА М оказывает услуги по приведению вида разрешенного использования земельного участка в соответствие с классификатором видов разрешенного использования. Мы поможем определить, какому именно виду разрешенного использования по классификатору должен быть поставлен в соответствие текущий ВРИ, а при наличии нескольких вариантов возможного толкования – добьемся установления в отношении участка наиболее благоприятного для заказчика вида разрешенного использования.

Новое в видах разрешенного использования земельных участков

Виды разрешенного использования земельных участков определяются в соответствии с классификатором, исходя из назначения участка. Такая систематизация дает возможность рационально использовать и управлять земельными участками, определять и контролировать все допустимые действия относительно распоряжения землей, а также позволяет оценивать, учитывать, регистрировать права пользователей и собственников земельных участков.



Виды разрешенного использования земельных участков определяются в соответствии с классификатором, исходя из назначения участка. Такая систематизация дает возможность рационально использовать и управлять земельными участками, определять и контролировать все допустимые действия относительно распоряжения землей, а также позволяет оценивать, учитывать, регистрировать права пользователей и собственников земельных участков.

Одним из важнейших факторов, которые влияют на кадастровую стоимость земельного участка, является вид его разрешенного использования. Кадастровая стоимость является важной составляющей, которая влияет на размер доходов, поступающих от использования земли в бюджеты субъектов и муниципалитетов, таких как: налог на имущество юридических и физических лиц, арендная плата за землю. Также непосредственно от вида разрешенного использования зависят возможности использования находящегося в собственности или в аренде участка земли, как то, например, какую хозяйственную деятельность можно вести, какие объекты можно строить на его территории.

С целью систематизации и структурирования видов разрешенного использования, Приказом Минэкономразвития от 01.09.2014 № 540 «Об утверждении классификатора видов разрешенного использования земельных участков» (далее по тексту – Приказ № 540) был утвержден классификатор видов разрешенного использования (далее по тексту – ВРИ). До этого четких правил по формулировке видов разрешенного использования земельных участков не существовало, они не имели классификации и устанавливались каждым муниципалитетом отдельно на основе документов градостроительного зонирования — Правил землепользования и застройки территории (далее по тексту – ПЗЗ). Некоторые названия были довольно «размытыми», не имели четкого смысла, что порождало неопределенность и возможность двоякого толкования фактического использования земельного участка.

Теперь органы местного самоуправления устанавливают виды разрешенного использования:

  • в соответствии с правилами землепользования и застройки, если они были приняты до вступления в силу Приказа № 540, т.е. до 24.12.2014г.;
  • в соответствии с классификатором, если виды разрешенного использования устанавливаются или изменяются в правилах землепользования и застройки, после 24.12.2014 г.
Согласно п.12 ст.34 Федерального закона от 23.06.2014 № 171-ФЗ «О внесении изменений в Земельный кодекс Российской Федерации и отдельные законодательные акты Российской Федерации» до 1 января 2020 года органы местного самоуправления обязаны внести изменения в Правила землепользования и застройки в части приведения установленных градостроительным регламентом видов разрешенного использования земельных участков в соответствие с видами разрешенного использования земельных участков, предусмотренных классификатором. При этом проведение публичных слушаний по проекту изменений, вносимых в правила землепользования и застройки, не требуется. Новые положения ПЗЗ должны позволить ясно устанавливать вид использования, который допустим для того или иного земельного участка, не вступая в противоречие с действующим Классификатором.

В период действия Приказа № 540 в него были внесен ряд поправок и дополнений.

В апреле 2019 года вступили в силу очередные поправки в действующий классификатор видов разрешенного использования, которые утверждены Приказом Минэкономразвития от 04.02.2019г. № 44 «О внесении изменений в классификатор видов разрешенного использования земельных участков, утвержденный приказом Минэкономразвития России от 1 сентября 2014 г. N 540». Настоящие изменения коснулись терминологии, добавили новые виды разрешенного использования и детализировали уже существующие, выделив из них виды использования по назначениям объектов недвижимости. В виде разрешенного использования 2.0.«Жилая застройка» определение «Жилой дом» теперь приведено в соответствие с п.39 ст.1 Градостроительного Кодекса РФ, где данное определение также появилось не так давно (введено Федеральным законом от 03.08.2018 № 340-ФЗ «О внесении изменений в Градостроительный кодекс Российской Федерации и отдельные законодательные акты Российской Федерации»).

Наибольшие изменения произошли в разделе классификатора «3.0. Общественное использование объектов капитального строительства», где детализированы виды разрешенного использования в подразделах:

«3.1.Коммунальное обслуживание»;
«3.2.Социальное обслуживание»;
«3.4.Здравоохранение»;
«3.6.Культурное развитие»;
«3.7.Религиозное использование»;
«3.8.Общественное управление»;
«3.9.Обеспечение научной деятельности».

Коснулись изменения и объектов дорожного сервиса, где выделены теперь такие виды использования как:

«Заправка транспортных средств»;
«Обеспечение дорожного отдыха»;
«Автомобильные мойки»;
«Ремонт автомобилей».

Впервые добавлен в разделе «7.0.Транспорт» вид разрешенного использования «7.6.Внеуличный транспорт» для размещения сооружений, необходимых для эксплуатации метрополитена.

Изменения также коснулись земельных участков общего пользования, где добавлены виды разрешенного использования под объекты улично-дорожной сети и благоустройство территории: размещение декоративных и планировочных элементов, устройства озеленения и малых архитектурных форм.

Детальные сведения о том, в какие разделы классификатора ВРИ, были внесены изменения, представлены в приложении в виде таблицы к настоящей статье.

Использование классификатора ВРИ обусловлено положениями статьи 7 Земельного кодекса Российской Федерации и направлено на упрощение землепользования, а также на упорядочение составления правил землепользования и застройки, упорядочение государственного кадастрового учета объектов недвижимости, обеспечение ведения единого автоматизированного документооборота на всей территории Российской Федерации.

Для получения консультаций по всем интересующим вопросам в сфере имущественных и земельных отношений вы можете обратиться к экспертам Компании БФТ: [email protected] +7 (495) 784-70-00

В классификатор видов разрешенного использования земельных участков внесены изменения | Министерство имущественных и земельных отношений Республики Крым

12.11.2015

Министерство имущественных и земельных отношений Республики Крым информирует, что Приказом Минэкономразвития России от 30.09.2015 № 709 внесены изменения в классификатор видов разрешенного использования земельных участков, утвержденный приказом Минэкономразвития России от 1 сентября 2014 г. № 540. Указанный Приказ вступил в силу 03 ноября 2015 г.

В новой редакции классификатора малоэтажная жилая застройка разделена на индивидуальное жилищное строительство и малоэтажную многоквартирную жилую застройку. Первое разрешенное использование предполагает размещение индивидуального жилого дома, выращивание плодовых, ягодных, овощных, бахчевых или иных декоративных или сельскохозяйственных культур и размещение индивидуальных гаражей и подсобных сооружений. Малоэтажная многоквартирная жилая застройка разрешает размещение многоквартирного дома, пригодного для постоянного проживания, высотой до 4 этажей, включая мансардный,  разведение декоративных и плодовых деревьев, овощных и ягодных культур, размещение индивидуальных гаражей и иных вспомогательных сооружений, обустройство спортивных и детских площадок и др.

В отдельный вид разрешенного использования выделены объекты гаражного назначения, амбулаторно-поликлинического и стационарного медицинского обслуживания, дошкольного, начального и среднего общего образования, а также среднего и высшего профессионального образования, придорожного сервиса. Самостоятельными видами разрешенного использования являются также обеспечение деятельности в области гидрометеорологии и смешенной с ней областях, выставочно-ярмарочная, санаторная деятельность, туристическое обслуживание, амбулаторное ветеринарное обслуживание, приюты для животных.

Автомобилестроительная, фармацевтическая, целлюлозно-бумажная промышленность, атомная энергетика, а также ведение огородничества, садоводства или дачного хозяйства теперь также являются самостоятельными видами разрешенного использования.

Кроме того, в действующей редакции приказа уточнено наименование видов разрешенного использования приусадебного участка личного подсобного хозяйства, торговых центров, исторических и лесных земельных участков.

Также приказом  уточнены и дополнены описания таких видов разрешенного использования, как блокированная жилая застройка,  обслуживание жилой застройки, коммунальное, бытовое обслуживание,  здравоохранение, образование и просвещение, культурное развитие, общественное управление, ветеринарное обслуживание, деловое управление, рынки, общественное питание, обслуживание автотранспорта, отдых (рекреация), спорт, поля для гольфа или конных прогулок, легкая промышленность, энергетика, железнодорожный, автомобильный, водный и воздушный транспорт, обеспечение обороны и безопасности, земельные  участки (территории) общего пользования, производственная и специальная деятельность.

Содержание видов разрешенного использования, перечисленных в классификаторе, допускает размещение и эксплуатацию объектов мелиорации, антенно-мачтовых сооружений без отдельного указания их в классификаторе.\s]\s*)+

  • 214001000000 / Сельскохозяйственное использование
  • 214001001000 / Растениеводство
  • 214001001001 / Выращивание зерновых и иных сельскохозяйственных культур
  • 214001001002 / Овощеводство
  • 214001001003 / Выращивание тонизирующих, лекарственных, цветочных культур
  • 214001001004 / Садоводство
  • 214001001005 / Выращивание льна и конопли
  • 214001002000 / Животноводство
  • 214001002001 / Скотоводство
  • 214001002002 / Звероводство
  • 214001002003 / Птицеводство
  • 214001002004 / Свиноводство
  • 214001003000 / Пчеловодство
  • 214001004000 / Рыбоводство
  • 214001005000 / Научное обеспечение сельского хозяйства
  • 214001006000 / Хранение и переработка сельскохозяйственной продукции
  • 214001007000 / Ведение личного подсобного хозяйства на полевых участках
  • 214001008000 / Питомники
  • 214001009000 / Обеспечение сельскохозяйственного производства
  • 214002000000 / Жилая застройка
  • 214002001000 / Для индивидуального жилищного строительства
  • 214002001001 / Малоэтажная многоквартирная жилая застройка
  • 214002002000 / Для ведения личного подсобного хозяйства
  • 214002003000 / Блокированная жилая застройка
  • 214002004000 / Передвижное жилье
  • 214002005000 / Среднеэтажная жилая застройка
  • 214002006000 / Многоэтажная жилая застройка (высотная застройка)
  • 214002007000 / Обслуживание жилой застройки
  • 214002007001 / Объекты гаражного назначения
  • 214003000000 / Общественное использование объектов капитального строительства
  • 214003001000 / Коммунальное обслуживание
  • 214003002000 / Социальное обслуживание
  • 214003003000 / Бытовое обслуживание
  • 214003004000 / Здравоохранение
  • 214003004001 / Амбулаторно-поликлиническое обслуживание
  • 214003004002 / Стационарное медицинское обслуживание
  • 214003005000 / Образование и просвещение
  • 214003005001 / Дошкольное, начальное и среднее общее образование
  • 214003005002 / Среднее и высшее профессиональное образование
  • 214003006000 / Культурное развитие
  • 214003007000 / Религиозное использование
  • 214003008000 / Общественное управление
  • 214003009000 / Обеспечение научной деятельности
  • 214003009001 / Обеспечение деятельности в области гидрометеорологии и смежных с ней областях
  • 214003010000 / Ветеринарное обслуживание
  • 214003010001 / Амбулаторное ветеринарное обслуживание
  • 214003010002 / Приюты для животных
  • 214004000000 / Предпринимательство
  • 214004001000 / Деловое управление
  • 214004002000 / Объекты торговли (торговые центры, торгово-развлекательные центры (комплексы)
  • 214004003000 / Рынки
  • 214004004000 / Магазины
  • 214004005000 / Банковская и страховая деятельность
  • 214004006000 / Общественное питание
  • 214004007000 / Гостиничное обслуживание
  • 214004008000 / Развлечения
  • 214004009000 / Обслуживание автотранспорта
  • 214004009001 / Объекты придорожного сервиса
  • 214004010000 / Выставочно-ярмарочная деятельность
  • 214005000000 / Отдых (рекреация)
  • 214005001000 / Спорт
  • 214005002000 / Природно-познавательный туризм
  • 214005002001 / Туристическое обслуживание
  • 214005003000 / Охота и рыбалка
  • 214005004000 / Причалы для маломерных судов
  • 214005005000 / Поля для гольфа или конных прогулок
  • 214006000000 / Производственная деятельность
  • 214006001000 / Недропользование
  • 214006002000 / Тяжелая промышленность
  • 214006002001 / Автомобилестроительная промышленность
  • 214006003000 / Легкая промышленность
  • 214006003001 / Фармацевтическая промышленность
  • 214006004000 / Пищевая промышленность
  • 214006005000 / Нефтехимическая промышленность
  • 214006006000 / Строительная промышленность
  • 214006007000 / Энергетика
  • 214006007001 / Атомная энергетика
  • 214006008000 / Связь
  • 214006009000 / Склады
  • 214007000000 / Обеспечение космической деятельности
  • 214006011000 / Целлюлозно-бумажная промышленность
  • 214008000000 / Транспорт
  • 214008001000 / Железнодорожный транспорт
  • 214008002000 / Автомобильный транспорт
  • 214008003000 / Водный транспорт
  • 214008004000 / Воздушный транспорт
  • 214008005000 / Трубопроводный транспорт
  • 214009000000 / Обеспечение обороны и безопасности
  • 214010000000 / Обеспечение вооруженных сил
  • 214011000000 / Охрана Государственной границы Российской Федерации
  • 214012000000 / Обеспечение внутреннего правопорядка
  • 214013000000 / Обеспечение деятельности по исполнению наказаний
  • 214014000000 / Деятельность по особой охране и изучению природы
  • 214015000000 / Охрана природных территорий
  • 214016000000 / Курортная деятельность
  • 214016001000 / Санаторная деятельность
  • 214017000000 / Историко-культурная деятельность
  • 214018000000 / Использование лесов
  • 214018001000 / Заготовка древесины
  • 214018002000 / Лесные плантации
  • 214018003000 / Заготовка лесных ресурсов
  • 214018004000 / Резервные леса
  • 214019000000 / Водные объекты
  • 214020000000 / Общее пользование водными объектами
  • 214021000000 / Специальное пользование водными объектами
  • 214022000000 / Гидротехнические сооружения
  • 214023000000 / Земельные участки (территории) общего пользования
  • 214024000000 / Ритуальная деятельность
  • 214025000000 / Специальная деятельность
  • 214026000000 / Запас
  • 214027001000 / Ведение огородничества
  • 214027002000 / Ведение садоводства
  • 214027003000 / Ведение дачного хозяйства
  • 214099000000 / Сведения отсутствуют
  • Базовый тип: nonEmptyString

  • Подсказки при просмотре xml схемы:
    О — Обязательный элемент (заполнение обязательно, все остальные по необходимости)
    М — Множественный элемент (если обязательный (ОМ), то минимум используется 1 раз)
    У — Из соседних элементов нужно выбрать только один (если элемент необязательный, то можно не использовать)
    А — Xml атрибут элемента (выделен курсивом)
    Группа — объединение элементов в группе для применения условий: О или У (Обязателен, Условно-выбираемый), само название «Группа» не должна присутствовать в XML-файле
    + Также входят — элементы, которые так же входят в родительский элемент в зависимости от условий (У, О, М).

    Вы можете записать или переслать коллеге адрес выбранного узла: http://xmlblog.ru/uzly/389588/ Скопировать ссылку

    Классификация землепользования — обзор

    9.06.3.2.2 Автоматическая классификация землепользования на основе дистанционного зондирования

    Мы разработали полевой подход для классификации землепользования. Мы использовали границы налоговых участков округа Трэвис 2005 года (TCAD) в качестве границ полей для нашей классификации по полям. Преимущество использования границ налоговых участков заключается в том, что отдельные налоговые участки относительно малы и всегда содержат один и тот же тип землепользования. С другой стороны, методы сегментации изображений неспособны идентифицировать области однородного городского землепользования, а оцифровка вручную занимает слишком много времени, чтобы быть практическим подходом к разграничению однородных полей в городской среде.Тем не менее, основным ограничением границ налоговых участков является то, что они не охватывают улицы города. Таким образом, наша классификация землепользования сосредоточена только на классификации типов землепользования по налоговым участкам.

    Мы протестировали 15 атрибутов участков, включая 12 атрибутов внутри участков и три контекстных атрибута участков, в качестве дискриминантных факторов для классификации землепользования. Атрибуты внутри участка включают размер участка, компактность формы участка, количество зданий, максимальное / стандартное отклонение / общий процент площади застройки, максимальное / стандартное отклонение высоты здания, максимальное / стандартное отклонение компактности формы здания, непроницаемое покрытие процентное соотношение в участках и статистика полувариантности текстуры внутри участков.Контекстные атрибуты участков включают в себя наивысшую категорию улиц в пределах 50 м, относительную меру текстуры зданий в определенном районе и индекс сходства с прилегающими участками. Большинство атрибутов участков были получены путем наложения границ участков с дополнительными данными в ГИС. Наша гипотеза состоит в том, что эти атрибуты земельных участков связаны с типами землепользования, и наша цель состоит в том, чтобы проверить, насколько хорошо эти атрибуты земельных участков, в совокупности или по отдельности, характеризуют различные типы землепользования, используя подходы классификации изображений в дистанционном зондировании.По аэрофотоснимкам мы смогли наблюдать, что некоторые типы землепользования четко связаны с определенными атрибутами земельного участка. Например, земельные участки на одну семью обычно бывают небольшими, прямоугольными и с одним зданием внутри; на участках многоквартирного землепользования обычно есть много построек внутри участков; земельные участки под коммерческое использование, как правило, расположены недалеко от основных дорог.

    Чтобы вычислить параметр высоты здания, мы сначала оценили среднюю высоту этажа здания на основе данных о высоте, наложенных на контуры здания, на основе контуров зданий и центроидов.Затем мы вычли высоту этажа здания из высоты крыши здания (которая уже была доступна в данных о контурах здания), чтобы получить расчетную высоту здания. Мы рассчитали меры компактности формы зданий или участков, поделив площадь на квадрат периметра. Более изогнутая форма будет иметь меньшую компактность. На основе CFCC данных улиц (которые начинаются с числа от одного до четырех в зависимости от категории улицы) мы вычислили параметр категории улицы для участков с числом от одного до четырех на основе самого высокого уровня улицы в пределах 50-метрового буфера. посылок.Расстояние определялось субъективно с учетом общих размеров участков. Мы включили процентный параметр непроницаемого покрытия в наши критерии классификации землепользования, потому что в городе есть правила застройки участков, касающиеся максимального непроницаемого покрытия, разрешенного для определенных районов зонирования, и мы ожидали, что процентный показатель непроницаемого покрытия поможет охарактеризовать различные типы землепользования. Поскольку у нас нет дополнительных данных, которые определяют поверхность непроницаемого покрытия, мы вычислили процент непроницаемого покрытия участков на основе цифровых ортофотопланов CIR.В частности, мы сначала использовали неконтролируемый алгоритм классификации ISODATA, чтобы сгруппировать пиксели изображения в 10 классов на основе их трехполосных спектральных свойств. Затем мы выбрали, основываясь на визуальной интерпретации, три класса, наиболее близкие к поверхности проницаемого покрытия, и семь классов, наиболее близкие к поверхности непроницаемого покрытия. Наконец, процент непроницаемого покрытия отдельных участков был получен путем наложения карт классификации с границами участков в ГИС.

    Статистические данные полувариантности текстуры в пределах земельных участков использовались для обозначения спектральной неоднородности в определенном масштабе (запаздывании) в предположении, что разные типы землепользования имеют разную спектральную неоднородность.Поскольку полувариантность была рассчитана на основе только одной полосы значений пикселей изображения, у нас был выбор относительно того, какую из трех полос ортофотопланов CIR использовать. Поскольку мы понимаем, что инфракрасный диапазон более чувствителен к спектральной отражательной способности растительности, чем другие диапазоны, мы предположили, что инфракрасный диапазон более способен обнаруживать спектральные различия между растениями и искусственными структурами, которые имеют отношение к неоднородности ландшафта и, возможно, также виды землепользования. Поэтому мы использовали инфракрасный диапазон для расчета полувариантности.Кроме того, с учетом относительно небольшого размера участков для одной семьи, меры полувариантности с небольшими задержками были предпочтительны для статистической надежности. Мы рассчитали полувариантность при лаге четыре (длина 4 пикселя, приблизительно 2,4 м) в качестве статистики текстуры.

    Реляционная мера текстуры зданий была рассчитана как полувариантность от двоичного изображения здания, в котором пикселям зданий было присвоено значение, равное единице, а пикселям, не являющимся строительными, — значение нуля (Wu et al., 2008). Цель состоит в том, чтобы иметь меру текстуры для обозначения пространственного отношения между зданиями, на которое не влияет флуктуация спектральных значений пикселей, поскольку мы ожидали, что пространственные отношения между зданиями связаны с типами землепользования.Полувариантность рассчитывалась с запаздыванием, меньшим минимальной ширины здания, чтобы учесть разницу в размере здания между различными типами землепользования. Мы рассчитали полувариантность при лаге 12 (длина 12 пикселей, приблизительно 7,3 м) в качестве статистики текстуры. Чтобы рассчитать полувариантность для отдельных участков, необходимо определить расчетную окрестность. Принимая во внимание общие размеры участков и размеры зданий, 30-метровый буфер для каждого участка, за исключением участков без зданий внутри, использовался в качестве расчетной окрестности для участка.

    Индекс сходства с прилегающими земельными участками был включен в критерии классификации землепользования, поскольку мы заметили, что некоторые виды землепользования, особенно односемейное землепользование, имеют тенденцию группироваться вместе. Индекс был рассчитан путем сравнения атрибутов участков с атрибутами смежных участков. Несмотря на то, что существует множество атрибутов участков, мы рассчитали индекс только на основе стандартного отклонения площади застройки, поскольку предварительное исследование показало, что этот атрибут обеспечивает наибольшую разделимость между типами землепользования среди 12 атрибутов участков.Средняя процентная разница этого атрибута с прилегающими участками была рассчитана как индекс для участков.

    После того, как мы вывели 15 необходимых атрибутов участков для классификации землепользования, мы преобразовали векторные данные участков в многополосное изображение со значениями пикселей из значений атрибутов участков, чтобы мы могли использовать различные алгоритмы дистанционного зондирования для классификации участков на разные типы землепользования. Полученное изображение участка имеет 12 каналов, поскольку имеется 12 атрибутов участка.Мы выбрали точки обучающей выборки из отдельных типов землепользования пропорционально их соответствующему общему количеству участков вместо общей площади участков, поскольку площади участков не были полной поверхностью земли (поверхности дороги были исключены), и вместо этого нас интересует только количество записей об участках. сколько площадей участков правильно классифицируются на основе атрибутов участков. В нашей области исследования в общей сложности 33 025 участков. Чтобы выбрать учебные участки пропорционально из разных видов землепользования, мы сначала связали участки с наземным землепользованием, чтобы каждый участок имел информацию о своем наземном землепользовании.После этого мы случайным образом выбрали примерно половину участков в качестве учебных участков из каждого типа землепользования, а другую половину (тестовые участки) использовали для оценки точности. Всего у нас 16 506 обучающих посылок и 16 525 тестовых посылок. Затем мы использовали обучающие центроиды участков в качестве обучающих точек для классификации всего изображения участков. Поскольку многие атрибуты участков не имеют нормального распределения, некоторые обычно используемые параметрические классификаторы не подходят для использования, например, широко используемый классификатор максимального правдоподобия (MLC).Тем не менее, мы экспериментировали с множеством алгоритмов классификации, включая минимальное расстояние, параллелепипед, спектральный угловой преобразователь, расстояние Махаланобиса, двоичное кодирование, нейронную сеть и дерево решений, в дополнение к MLC. Классификатор дерева решений показал наилучшую точность классификации, поскольку классификатор не требует допущений относительно статистических свойств входных данных, а также способен обрабатывать как числовые, так и категориальные входные данные.

    Классификация земель Агентства парка Адирондак

    Процесс определения того, как применяются правила Агентства развития на частных землях начинается с изучения того, как земля засекречена.

    Что означает классификация?

    В Плане землепользования и развития парка Адирондак (APLUDP) все частные земли в парке подразделяются на шесть категорий, обозначенных цветом на карта плана парка: деревня (коричневый), умеренная интенсивность использования (красная), низкая интенсивность использование (оранжевый), сельское использование (желтый), управление ресурсами (зеленый) и промышленное использование использовать (фиолетовый).

    Классификация конкретной области зависит от таких факторов как:

    • существующие модели землепользования и роста населения;
    • физических ограничений, связанных с почвами, склонами и высотами;
    • уникальных объектов, таких как ущелья и водопады;
    • биологические соображения;
    • общественные соображения

    Предполагаемая цель системы классификации — направить рост в тех областях, где он может быть лучше всего поддержан, и свести к минимуму распространение развития в областях, менее подходящих для поддержания таких рост.

    Определения классификации частных земель

    Следующие классификация территорий землепользования
    APLUDP и общее описание их назначение:

    ГАМЛЕТ

    Это рост и сервис Центры Парка, где Агентство поощряет развитие.Умышленно, Агентство имеет очень ограниченное разрешение требования в деревнях. мероприятия требующие разрешения агентства возведение зданий или сооружений свыше 40 футов высотой, проекты, в которых задействовано больше более 100 лотов, участков или объектов, проектов с участием водно-болотных угодий, аэропортов, водоразделов управленческие проекты, а также некоторые расширения зданий и использования.Границы Гамлета обычно идут хорошо за пределами установленных поселений чтобы предоставить место для будущего расширения.

    УМЕРЕННАЯ ИНТЕНСИВНОСТЬ ИСПОЛЬЗОВАНИЯ

    Разрешено большинство видов использования; относительно концентрированная жилая застройка является наиболее подходящим.

    НИЗКАЯ ИНТЕНСИВНОСТЬ ИСПОЛЬЗОВАНИЯ

    Разрешено большинство видов использования; Жилой развитие с меньшей интенсивностью, чем деревня или умеренная интенсивность подходящее.

    ИСПОЛЬЗОВАНИЕ В СЕЛЬСКИХ УСЛОВИЯХ

    Разрешено большинство видов использования; бытовое использование и пониженная интенсивность развитие, сохраняющее сельский характер, Самый подходящий.

    УПРАВЛЕНИЕ РЕСУРСАМИ

    Большая часть девелоперских работ в области управления ресурсами будут требуется разрешение агентства; совместимый использование включает бытовое использование, сельское хозяйство, и лесное хозяйство.Особое внимание уделяется для защиты естественного открытого пространства характер этих земель.

    ПРОМЫШЛЕННОЕ ИСПОЛЬЗОВАНИЕ

    Здесь существуют промышленные применения или существовали, и области, которые могут быть подходит для будущего промышленного развития. Промышленное и коммерческое использование также разрешены на других участках землепользования классификации.

    Рекомендации по общей интенсивности

    Классификация земель в Законе APA предназначены для развития каналов в области, где это лучше всего поддерживается и контролировать общую плотность разработка. Хотя очень мало типов деятельность запрещена законом, некоторые виды деятельности запрещены в определенные участки землепользования.

    Установив лимиты на сумму строительство и подъездные дороги, клиринговые, вспомогательные службы и т. д. — Закон предполагает, что Парк будет сохранить свой естественный характер открытого пространства в то время как сообщества в парке продолжают расти экологически чувствительным образом. Общий интенсивность правила устанавливаются землепользованием классификация.Пока интенсивность руководящие принципы предписывают средние размеры партии для строительства они не минимальная партия размеры; разные минимальные размеры лота также установленный законом. Только земли, принадлежащие спонсору проекта, учитывается при применении интенсивности руководящие указания. Существующие или предлагаемые постройки на соседних землях не считать.

    Земельный участок

    Цвет на карте

    Ср.# Principal Bldgs. (за кв. милю)

    Ср. Площадь участка (акр)

    Гамлет

    коричневый

    без ограничений

    нет

    Использование средней интенсивности

    красный

    500

    1.3

    Использование низкой интенсивности

    оранжевый

    200

    3,2

    Использование в сельской местности

    желтый

    75

    8,5

    Управление ресурсами

    зеленый

    15

    42.7

    Промышленное использование

    фиолетовый

    без ограничений

    нет

    Для получения дополнительной информации о классификации территорий землепользования см. Стр. 2 Справочник по правилам землепользования в парке Адирондак (pdf 370kb).

    Как классифицируется моя земля?

    Для определения классификации территорий землепользования для физических лиц. земельный участок, нужно написать или позвонить офис агентства Adirondack Park.

    План землепользования и развития парка Адирондак Карта и штат Можно просмотреть сокращенную факсимильную карту генерального плана земли. онлайн здесь …

    Программы местного землепользования

    Закон об агентстве парка Адирондак разрешает любому местному правительству в пределах Парк разработает собственные местные программы землепользования, которые в случае утверждения Агентством, может передать некоторые разрешительные полномочия от Агентства к юрисдикции местного правительства.

    Города с утвержденными агентством программами местного землепользования
    Округ Эссекс: Chesterfield, Newcomb, Westport, Willsboro
    Округ Фултон: Caroga
    Округ Гамильтон: Ариетта, Индийское озеро,
    Округ Святого Лаврентия: Colton
    Округ Саратога: День, Эдинбург
    Округ Уоррен: Болтон, Честер, Джонсбург, Лейк-Джордж, Лейк-Джордж-Виллидж, Гаага, Хорикон, Куинсбери

    В этих городах землевладелец должен всегда консультироваться с местным жителем. администратор кода или офицер правоприменения, в дополнение к Adirondack Park Agency, в тех случаях, когда следующие указания и контрольные списки предполагают, что разрешение может потребоваться Адирондак Закон о парковом агентстве.

    Сводная таблица юрисдикции …

    Хотя мы не предлагаем начинать с этой диаграммы из-за ее сложности, сводка диаграммы Управления по землепользованию и развитию Агентства парка Адирондак и Subdivisions занимается вопросами юрисдикции в шести частных классификации площадей землепользования.

    Определения государственной классификации земель…

    Помимо частной земли, в парке Адирондак также есть государственные земли. Есть семь состояний классификации земель в Генеральный план земель государственного парка Адирондак.

    Метаданные: Обобщенное землепользование — исторические данные за 1984, 1990, 1997, 2000, 2005, 2010 и 2016 годы для муниципальной зоны городов-побратимов

    Категории землепользования, использовавшиеся до 2000 года, основывались на исходных категориях, установленных в 1962 году, и подлежали только незначительные изменения с годами (1966, 1975, 1984, 1990 и 1997 — ПРИМЕЧАНИЕ: 1962, 1966 и 1975 годы не в электронной форме).В 2000 году схема классификации существенно изменилась.

    КЛАССА ДЛЯ ЗЕМЛЕПОЛЬЗОВАНИЯ 1984, 1990 И 1997 ГОДОВ (LUSE1984, LUSE1990 и LUSE1997)

    LUSE1984, LUSE1990 и LUSE1997:
    Коды землепользования 1984, 1990 и 1997 годов (двухзначное целочисленное поле)
    00 = Нет данных (только для 1984 и 1990 гг.)
    01 = Жилой на одну семью
    02 = Многосемейный жилой дом
    03 = Коммерческий
    04 = Промышленное
    05 = общественное полуобщественное
    06 = Аэропорты
    07 = Парки и зоны отдыха
    08 = Вакантный / Сельскохозяйственный
    09 = Большое четырехполосное шоссе
    10 = Открытые водоемы
    11 = Усадьбы
    12 = Экстрактивный (только 1997)
    41 = Индустриальные парки не застроены
    51 = общественный и полуобщественный вакантный
    54 = Общественное Промышленное (только 1997)

    ПОДРОБНОЕ ОПИСАНИЕ:

    00 — Нет данных
    Внешняя граница семи уездных районов метро была иной для слоев землепользования 1984 и 1990 годов, чем для слоев 1997 и 2000 годов.В этом комбинированном наборе данных используется более точная граница 2000 года. По этой причине вокруг границы существует ряд небольших полосатых полигонов без значений землепользования с 1997 года и ранее.

    01 — Жилой на одну семью
    Включает все индивидуальные, отдельно стоящие дома для одной семьи (включая промышленные дома). В пределах MUSA (столичная городская зона обслуживания) и в жилых застройках за пределами MUSA линии участков, видимые на фотографиях, использовались для определения границ использования жилой земли.В тех случаях, когда жилые застройки были явно незавершенными, незастроенная территория классифицировалась как свободная. Для разрозненных сельских жилых районов за пределами MUSA только часть участков, используемых под жилые дома, была отнесена к категории жилых домов.

    02 — Многоквартирный жилой дом
    Включает все многоквартирные жилые единицы, такие как дуплексы, бунгало, дома-близнецы, таунхаусы, четырехместные дома и жилые комплексы. Также включены здания, которые в основном представляют собой квартиры, в которых есть несколько групповых столовых (однако, не те здания, которые соответствуют определению переписи «групповых кварталов», например, общежития, дома престарелых или медицинские учреждения).

    03 — Коммерческая
    Включает все розничные продажи, услуги, отели и мотели, медицинские учреждения (например, медицинские и стоматологические клиники, офисы и медицинские лаборатории, но не больницы и дома престарелых) и развлекательные услуги, которые преимущественно находятся в частной собственности и используются для получения прибыли (например, театры, боулинг, конные ранчо) кроме полей для гольфа. Больницы и дома престарелых включены в категорию «Общественные и полуобщественные», а поля для гольфа — в класс «Парки и зоны отдыха».Для крупных торговых центров показаны только реально развитые районы. Это сделано для того, чтобы с годами можно было показать новые разработки (например, рестораны или заправочные станции на дорогах по периметру).

    04 — Промышленное
    Включает коды с 14 по 50 Федеральной стандартной отраслевой классификации (SIC). Это включает производство, транспорт, строительство, связь, коммунальные услуги и оптовую торговлю. В категорию «Промышленные» также включены некоторые виды использования земель для садоводства (например,грамм. большие теплицы, не продающиеся в свет). С 1997 года гравийные карьеры и карьеры были отнесены к новой категории под названием «Добывающая промышленность», а все находящиеся в государственной собственности территории, которые преимущественно носят промышленный характер, были помещены в новую категорию под названием «Общественное промышленное производство».

    05 — общественное полуобщественное
    Включает земли под и прилегающей к школам (государственным и частным), больницам, церквям, кладбищам, ледовым аренам и всем объектам местных, государственных и федеральных органов власти, включая дома для выздоравливающих, психиатрические учреждения и пенитенциарные учреждения, находящиеся в ведении правительства любого уровня.Все земли в границах этих учреждений и объектов включены в эту категорию. Однако в некоторых случаях неиспользуемые земли были включены в категорию «общественных и полуобщественных свободных мест» (например, собственность Университета Миннесоты в Роузмаунте или часть земель, прилегающих к дому ветеранов Миннесоты в Гастингсе).

    06 — Аэропорты
    Все типы аэропортов.

    07 — Парки и зоны отдыха
    Включает все парки (городские, региональные и государственные), заповедники дикой природы, детские площадки, зоопарки, оружейные клубы, поля для гольфа и аналогичные территории (включая зоны управления дикой природой DNR, а также научные и природные территории).Парки очерчены с использованием их фактических границ, взятых непосредственно из комплексных планов, карт парков или данных земельных участков.

    08 — Свободно / С / х
    Включает земли, идентифицируемые по аэрофотоснимкам как открытые и используемые в сельском хозяйстве, другие виды использования без зданий или неиспользуемые земли. Обратите внимание на то, что специальные земли для садоводства используются в закрытых помещениях (выращивание питомников, цветов, семян, дерна и пищевых культур в больших теплицах, которые не продаются населению; а также большие скопления сельскохозяйственных построек (например.g., сараи, навесы и силосы)) включены в категорию «Промышленные», где их можно выделить. В тех случаях, когда жилищное использование находится на больших участках, категория использования земли под жилую застройку включает только дом и скошенную часть земельного участка, а остальные помещаются в эту категорию вакантных и сельскохозяйственных земель.

    09 — Большое четырехполосное шоссе
    Включает только основные автомагистрали между штатами и 4-полосные автомагистрали с полосой отвода 200 футов или более. Также в 1997 году были включены все 4-полосные дороги с обозначением функционального класса муниципального совета «Главная магистраль».’

    10 — Открытые водоемы
    Включает озера размером более 5 акров и реки шириной более 200 футов.

    11 — Усадьбы
    Включает только ту часть земли, которая окружает постройки усадьбы.

    12 — Добыча
    Новая категория в 1997 году. Включает все гравийные карьеры и карьеры.

    41 — Индустриальные парки не застроены
    Земельные участки в обозначенном (названном) индустриальном парке, но не застроенном.

    51 — Вакантное общественное и полуобщественное место
    Земельный участок, принадлежащий правительству или университету, который не застроен (например, часть арсенала в Арден-Хиллз или собственность университета в Роузмаунте).

    54 — Общественное Промышленное
    Новая категория в 1997 году. Включает все находящиеся в государственной собственности территории, которые преимущественно являются промышленными (например, очистные сооружения сточных вод, гаражи для городских автобусов и зоны складирования песка и соли Департамента транспорта). В прошлом некоторые из них кодировались как промышленные, а другие — как общедоступные.

    КЛАССА ДЛЯ ЗЕМЛЕПОЛЬЗОВАНИЯ 2000, 2005, 2010 и 2016 (LUSE2000, LUSE2005, LUSE2010 & LUSE2016)

    LUSE2000, LUSE2005, LUSE2010 и LUSE2016:
    Коды землепользования 2000 и 2005 гг. (Трехзначное текстовое поле).
    100 = Сельское хозяйство
    111 = Усадьба
    112 = Сезонный / Отпуск
    113 = Отдельная одна семья
    114 = одна семья прикреплена
    115 = Многосемейный
    116 = Промышленные жилые парки
    120 = Розничная и прочая коммерческая деятельность
    130 = Офис
    141 = Жилой смешанного использования
    142 = Промышленное смешанное использование
    143 = Коммерческое и другое смешанное использование
    151 = Промышленное и коммунальное хозяйство
    153 = Добыча
    160 = институциональные
    170 = Парк, Отдых или Заповедник
    173 = Поле для гольфа
    201 = Большое шоссе
    202 = Железная дорога
    203 = Аэропорт
    210 = Незавершенный
    220 = Вода

    ПОДРОБНОЕ ОПИСАНИЕ (ПРИМЕЧАНИЕ: не в числовом порядке):

    ОДНОСЕМЕЙНЫЙ ЖИЛОЙ
    Земля, используемая исключительно для проживания и состоящая из одной жилой единицы.Включает следующие четыре кода:

    111 — УСАДЬБА
    Земля, на которой расположен жилой дом на одну семью и прилегающие постройки фермы. Связанные постройки фермы могут включать в себя постройки, используемые для животноводства (сараи, курятники, зернохранилища и т. Д.), А также вспомогательное использование, при условии, что такое вспомогательное использование является второстепенным для сельскохозяйственной деятельности.

    112 — СЕЗОН / ОТПУСК
    Земля, соответствующая общему определению односемейного жилого дома, содержащего жилую единицу, которая используется сезонно или используется в качестве недвижимости для отдыха.

    113 — ОТДЕЛЕНИЕ ОДНОЙ СЕМЬИ
    Земля, соответствующая общему определению жилого дома на одну семью и отделенная от любой другой жилой единицы (т. Е. С открытым пространством со всех четырех сторон, включает отдельно стоящие городские дома).

    116 — ПРОИЗВОДСТВЕННЫЙ ЖИЛИЩНЫЙ ПАРК
    Земля, соответствующая общему определению односемейного, отдельно стоящего жилья и предназначенная для размещения многоквартирных жилых домов. Примечание: эта классификация НЕ используется для индивидуального промышленного дома.

    МНОЖЕСТВЕННЫЙ ЖИЛОЙ
    Земля, используемая исключительно для жилых многоквартирных домов, состоящих из одного или нескольких зданий. Включает следующие два кода:

    114 — ПРИСОЕДИНЕНИЕ ОДНОЙ СЕМЬИ
    Земельный участок, отвечающий общему определению многоквартирного жилого дома, состоящего из двух или более пристроенных жилых единиц (с общей стеной, каждая с первичным выходом первого этажа наружу, независимо от количества квартир или размера. Пример: пристроенный таунхаус, двухместное бунгало, триплекс, и т.п.

    115 — МНОЖЕСТВЕННО
    Земельный участок, отвечающий общему определению многоквартирного жилого дома, состоящего из двух или более пристроенных жилых единиц, одна или несколько из которых не имеют первичного выхода на цокольный этаж наружу. Пример: многоквартирные дома, кондоминиумы или дома для престарелых — с минимальными удобствами для проживания — с главным входом для всех жителей.

    Примечание: там, где невозможно было провести различие между этими двумя категориями на основе данных аэрофотосъемки и данных оценщиков, следующим критерием для дифференциации было количество единиц.Если неотличимый участок содержал от двух до четырех единиц, он кодировался как односемейный прикрепленный. Если в нем было 5 или более единиц, он кодировался как Multifamily. Если количество единиц также не было доступно, то окончательное различие проводилось с помощью теста типа дома. Если он выглядел как дом с фотографии (например, большой дом, разделенный на квартиры), он классифицировался как односемейный, в противном случае — многосемейный.

    КОММЕРЧЕСКИЙ
    Включает следующие два кода:

    120 — РОЗНИЧНАЯ И ДРУГАЯ КОММЕРЧЕСКАЯ ИНФОРМАЦИЯ
    Земля, используемая для предоставления товаров или услуг.Эта категория предназначена для общих продаж и услуг, которые составляют подавляющее большинство предприятий, обычно связанных с коммерческим использованием земли. Эта категория используется по умолчанию для коммерческого / розничного землепользования. Пример: магазин, ресторан, гостиница, банк, Metrodome, Excel Center — большие коммерческие стадионы или арены, мини-склады, Canterbury Downs, YMCA, сезонные автодомы, American Legion, благотворительные магазины (например, Goodwill, Salvation Army и т. Д.) клюшки для стрельбы по тарелочкам и стрельбище на открытом воздухе (большие игровые / стрелковые клубы (более 80 акров) должны принадлежать парку, зоне отдыха или заповеднику).

    130 — ОФИС
    Земля, используемая преимущественно для административных, профессиональных или канцелярских услуг. Примеры: юридические бюро, бухгалтерские фирмы, клиники (но не больницы), ветеринарные клиники или больницы.

    СМЕШАННОЕ ИСПОЛЬЗОВАНИЕ
    Земельный участок, на котором находится здание смешанного назначения. Включает следующие три кода:

    141 — ЖИЛОЙ СМЕШАННЫЙ ИСПОЛЬЗОВАНИЕ
    Земля, на которой находится здание многократного использования в сочетании как минимум с жилой единицей (ями).Примеры: Galtier Plaza в Сент-Поле, семейная пекарня с жилым пространством над ней.

    142 — ПРОМЫШЛЕННОЕ ИСПОЛЬЗОВАНИЕ СМЕШАННОГО ПРИМЕНЕНИЯ
    Земля, на которой находится здание многократного использования в сочетании с промышленным использованием и БЕЗ жилых единиц. Примером может служить здание со складом, офисами и магазинами.

    143 — КОММЕРЧЕСКАЯ И ДРУГАЯ ИНФОРМАЦИЯ СМЕШАННОГО ПРИМЕНЕНИЯ
    Земля, на которой находится здание многократного использования, но БЕЗ жилых единиц или промышленного использования.Примером может служить здание с коммерческими магазинами, детским учреждением, офисами и / или ресторанами. В центральных районах обычно есть здания, где первый и / или второй этаж являются коммерческими, а остальные — офисными (например, Lawson Software Building), эти типы зданий будут отнесены к этой категории.

    ПРОМЫШЛЕННЫЙ
    Включает следующие два кода:

    151 — ПРОМЫШЛЕННО-КОММУНАЛЬНЫЙ
    Земля, на которой расположены производственные, транспортные, строительные компании, средства связи, коммунальные услуги (включая водонапорные башни) или оптовая торговля.В эту категорию входят промышленные земли, находящиеся в государственной собственности (например, очистные сооружения для сточных вод, склады (включая коммерческие склады), автомобильные склады и некоторые виды специального садоводства (большие теплицы, которые не продаются населению).

    153 — ЭКСТРАКТИВНЫЙ
    Земля, содержащая добывающую промышленность (например, гравийные карьеры и карьеры).

    160 — ИНСТИТУЦИОНАЛЬНЫЙ
    Земля, используемая в основном для религиозных, государственных, образовательных, социальных, культурных или крупных медицинских учреждений — пациенты с ночевкой (например, больницы, школы, места отправления культа, кладбища, ратуши, музеи, а также ярмарочные площади округов и штатов).

    ПРИМЕЧАНИЕ: Вся земля должна классифицироваться на основе использования, а НЕ собственности! Если земля принадлежит церкви, но выглядит как односемейное, отдельно стоящее жилье, скажем, для священника или духовенства, тогда землепользование должно быть односемейным, отдельно стоящим жилым, НЕ институциональным.
    Институциональная категория включает все земли, находящиеся в государственной собственности, которые явно не относятся к какой-либо другой категории (например, не под офисы, парки, промышленные объекты и т. Д.). Клиники и медицинские учреждения, в которых проводятся только амбулаторные процедуры, будут классифицироваться как офисные, а не институциональные.

    ПАРК И ОТДЫХ
    Включает следующие два кода:

    170 — ПАРК, ОТДЫХ ИЛИ ЗАПОВЕДНИК
    Земля, используемая для парков и мест отдыха (Например: площадки для игры в мяч на уровне сообществ, региональные или небольшие городские парки — общественные или частные, детские площадки, зоны отдыха и другие места — в помещении или на открытом воздухе — для спортивных мероприятий или подобных целей). Также включает в себя использование пассивной деятельности, например, парковые заповедники, заповедники, зоны обитания, общественные площади, речные прогулки, земли, принадлежащие ДНР, зеленые дорожки и другие государственные или частные охраняемые земли.

    173 — КУРС ДЛЯ ГОЛЬФА
    Земля, используемая для игры в гольф, включая тренировочное поле и тренировочные площадки, и в большинстве случаев включает всю землю, принадлежащую загородному клубу, если преобладающим использованием земли является поле для гольфа.

    ТРАНСПОРТИРОВКА
    Включает следующие три кода:

    201 — АВТОМОБИЛЬНАЯ МАГИСТРАЛЬ
    Основные полосы проезжей части земли или территории, на которой существует право проезда транспортных средств при следующих условиях: все межгосударственные автомагистрали; все 4-полосные автомагистрали с шириной полосы отвода 200 футов или более; или все 4-полосные дороги с обозначением функционального класса Столичного совета «Главная магистраль».

    ПРИМЕЧАНИЕ. Если вдоль проезжей части для транспортных средств существуют близко выровненные передние дороги, отвечающие вышеуказанным критериям, эти передние дороги будут включены в общую полосу отвода. Кроме того, землепользование в пределах полосы отвода от основной автомагистрали, как указано выше, но явно имеет другое использование (например, сельское хозяйство — пропашные культуры), следует классифицировать по фактическому использованию. Кроме того, для единообразия, если некоторые основные дороги, которые не соответствуют указанным выше критериям, еще были классифицированы как основные магистрали в прошлом наборе данных о землепользовании, они останутся основными магистралями.

    202 — ЖЕЛЕЗНАЯ ДОРОГА
    Земля, используемая и занятая или предназначенная для использования под многоколейные железнодорожные линии или аналогичное использование, включая классификацию железных дорог, складские и ремонтные площадки, интермодальные контейнерные грузовые и перегрузочные объекты, депо и т. Д., Которые могут быть отнесены к промышленному землепользованию.

    203 — АЭРОПОРТ
    Земля, используемая для эксплуатации самолетов и любых связанных с этим видов использования на территории аэропорта (например, парковка или аренда автомобилей). Такие виды использования, как поля для игры в мяч на территории аэропорта, не будут включены в эту категорию.

    100 — СЕЛЬСКОЕ ХОЗЯЙСТВО
    Земля сельскохозяйственного назначения. Включает заметное земледелие (например, обработка почвы или посевные ряды) садоводство, цветоводство (экзотические цветы), виноградарство (виноград), пастбища и широкий спектр другой сельскохозяйственной деятельности (например: содержание и обучение лошадей, питомники, дерновые фермы, деревья фермы, производство и переработка рыбы, складские помещения или строения). Сельскохозяйственные постройки (включая откормочные площадки), не являющиеся частью усадьбы (см. Определение ниже), включены в эту категорию.Примечание. Не все сельскохозяйственные угодья можно различить на основе имеющихся данных (аэрофотосъемка и данные оценщиков). Таким образом, значительная часть земель сельскохозяйственного назначения может быть отнесена к категории Незастроенных. Раньше большие откормочные площадки относились к категории промышленных.

    210 — В РАЗРАБОТКЕ
    Земля, которая в настоящее время не используется для каких-либо определенных целей, которая может содержать или не содержать здания или другие сооружения или не имеет видимого использования на основании аэрофотоснимков или доступных данных.К неосвоенным могут относиться незащищенные водно-болотные угодья или земли, находящиеся в настоящее время в разработке.

    220 — ВОДА
    Открытая вода или проточная водная артерия, в том числе в пределах заметной береговой линии. Обычно сюда не входят заболоченные земли или периодически затопляемые территории. Как правило, следует разграничивать только участки размером три акра или больше. Области, которые можно определить как другой тип землепользования, не будут отображаться как в категории «Вода» (например, главный автомобильный мост через реку и пристань для яхт).

    Карты землепользования и покрытия штата Мату-Гросу в Бразилии с 2001 по 2017 год

    В этом разделе мы подробно описываем наш подход к созданию карт землепользования и покрытия штата Мату-Гросу.Основные этапы показаны на рис. 2.

    Рис. 2

    Диаграмма, изображающая наши методы.

    Входные данные

    Мы основывали нашу работу на кубе данных наблюдения Земли, используя данные, хранящиеся в облачном сервисе (Amazon Web Services), по которому мы проводили классификацию. Входные данные представляют собой набор изображений MOD13Q1 из коллекции 6, предоставленных NASA / LPDAAC с 1 сентября 2000 г. по 31 августа 2017 г., охватывающих штат Мату-Гросу. Изображения MOD13Q1 доступны каждые 16 дней с пространственным разрешением 250 метров в синусоидальной проекции 9 .Для нашего анализа мы использовали нормализованный разностный вегетационный индекс (NDVI), улучшенный вегетационный индекс (EVI), атрибуты в ближнем инфракрасном (NIR) и среднем инфракрасном (MIR) диапазоне.

    Набор данных образцов содержит 2115 образцов, содержащих долготу, широту, дату начала, дату окончания и метку. Мы определили девять классов землепользования и покрова: (1) лес, (2) серрадо, (3) пастбище, (4) соевый пар (единичная культура), (5) паровой хлопок (единичная культура), (6) соя. -хлопок (двойной урожай), (7) соя-кукуруза (двойной урожай), (8) соя-просо (двойной урожай) и (9) соя-подсолнечник (двойной урожай).Наши образцы варьируются от 2000 до 2015, и все образцы доступны в репозитории PANGEA 10 . Данные о сельскохозяйственных культурах и пастбищах были собраны посредством полевых наблюдений и интервью с фермерами, предоставленными 7,11 . Образцы серрадо и леса были получены в результате полевых исследований и изображений с высоким разрешением. Образцы почвы для сои-пара были предоставлены в ходе полевых работ на основе предыдущей работы 5 . Классы показаны в таблице 1.

    Таблица 1 Примеры, использованные для обучения модели классификации.

    Мы получили данные временных рядов для 2115 выборок из веб-службы временных рядов (WTSS) 12 , пакета R, доступного на CRAN (https://CRAN.R-project.org/package=wtss). Каждая выборка соответствует одному году наблюдений, который включает 23 значения MOD13Q1 на полосу.

    Временные структуры образцов грунта (таблица 1) с использованием диапазонов NDVI, EVI, NIR и MIR можно увидеть на рисунке 3, на котором используется обобщенная аддитивная модель для оценки совместного распределения набора данных образцов для каждого класс 13 .

    Рис. 3

    Временные структуры диапазонов NDVI, EVI, NIR и MIR для классов землепользования и покрова. Шаблоны получены с использованием обобщенной аддитивной модели на временных рядах набора данных выборки. Источник 8 .

    Предварительная обработка для контроля качества выборки

    Одной из ключевых проблем при использовании выборок для обучения моделей классификации машинного обучения является оценка их качества. Шумные и несовершенные обучающие выборки могут отрицательно сказаться на производительности классификации 14 .Поэтому полезно применять методы предварительной обработки, чтобы улучшить качество образцов и удалить те, которые могли быть неправильно маркированы или которые имеют низкую дискриминационную способность. В этой работе мы применили метод кластеризации на основе нейронной сети самоорганизующихся карт (SOM) для проверки качества выборки.

    Самоорганизующиеся карты — это метод уменьшения размерности 15 . Данные высокой размерности отображаются в двух измерениях, сохраняя топологические отношения между шаблонами данных.Это позволяет пользователям визуализировать и оценивать структуру входного набора данных. Для контроля качества обучающих данных мы использовали метод кластеризации SOM, входом которого является набор данных выборок временных рядов. Выходной слой состоит из двухмерной сетки нейронов, каждый из которых связан с весовым вектором той же размерности, что и входное пространство.

    В алгоритме SOM двумерная сетка нейронов инициализируется случайным образом. Затем для каждой выборки временного ряда алгоритм находит нейрон с наименьшим расстоянием до образца на основе его весового вектора.После совпадения вектор веса нейрона и его соседей обновляются. После того, как все обучающие выборки связаны с нейронами, каждый нейрон маркируется большинством голосов, выбирая наиболее часто встречающийся класс из связанных с ним выборок. Таким образом, SOM разбивает пространство вывода на регионы. Ожидается, что образцы каждого класса хорошего качества будут близко друг к другу на итоговой карте.

    Для повышения надежности процедур контроля качества ЗВОС проводился несколько раз.Используя эту итеративную процедуру, мы вычислили вероятность принадлежности каждой выборки результирующим кластерам. Исходя из этих вероятностей, мы проанализировали разделимость образцов с аналогичными фенологическими образцами и решили, какие образцы следует отбросить. Это позволяет использовать SOM для обнаружения и удаления выбросов. В таблице 2 показано, как работает этот метод. Он содержит три образца пастбища, обозначенных от 1 до 3. Для образца 1 его исходная и кластерная этикетка совпадала в 100% случаев. Для образца 2 совпали только 52% исходных меток и меток кластера.Наконец, образец 3 соответствовал только 5% оригинальной этикетки. Мы определяем хорошие образцы как те, которые соответствуют как минимум в 80% случаев. Таким образом, в этом примере образцы 2 и 3 были удалены из набора данных.

    Таблица 2 Надежность трех выборок пастбищ, обозначенных как 1, 2 и 3.

    Для выборок Мату-Гроссо кластеризация на основе SOM сократила обучающий набор данных на 10,5%, с 2115 до 1892 записей. Этот отфильтрованный набор данных затем использовался для обучения модели классификации.

    Классификация временных рядов изображений

    Для создания наших карт мы использовали вспомогательную векторную машину (SVM) в качестве модели классификации.Учитывая многомерный набор данных, SVM находит оптимальную гиперплоскость разделения, которая сводит к минимуму ошибки классификации 16 . Для данных, которые нельзя разделить линейно, SVM включает функции ядра, которые отображают исходное пространство признаков в пространство более высоких измерений, обеспечивая нелинейные границы исходного пространства признаков. SVM — один из наиболее широко используемых алгоритмов в приложениях машинного обучения, который широко применяется для классификации данных дистанционного зондирования 17 .

    В недавнем обзоре методов машинного обучения для классификации данных дистанционного зондирования 18 авторы отмечают, что многие факторы влияют на производительность этих классификаторов, включая размер и качество набора обучающих данных, размер пространства признаков и выбор параметров.Предыдущие эксперименты авторов с данными Mato Grosso показали, что классификатор SVM имеет лучшую производительность, чем другие методы машинного обучения, такие как случайный лес для данных временных рядов MOD13Q1 8 .

    Для обучения SVM мы использовали 92-мерное пространство признаков, содержащее четыре временных ряда для каждого пикселя. Каждый временной ряд содержит 23 отсчета одного из диапазонов MOD13Q1 NIR, MIR, EVI и NDVI. Набор данных из 1892 помеченных и контролируемых по качеству временных рядов использовался для обучения модели SVM с использованием функции ядра с радиальным базисом (RBF) со стоимостью \ (C = 1 \) и γ = 1/92 19 .Мы выбрали эти параметры на основе 5-кратного перекрестного теста. Параметр C — это стоимость, используемая в качестве параметра сглаживания границ гиперплоскости, а γ — это параметр нормализации расстояния, используемый в ядре RBF. Мы использовали пакет Sits R для обучения SVM и классификации всех тайлов Mato Grosso MOD13Q1, хранящихся в сервисе AWS S3.

    Локальное сглаживание байесовской фильтрацией

    Одним из хорошо зарекомендовавших себя методов анализа изображений дистанционного зондирования является комбинирование методов классификации на основе пикселей с методом пространственной постобработки для удаления выбросов и неверно классифицированных пикселей.Предлагаемые в литературе методы включают модальные фильтры 20 и вероятностную релаксацию 21 . Наш метод использует байесовское сглаживание для переклассификации пикселей.

    Обычно методы машинного обучения присваивают каждому пикселю вероятности класса. Большинство приложений, использующих этот подход, выбирают наиболее вероятный класс из выходных данных классификатора в качестве категориального результата для каждого пикселя. Предлагаемый метод использует вероятности всех классов пикселей для вычисления результирующей достоверности.Когда величина расхождений между вероятностями пикселей высока, у нас больше уверенности в классификации. В противном случае, когда вероятности имеют одинаковые величины, у нас низкая уверенность. Это типичная ситуация с границами и смешанными пикселями.

    Чтобы изменить пиксели с низкой достоверностью, мы следовали хорошо зарекомендовавшим себя методам байесовского сглаживания 22 : заимствовать силу у соседей, чтобы уменьшить дисперсию оцениваемого класса для каждого пикселя. Основное обоснование состоит в том, чтобы использовать байесовский вывод с учетом среднего значения и дисперсии соседей пикселя для вычисления апостериорных байесовских вероятностей, а затем повторно оценить наиболее вероятный класс для пикселя.{2} = 10 \) для всех классов, показавших наилучшие характеристики при техническом освидетельствовании. Кроме того, мы использовали правило единого соседства, когда все пиксели с расстоянием Чебышева равнялись единице, что аналогично рассмотрению окна 3 × 3 вокруг пикселя.

    Постобработка: маски и расчет изменений в землепользовании

    Три класса земного покрова, не включенные в обучающий набор данных, были введены в виде масок на всех выходных картах: сахарный тростник, водные ресурсы и городские районы. Маска сахарного тростника с 2003 по 2016 год взята из проекта Canasat 23 , который отображает области сахарного тростника в южно-центральном регионе Бразилии с использованием изображений LANDSAT 24 .Водная маска поступила от 25 , которые использовали три миллиона спутниковых изображений LANDSAT для количественной оценки изменений в глобальных поверхностных водах за последние 32 года (с 1984 по 2015 год). Наконец, маска городской зоны была предоставлена ​​по номеру 26 .

    Для подготовки базовой карты (2001 год) мы рассмотрели возможность использования проекта мониторинга обезлесения (PRODES) Amazon (http://www.obt.inpe.br/prodes/) и PRODES Cerrado (http: //www.obt .inpe.br / cerrado /), подготовленные Бразильским национальным институтом космических исследований (INPE).Мы использовали наборы данных PRODES, чтобы добиться большей согласованности в нашей базовой карте, поскольку наш метод классификации не учитывает предшествующие траектории земного покрова до 2001 года. Эти наборы данных являются официальной бразильской статистикой по обезлесению 27 . В таблице 3 перечислены правила, применяемые к базовой карте с использованием этих наборов данных. Мы применили каждое правило, сравнивая соответствующие пиксели двух карт. Мы обозначаем \ ({{\ rm {M}}} _ {i} \), \ ({{\ rm {A}}} _ {i} \) и \ ({{\ rm {C}}} _ {i} \) как классы пикселей \ (i \) классификации Mato Grosso, карты PRODES Amazon и PRODES Cerrado соответственно.Результатом каждого правила является новый класс для \ ({{\ rm {M}}} _ {i} \), описанный в правом столбце.

    Таблица 3 Правила, применяемые на базовой карте (2001 год).

    Поскольку наш метод создает карты независимо, результаты могут иметь временные несоответствия. Например, участок естественного леса, который был вырублен за один год, может снова превратиться в лес после того, как был заброшен. В этом случае полезно отличать девственный лес от вторичной растительности, которая в более поздние годы также классифицируется как лес.Другой пример — это случай, когда пиксель, классифицированный как лес в один год, классифицируется как cerrado в другом году, что представляет собой невозможный переход. Чтобы справиться с этими несоответствиями, мы использовали Исчисление изменений в землепользовании (LUC Calculus) 28 по всем составленным картам в качестве набора траекторий землепользования с 2001 по 2017 год, используя 2001 год в качестве контрольной даты.

    Таблица 4 выражает набор правил, которые описывают, когда определенный класс будет заменен другим с использованием LUC Calculus.Мы рассмотрели четыре класса: лес (F), серрадо (C), пастбище (P) и соя (S) (любой класс с соей). Правила применялись последовательно, чтобы обеспечить согласованность во времени между классами на протяжении многих лет. Выражения показывают, что траектории слева от ‘→’ обновляются до классов справа. Обновленные классы выделены символом «*». Все правила предполагают 2001 год в качестве базовой карты. Правила девять и десять создают новый класс вторичной растительности (SV). Этот класс представляет собой обезлесенные территории, которые после заброшенности превратились в вторичный лес.

    Таблица 4 Правила, применяемые во все классифицированные годы.

    На рис. 4 показан пример применения постобработки. Он показывает разные результаты для муниципалитета Синоп в 2016 году. На рис. 4- (1) показана исходная карта выходных данных SVM после применения масок с водой, сахарным тростником и городских улиц. На рис. 4- (2) показан результат после байесовского сглаживания исходной классификации. Наконец, на рис. 4- (3) показана карта выходных данных после расчета LUC. Эта последняя карта — единственная, на которой указаны участки вторичной растительности.

    Рис. 4

    Классификация SVM муниципалитета Синоп в 2016 году. (1) Оригинальная карта с масками; (2) исходная карта с байесовским сглаживанием и масками; (3) окончательная карта после применения исчисления LUC и масок.

    Классификация землепользования зоны планирования | Округ Марипоса, Калифорния

    Ниже приведены выдержки из Тома I Генерального плана графства Марипоса. Полный текст можно найти в Разделе 3 мая 2001 г., озаглавленном КЛАССИФИКАЦИЯ ЗЕМЕЛЬНОГО ИСПОЛЬЗОВАНИЯ ПЛОЩАДЕЙ ПЛАНИРОВАНИЯ, Том I Генерального плана, который можно найти на этот сайт.

    Цель

    Генеральный план создает классификацию землепользования «площадь планирования». Области планирования определяют «города», «общины» и «особые» области планирования. Планировка территорий осуществляется планами территорий, утвержденными Наблюдательным советом. «Планы территорий» — это мини-общие планы, принятые для удовлетворения потребностей каждого города, общины или однозначно определенного района округа.

    В городах Марипоса, Коултервилль, Фиш Кэмп и Вавона были приняты «планы городских территорий».«Долина Кэтис приняла« план сообщества ». Эти планы останутся в силе и будут включены в Том II Генерального плана в качестве территориальных планов сообщества, хотя могут потребоваться модификации или обновления, чтобы рассмотреть Планирование зон исследования, прилегающих к сообществам или адресовать новую политику. Для Марипосы и Коултервилля название плана изменилось с «конкретный план» на «городской план». Для Рыбного лагеря и Вавоны название плана осталось «конкретным планом городской планировки». изменить, и стал «планом сообщества» в декабре 2012 года.

    Градостроительные районы представляют собой центры сельского «городского» развития округа. Районы градостроительства специально определены как районы в округе, где политика требует широкого и всестороннего сочетания землепользования и зонирования. Смесь типов и стилей жилья для всех экономических сегментов округа распределяется по всем районам городского планирования.

    Районы планирования сообщества или специальные районы планирования представляют собой отдельные подходы к политике. Характер и ценности зоны планирования обычно основываются на характере классификаций землепользования Генерального плана, в котором она расположена.На политическом уровне планы территорий разрабатываются специально для отражения общественных ценностей.

    Степень использования

    Утвержденный план местности устанавливает масштабы землепользования для каждой классификации землепользования в этой зоне планирования. Как правило, территориальные планы включают классификацию жилого, коммерческого, промышленного, общественного и другого землепользования. Однако, в зависимости от руководящих принципов территориального плана, не все классификации могут быть включены.

    Региональные планы могут быть более строгими, чем политики Генерального плана, если они соответствуют политикам Генерального плана; однако они не могут быть менее строгими, чем Генеральный план, или несовместимы с Генеральным планом.

    Типы территорий застройки


    Зона планирования города:
    Все жилые, коммерческие, промышленные, рабочие места, места отдыха и общественные цели, как определено в Генеральном плане, соответствуют назначению зоны городского планирования.

    Зона планирования сообщества: Жилые дома на одну семью, коммерческие сельские районы, зоны отдыха / курорты, малый бизнес и общественные виды землепользования соответствуют целям зоны планирования сообщества. Многосемейное жилищное использование с более чем двумя пристроенными жилыми единицами на структуру не является постоянным жилищным использованием в пределах зоны планирования сообщества; Допускается использование в коммерческих / жилых помещениях.

    Зона особого планирования: Некоторые небольшие районы округа не сталкиваются с полным набором проблем, требующих полномасштабного плана города или плана сообщества. Целью специального плана является решение конкретных вопросов местного значения для территории планирования. Последовательное использование будет определено в специальном плане. Специальные планы могут использоваться в городском плане или плане сообщества для решения более конкретных вопросов.

    Утверждение территориальных планов

    Наблюдательный совет управляет зонами планирования и отвечает за принятие территориальных планов и связанных с ними правил.Чтобы планы территорий отражали местные ценности, из местных жителей, владельцев собственности и владельцев бизнеса формируются консультативные комитеты по планированию, которые консультируют Комиссию по планированию и наблюдательный совет по местным вопросам. За подготовку, рассмотрение и пересмотр территориальных планов отвечает комитет. Консультативный комитет по планированию направляет свои документы по планированию в Комиссию по планированию для рекомендации и Наблюдательный совет для утверждения.

    Положения о планировочных территориях, для которых принят городской план

    В городах Кейтис-Вэлли, Култервилль, Фиш-Кэмп, Марипоса и Вавона были утверждены градостроительные планы / конкретные планы.Когда был принят Генеральный план, планы Марипосы и Култервилля были повторно приняты в качестве городских планов области. Названия конкретных планов городской застройки Fish Camp и Wawona остались прежними. Зона городского планирования Долины Кэти была принята как план сообщества. Каждый конкретный план изначально принимался как постановление. Таинства остаются в силе.

    Временные правила планирования зоны исследования

    Зоны планирования Медвежьей долины, Бутджека, Бак-Мидоуз, Эль-Портал, Фореста, Грили-Хилл, Хорнитос, озера Дон-Педро, Мидпайнс, Маунт-Буллион и Йосемити-Уэст не имеют утвержденных планов территории. .Принятые планы для городов Култервиль и Марипоса не охватывают все земли, указанные в схеме землепользования Генерального плана для городов. Для этих зон планирования и расширенных городских территорий, обозначенных зон планирования планирования на схеме землепользования, классификации землепользования Генерального плана, показанные на временных диаграммах землепользования в томе II, должны применяться до тех пор, пока не будет принят соответствующий город, община или специальный план. Наблюдательным советом. Области планирования, включая области изучения планирования, отображаются на схеме землепользования генерального плана округа Марипоса, чтобы обозначить границы для консультативных комитетов по планированию и заявить о намерении Наблюдательного совета принять план для этих областей.Долина Кейтис, Рыбный лагерь и Вавона приняли планы. Временная схема землепользования (Том II) устанавливает временные положения о землепользовании для всех других территорий, ожидающих принятия плана.

    Том II включает основные стандарты для определения прав на зонирование и развитие. Временные схемы землепользования были разработаны для отражения существующих прав и схем землепользования после принятия настоящего Генерального плана. Эти виды землепользования и основные стандарты применимы до тех пор, пока не будет изменен или принят план местности.

    Дистанционное зондирование | Бесплатный полнотекстовый | Классификация землепользования изображений VHR для картирования небольших заброшенных участков цитрусовых с использованием спектральной и текстурной информации

    1. Введение

    Регион Comunitat Valenciana (CV) расположен на востоке Испании. Его погодные условия, характеристики почвы и доступность воды сделали этот регион одним из самых богатых сельскохозяйственных районов Средиземноморского бассейна [1,2]. Регион CV является крупнейшим производителем цитрусовых в Испании с площадью 160 912 га, что составляет около 60% национальной площади этой культуры, согласно Обзору посевных площадей и урожайности 2019 года [3].Испания является крупнейшим производителем цитрусовых в Европейском союзе (ЕС) и пятым по величине производителем в мире [4]. Однако в последние годы произошел массовый отказ от этих сельскохозяйственных угодий. В регионе CV произошло сокращение площадей цитрусовых на 15% с 2008 по 2018 год (с 188 650 га до 161944 га) [5,6], и ожидается увеличение заброшенных площадей из-за социально-экономических изменений, которые происходят в настоящее время. место в ЕС [7].

    Мониторинг этого вопроса является важным моментом для управления земельными и ландшафтными ресурсами, но также и для создания инвентаризации цитрусовых и оценки годовой урожайности.В настоящее время отсутствуют общедоступные картографические источники землепользования для картирования заброшенных земель в разрешении участка с соответствующей тематической детализацией. Испанская система информации о землепользовании (SIOSE) представляет собой объектно-иерархическую базу данных о землепользовании / земельном покрове в Испании. SIOSE позволяет идентифицировать заброшенные территории, но его минимальная площадь представления составляет 2 га. С другой стороны, Географическая информационная система для сельскохозяйственных угодий (SIGPAC) доступна в государствах-членах ЕС.Эта база данных имеет кадастровое разрешение участков и определяет как заброшенные участки следующие виды землепользования: непродуктивные земли, пастбища и пахотные земли. Однако есть и другие участки, классифицируемые как посевы (например, цитрусовые), которые фактически заброшены. Следовательно, через SIGPAC можно оценить заброшенную территорию, но ее недостаточная тематическая детализация неизбежно приводит к недооценке заброшенной территории. Кроме того, эта система периодически обновляется вручную, что может вызвать ошибки и незарегистрированные изменения в период обновления.

    Традиционно карты землепользования, такие как SIOSE или SIGPAC, создавались либо путем фотоинтерпретации, либо путем непосредственного посещения сельскохозяйственных участков из-за высокого уровня точности, необходимого для дальнейших административных действий [1]. В настоящее время дистанционное зондирование является мощным инструментом для получения карт, который может заменить создание карт землепользования вручную более эффективным использованием личных ресурсов. Заброшенные земли ранее рассматривались с помощью дистанционного зондирования другими авторами [8,9,10,11,12].Эти предыдущие исследования проводились в областях, не требующих высокого пространственного разрешения, с использованием продуктов MODIS и Landsat. Однако обнаружение заброшенных участков цитрусовых в регионе CV с помощью дистанционного зондирования является сложной задачей из-за высокой пространственной фрагментации и небольшого размера сельскохозяйственных участков, что делает необходимым использование продуктов с высоким разрешением. Кроме того, предыдущие исследования были сосредоточены на заброшении сельскохозяйственных культур с быстрой фенологической динамикой. Однако оставление земель под древесными вечнозелеными культурами (например.г., цитрусовые) мало изучен. Предыдущие исследования цитрусовых уже показали серьезные расхождения между данными сельскохозяйственной переписи и данными о площади пахотных земель, полученными со спутников, с использованием спутниковых снимков среднего разрешения, таких как Landsat [13]. Изображения Sentinel-2 преодолевают некоторые из этих ограничений и демонстрируют свой потенциал в сельскохозяйственных приложениях [14,15], однако в районах с высокой пространственной фрагментацией их может быть недостаточно [16,17]. Спутниковые изображения Sentinel-2 не показали достаточной точности для определения заброшенных участков в нашем районе исследования из-за ограничений разрешения и небольшого размера участков, по этой причине рекомендуется использовать изображения с более высоким разрешением [18].Сильно фрагментированные области требуют использования изображений с очень высоким разрешением (VHR). Однако использование временных рядов изображений VHR является дорогостоящим с экономической и операционной точки зрения, что заставляет нас сосредоточиться на процедурах, использующих одно изображение (моновременные подходы). Кроме того, изображения VHR обычно имеют ограничения, связанные с их низким спектральным разрешением, что затрудняет картографирование растительности, особенно для очень похожих покрытий. Ограничения низкого спектрального разрешения можно уменьшить с помощью надежных алгоритмов машинного обучения и текстурного анализа изображений [19].Существует широкий набор методов для извлечения признаков текстуры: статистические методы, такие как матрица совпадений уровней серого (GLCM) [20], локальные двоичные шаблоны [21], методы фильтрации, такие как энергетические фильтры [22] или Габора. фильтры [23], методы, основанные на вейвлет-разложении [24], и методы, основанные на геостатистических функциях [25]. Меры текстуры количественно описывают отношения значений цифровых чисел (DN) соседних пикселей [26]. Функции текстуры предоставляют контекстную информацию, которая позволяет нам различать закономерности в пространственном распределении объектов на изображении и повышает точность классификации.Насколько нам известно, ранее не проводилось исследований заброшенных земель, в которых использовались бы изображения VHR и особенности текстуры. Однако было показано, что особенности GLCM улучшают точность классификации [27], особенно в изображениях с высоким разрешением [19,28,29,30]. Существуют предыдущие исследования, в которых используются особенности текстуры GLCM и изображения VHR для картирования растительности и определения состояния здоровья деревьев [19,28]. Эти исследования имеют общие характеристики с обнаружением брошенных цитрусовых, поскольку на заброшенном участке наблюдается рост дикой растительности и деревьев в плохих условиях для здоровья.В этих случаях использовались функции GLCM и алгоритм случайных лесов. Существовали также предыдущие исследования по идентификации участков цитрусовых с использованием изображений VHR, но эти исследования не фокусировались на выявлении заброшенных участков. Эти исследования обычно основаны на двух типах подходов. Первая группа основана на выделении спектральных и текстурных особенностей сюжета [31,32], а вторая группа основана на обнаружении деревьев [1,33]. Второй подход имеет несколько ограничений, самое важное — изображения с высоким пространственным разрешением, необходимые для обнаружения одного цитрусового дерева.Кроме того, развитие дикой растительности во время заброшенных земель может маскировать цитрусовые деревья и затруднять их идентификацию. Хотя подход с использованием одного дерева широко применяется в точном земледелии для анализа вариаций внутри участка, информация о заброшенных землях на уровне деревьев не так актуальна. Целью исследований по заброшенности земель является отнесение всех участков к уникальной категории, что можно сделать с учетом их спектральной и текстурной информации. Использование текстурной информации для подхода с одним деревом потребует более сложных алгоритмов для их извлечения и классификации как заброшенных.С 2017 года аэрофотоснимок VHR доступен ежегодно для всего региона CV через Валенсийский картографический институт (ICV). Эти изображения в настоящее время используются для обновления SIGPAC региона CV. В 2011 году Amorós et. al. [1] разработал методику автоматического определения участков цитрусовых. Основная цель этой методологии заключалась в обнаружении участков, содержащих цитрусовые, на уровне кадастровых участков с использованием многоэтапного подхода к обнаружению объектов для идентификации цитрусовых деревьев [34]. Эти достижения позволили автоматизировать классификацию цитрусовых участков для ежегодного обновления SIGPAC.Однако эта методика не позволяет различать участки цитрусовых в производстве или заброшенные. В текущем контексте заброшенных земель в регионе CV особенно важно разработать процедуру картирования заброшенных участков цитрусовых, чтобы избежать переоценки продуктивной площади.

    В данной работе мы представляем многоступенчатый методический подход к выявлению заброшенных участков на участках с преобладанием цитрусовых. Наш подход основан на трех общих шагах: Во-первых, извлечение текстурных особенностей на основе GLCM было выполнено из Нормализованного индекса разницы растительности (NDVI) аэрофотоснимков высокого разрешения.Затем была проведена контролируемая классификация на основе пикселей с использованием алгоритма случайных лесов. Наконец, было проведено уточнение классификации на основе голосования большинством голосов на каждом участке, чтобы классифицировать каждый кадастровый участок по уникальной стоимости.

    2. Данные и методы

    В этом разделе описывается предлагаемая методика выявления заброшенных участков в районах с преобладанием цитрусовых. Была предложена классификация, основанная на трех типах участков (рис. 1): (а) Не производятся — это участки, где большая часть поверхности участка занимает голая почва.Эти участки находятся в периоде замещения. Деревья этого класса можно сажать, но они еще не продуктивны. (б) В производстве — это участки с продуктивным выращиванием цитрусовых. Цитрусовые культуры этого сорта занимают большую часть площади участка. (c) Заброшенные — это заброшенные участки с преобладанием дикой растительности, на которых видны явные признаки заброшенности. Обнаружение заброшенных участков основано на спектральных и текстурных различиях, вызванных ростом дикой растительности, потерей силы деревьев (уменьшено). густота листвы и зелень) и потеря правильного пространственного рисунка урожая.Более подробное описание экологической преемственности заброшенного участка можно найти в Morell et. др., 2020 [18].
    2.1. Область исследования и данные
    Область исследования разделена на 4 участка CV-региона с преобладанием цитрусовых. Основная область исследования находится в муниципалитете Олива (рис. 2), прибрежном городе в регионе CV, который занимает площадь 59 600 га, из которых 50% доступны для сельского хозяйства. Большая часть этой территории расположена на прибрежной равнине с высокой агрологической способностью [35,36].Однако рост городов и туризм конкурируют с использованием сельскохозяйственных земель и способствуют заброшенности земель. Основная культура в этой области — цитрусовые, которые составляют более 95% посевов в этом районе [37]. В этой области цитрусовые участки имеют площадь в среднем 0,32 га согласно SIGPAC. Кроме того, 3 дополнительных участка площадью 435 га с преобладанием цитрусовых были выбраны в муниципалитетах: Беллрегард-Альмоинес, Беникулл-Полинья-дель-Сукер и Нулес ( Рисунок 2). Используемые изображения VHR были предоставлены Валенсийским картографическим институтом (ICV).ICV обеспечивает годовое изображение (VHR) всего Валенсийского региона с пространственным разрешением 0,25 м и четырьмя спектральными полосами: R (430 нм), G (530 нм), B (620 нм) и NIR (720 нм). Эти изображения были получены с помощью камеры UltraCam Eagle UC-E-1-50016095-f80 от компании Vexcel Imaging GmbH © с датчиком Qioptic Vexcel HR Digaron. Снимки были сделаны в разные даты в каждом районе исследования (таблица 1). Набор достоверных данных был собран в ходе полевого исследования, проведенного с 11 по 14 июля 2019 года в основном районе исследования (Олива).Была проведена стратифицированная случайная выборка с пропорциональным распределением. Был выбран набор из 240 участков на площади 98 га (80 не в производстве, 80 в производстве и 80 заброшены). Эти графики использовались для обучения и проверки модели. Кроме того, 270 участков были оцифрованы и отнесены к дополнительным областям исследования (Таблица 1). Чтобы избежать ошибок в процессе фотоинтерпретации графиков, также использовались изображения ICV за 2018 и 2020 годы. Эти графики использовались для тестирования модели за пределами исследуемой области.
    2.2. Обработка изображений и классификация
    Обработка изображений описывается следующим образом (Рисунок 3). Изображения были геометрически исправлены и радиометрически откалиброваны Vexcel Imaging GmbH ©. Затем изображения были повторно дискретизированы с разрешением 1 м, чтобы сократить время вычислений, и была вычислена мозаика с плитками, которые покрывают каждую область исследования. Затем изображения были предварительно обработаны для извлечения признаков текстуры на основе GLCM с использованием пакета GLCMTextures [38] с использованием среды R 4.0.3 [39]. Стандартная процедура автоматического выделения признаков текстуры GLCM основана на изображении уровня серого с учетом панхроматической полосы или вычислении первого главного компонента мультиспектральных изображений [40].Однако наши изображения не имеют панхроматической полосы, и выполнение анализа главных компонентов означало бы потерю интерпретируемости нашей информации. По этой причине преобразование NDVI было использовано для извлечения текстурных особенностей GLCM. Этот подход успешно использовался другими авторами [41,42].

    Полоса NDVI была дискретизирована на 32 уровня серого для расчета показателей GLCM. Затем были созданы 4 ядра с разными размерами окон (3 × 3, 5 × 5, 7 × 7 и 9 × 9) и вычислено 7 измерений текстуры.Меры текстуры были рассчитаны в неизменном пространственном направлении, которое является средним из четырех направлений: 0 °, 45 °, 90 ° и 135 °. Этот всенаправленный подход был выбран, поскольку культуры не имеют определенного направления.

    Только 7 текстурных мер были вычислены из 14 первоначально предложенных [20]. Эти измерения текстуры наиболее широко используются в дистанционном зондировании и анализе изображений [43]: среднее значение, дисперсия, контраст, несходство, однородность, второй угловой момент (ASM) и энтропия.

    GLCM Среднее µ = ∑i, j = 0N − 1iPi, j

    (1)

    Дисперсия GLCM σ2 = ∑i, j = 0N − 1Pi, ji − µ2

    (2)

    Контраст = ∑i, j = 0N − 1Pi, ji − j2

    (3)

    Несходство = ∑i, j = 0N − 1Pi, ji − j

    (4)

    Однородность = ∑i, j = 0N − 1 Pi, j1 + i − j2

    (5)

    Второй угловой момент ASM = ∑i, j = 0N − 1Pi, j2

    (6)

    Энтропия = ∑i, j = 0N − 1Pi, j [−lnPi, j], где 0 * ln0 = 0

    (7)

    где N — количество строк или столбцов в GLCM (равно количеству уровней серого), i — индексы строк матрицы GLCM (равны уровню серого опорной ячейки), j — индексы столбцов матрицы GLCM. (равный уровню серого соседней ячейки), а Pi, j — вероятность (относительная частота) соседних ячеек, имеющих уровни серого i и j.Классификация на основе пикселей была выполнена с использованием алгоритма RandomForests (RF) [44], который представляет собой непараметрический алгоритм, обычно используемый в дистанционном зондировании для контролируемых классификаций [45,46]. RF-классификатор состоит из набора классификационных деревьев, каждое из которых обучается с помощью независимого случайного вектора и с одинаковым распределением для каждого дерева. Следовательно, классификатор состоит из ансамбля классификаторов {h (x, Θk), k = 1,…,}, где {Θk} — независимые, одинаково распределенные случайные векторы, а X — входной шаблон [47].При обучении алгоритм создает несколько деревьев классификации, каждое из которых обучено на загруженной выборке исходных обучающих данных, и выполняет поиск только в случайно выбранном подмножестве входных переменных, чтобы определить разбиение для каждого узла. Следовательно, деревья требуют меры выбора переменных и меры чистоты деления для построения узлов. Индекс разнообразия Джини использовался в качестве меры примеси. Для данного обучающего набора T, случайным образом выбирая один случай и говоря, что он принадлежит какому-то классу Ci, индекс Джини можно записать как [46]:

    ∑∑j ≠ i (∫Ci, T / T) Cj, T / T

    (8)

    где ʃ (Ci, T) / | T | — вероятность того, что выбранный случай принадлежит классу Ci.

    В РФ разные деревья классификации объединены в виде слабых предикторов, это означает, что прогноз модели определяется большинством голосов деревьев. По этой причине RF на самом деле представляет собой модель сборки, в которой используется метод упаковки для объединения прогнозов различных деревьев решений. Пакетирование (или агрегирование начальной загрузки) состоит из обучения каждого дерева решений с помощью начальной выборки (случайный выбор с заменой) из исходного набора обучающих данных. При каждой упаковке случайным образом выбирается 2⁄3 набора обучающих данных для обучения каждого отдельного дерева.Деревья полностью растут без обрезки. Даже в этом случае переобучение не происходит из-за использования самонастраиваемых выборок для обучения отдельных деревьев и того факта, что модель состоит из множества независимо обученных деревьев со случайными выборками.

    Наша модель RF была создана с использованием пакета randomForest [48] из Caret API [49] с использованием среды R 4.0.3 [39]. Были обучены пять классификационных моделей с использованием 100 деревьев решений. Эти модели были обучены с помощью пикселей, извлеченных из 210 тренировочных участков из 240 участков основной области исследования.Первая модель взяла в качестве независимых переменных (входных переменных) значения пикселей для полос R (430 нм), G (530 нм), B (620 нм) и NIR (720 нм) изображения. Остальные 4 модели были обучены с использованием значения пикселей спектральных полос и 7 функций текстуры, каждая из которых имела свой размер окна (3 × 3, 5 × 5, 7 × 7 и 9 × 9). Модели использовали в качестве зависимой переменной (выходной переменной) тип покрытия в соответствии с нашей классификацией: не в производстве, в производстве и заброшено. Изображение, полученное в результате классификации на основе пикселей, было сегментировано с использованием кадастровой базы данных.Затем эти сегменты использовались для улучшения результатов классификации алгоритма случайных лесов на основе пикселей с использованием большинства голосов в каждом сегменте [18]. Эта процедура создает карту на основе объектов, где каждый объект представляет собой кадастровый участок [50], и повышает точность классификации на основе пикселей за счет удаления неправильно классифицированных пикселей в однородных сегментах, известных как шум соли и перца [51]. Наконец, городские и лесные участки были замаскированы с использованием кадастровой базы данных и Территориального плана действий по лесному хозяйству региона CV.
    2.3. Проверка и оценка точности

    Важным вопросом при классификации изображений дистанционного зондирования является оценка результатов с точки зрения точности. Наш подход был подтвержден с двух разных точек зрения. Сначала оценивалась точность на основе пикселей (то есть точность до уточнения мажоритарного голосования). Во-вторых, была оценена точность на основе сюжета (то есть точность после уточнения мажоритарного голосования). Эта двойная информация позволяет нам знать улучшения производительности, полученные с помощью показателей GLCM, и улучшения, полученные в результате голосования большинством.

    Оценка точности проводилась посредством 8-кратной перекрестной проверки. На каждом этапе для проверки использовался сбалансированный набор из 30 графиков. Средняя точность и стандартное отклонение классификации на основе пикселей были получены с использованием сбалансированного набора пикселей, извлеченных из 30 графиков проверки на каждом этапе. Затем была получена средняя точность, стандартное отклонение и средняя матрица неточности классификации на основе графиков с использованием тех же 30 графиков проверки посредством 8-кратной перекрестной проверки.Кроме того, наиболее точная модель была протестирована в дополнительных областях, и была получена точность на основе графика. Модель применялась в дополнительных областях без каких-либо дополнительных обучающих данных, чтобы проверить, может ли модель обобщаться за пределами области обучения. С этой целью набор графиков проверки был идентифицирован путем фотоинтерпретации для каждой дополнительной области (Таблица 1).
    2.4. Важность признаков и сокращение модели
    Алгоритм выбора признаков Борута [52] был использован для выбора соответствующих признаков для классификации.Boruta — это метод обертывания алгоритма классификации случайного леса. Этот алгоритм основан на обратном удалении нерелевантных функций, но в нем реализованы некоторые улучшения по сравнению с традиционным рекурсивным устранением признаков [53,54]. Мерилом важности, используемым Boruta, является Z-оценка. Мера важности атрибута получается как потеря точности классификации, вызванная случайной перестановкой значений атрибута между объектами. Он вычисляется отдельно для всех деревьев, которые используют данный атрибут для классификации.Затем для вычисления Z-балла получается среднее снижение точности, деленное на его стандартное отклонение:

    Z-оценка = (MDA) / (σ),

    (9)

    Поскольку мы не можем использовать показатель Z напрямую, чтобы решить, является ли важность какого-либо атрибута значимой (то есть, можно ли отличить его от важности, которая может возникнуть из-за случайных колебаний), Борута сравнивает важность реальных переменных с важностью случайных величин по замыслу. , называемые теневыми объектами. Затем он удаляет признаки, которые менее важны, чем лучшая теневая переменная, и повторяет процесс итеративно в течение нескольких шагов [55].

    Этот подход использовался, чтобы решить, какие переменные имеют большое значение для нашей классификации. Кроме того, было проведено ранжирование важности переменных с использованием показателя Z, а затем было выполнено сокращение модели с рекурсивным удалением менее релевантных переменных.

    4. Обсуждение

    Предложенная методика подходила для картирования заброшенных земель под цитрусовыми культурами при разрешении кадастрового участка. Сочетание спектральной информации и текстурных характеристик позволило добиться высокой точности классификации.Результаты подтвердили, что добавление функций текстуры GLCM к спектральной информации повышает точность классификации для обнаружения заброшенных земель. Общая точность классификации на основе пикселей составила 87%, а общая точность классификации на основе графиков — 95%. Эти результаты представляют собой важные улучшения по сравнению с использованием изображений Sentinel 2 [18]. Наши уровни точности аналогичны предыдущим исследованиям с использованием функций GLCM и RF-алгоритма в изображениях VHR в сопоставимых контекстах, таких как картографирование растительности и состояние здоровья, которые достигли общей точности между 88–97% [19,28].

    Наилучшие результаты были получены при генерации текстурных элементов из окна размером 9×9. Точность модели увеличивалась с увеличением размера окна за счет уменьшения шума соли и перца. Это связано с тем, что по мере увеличения размера окна текстура лучше отражает обычный рисунок посадки цитрусовых. Однако слишком большое увеличение размера окна может снизить точность из-за включения пикселей из соседних графиков. Это важный момент, который следует учитывать в областях с участками небольшого размера, таких как наша изучаемая область, где средний размер участка равен 0.32 га.

    Все признаки статистически значимы для классификации. Однако наиболее важными характеристиками были контраст и несходство вместе с БИК и синими полосами. NIR и контраст были одними из самых важных во всех моделях. Несходство увеличивалось, в то время как важность синей полосы уменьшалась по мере увеличения размера окна. С другой стороны, функция ASM была наименее важной во всех моделях.

    Предлагаемая методология является точной и эффективной альтернативой для создания карт заброшенных земель, поскольку она позволяет получать карты с высокой точностью из сокращенного набора обучающих данных.Кроме того, ограничения Sentinel-2 для областей с высокой пространственной фрагментацией были преодолены благодаря использованию изображений VHR [16,17,18]. Мы создали полную карту заброшенных цитрусовых участков в муниципалитете Олива на 2019 год, которая выявила 31% ошибочно классифицированных участков в текущей методологии, используемой государственной администрацией. Обученная модель также была протестирована за пределами тренировочной площадки. Однако его производительность была примерно на 3% ниже, чем в основном районе исследований. Это различие можно объяснить, учитывая, что фотоинтерпретация может иметь некоторые ограничения для определения классов тестовых участков, требуя дополнительных полевых данных для проверки дополнительных областей исследования.Кроме того, мы рекомендуем отрегулировать размер окна в соответствии с потребностями каждой области. Размер окна можно регулировать, оценивая производительность классификатора в каждой области исследования или используя автоматические процессы для определения размера окна [56]. Эти результаты показывают, что предлагаемую методологию можно масштабировать на другие цитрусовые области региона CV. Наличие годового VHR-изображения всего CV-региона позволяет создавать карты заброшенных земель в ключевых областях на основе управляемых наборов полевых данных. Кроме того, эти карты заброшенных земель полностью интегрированы с информацией из SIGPAC и других методологий обнаружения цитрусовых [1].Объединение этих источников данных может дать ценную информацию для решения проблемы заброшенных земель и улучшить инвентаризацию цитрусовых в регионе CV. Эта новая информация может исправить завышенную оценку урожайности цитрусовых через SIGPAC. Однако этот подход не ограничивается только CV-областью. Этот подход может быть реализован и в других регионах планеты, где выращиваются цитрусовые. Изображения VHR становятся все более распространенными. В дополнение к изображениям с воздуха, растущая доступность спутниковых изображений с прекрасным спектральным и пространственным разрешением побуждает развивать дальнейшие исследования по проблеме заброшенности земель.Эта новая информация поможет нам повысить точность инвентаризации цитрусовых и годовой урожайности, особенно в районах с небольшими участками или проблемах с заброшенными землями. Наконец, этот подход может быть адаптирован к другим типам сельскохозяйственных культур с регулярной структурой посадки, когда отказ от них связан с ростом дикой растительности и потерей жизнеспособности вечнозеленых культур.

    5. Выводы

    В этой статье представлена ​​методология картирования заброшенных участков цитрусовых в сильно фрагментированных областях из изображений VHR с четырьмя спектральными полосами (430 нм, 530 нм, 620 нм и 720 нм).Предлагаемая методология объединяет спектральную информацию и особенности текстуры на основе GLCM из NDVI для создания классификации на основе пикселей с использованием случайных лесов. Затем большинством голосов каждому участку присваивается уникальное классификационное значение. Наилучшие результаты были получены при генерации текстурных элементов из окна размером 9×9. Предложенная методика позволила получить удовлетворительные результаты с общей точностью 95%. Модель использует 7 свойств текстуры: среднее значение, дисперсию, контраст, несходство, однородность, второй угловой момент и энтропию.Все признаки показали статистически значимую значимость для классификации. Однако наиболее важными были контраст, несходство и однородность вместе со спектральными полосами. Эта методология позволила создать полную карту заброшенных участков в муниципалитете Олива (регион CV), и ее можно было применить на других территориях и для других культур. Этот новый методологический подход может исправить завышение урожайности цитрусовых, вызванное текущими источниками данных, доступными государственными администрациями.Однако оценка производительности модели в районах, удаленных от зоны обучения, требует дальнейшего изучения. Это исследование предоставляет новую информацию для картирования небольших сельскохозяйственных участков, особенно для выявления заброшенных земель под древесными вечнозелеными культурами, которые до сих пор мало изучены.

    Австралийская государственная автоматизированная классификация земель на больших территориях с машинным обучением

    Штат Квинсленд на северо-востоке Австралии удивительно разнообразен географически. Он включает прибрежные тропические леса, обширные леса эвкалиптов и акаций, тропические саванны, эфемерные внутренние реки, пустыни и богатые сельскохозяйственные пояса.Его площадь составляет 1 730 000 квадратных километров (668 000 квадратных миль), что примерно в семь раз больше Великобритании.

    Для картирования и оценки моделей землепользования и изменений по всему штату более 20 лет назад Департамент окружающей среды и науки Квинсленда (DES) сформировал Программу картирования землепользования Квинсленда (QLUMP).

    Картографирование и оценка моделей землепользования и изменений в Квинсленде раньше были очень трудоемким и ресурсоемким процессом. Но с помощью машинного обучения Центр дистанционного зондирования DES сократил время, необходимое для классификации землепользования на больших участках земли, и получил алгоритм с точностью до 97 процентов.

    «Землепользование было определено как основополагающий набор пространственных данных, который правительство считает жизненно важным для прогресса и развития Квинсленда», — сказал Энди Кларк, старший научный сотрудник Центра дистанционного зондирования DES. «Штат большой, и важно, чтобы мы продолжали улучшать скорость, с которой мы собираем эти данные, а также их точность. Кроме того, мы должны поддерживать наши процедуры в соответствии со стандартами, установленными Австралийской системой классификации землепользования и управления, чтобы они соответствовали данным, собранным по всей стране.”

    Традиционно методология, используемая для обновления QLUMP, основывалась на команде опытных ученых-пространственников, которые вручную оцифровали особенности землепользования со спутниковых снимков. Из-за размеров Квинсленда этот процесс занял много времени и ресурсов.

    «Ранее мы предпринимали различные попытки автоматизировать QLUMP, но все они в конечном итоге оказались безуспешными», — сказал Кларк. «Модели дерева решений использовались для вывода характеристик землепользования из дополнительных данных; однако этот метод не давал точного представления о том, что было на земле.Мы попытались использовать спектральную информацию со спутниковых изображений для проведения контролируемой классификации, но определили, что эта процедура не может успешно различать объекты, потому что спектрально они кажутся очень похожими. Кроме того, анализ изображений на основе объектов, как правило, был столь же ресурсоемким, как рисование объектов землепользования вручную ».

    Компьютерное зрение в сочетании с высокопроизводительными суперкомпьютерами и интегрировано с ArcGIS представляет собой смену парадигмы, которая увеличивает наши возможности по сбору и публикации своевременной информации о землепользовании.

    Энди Кларк Старший научный сотрудник, Департамент окружающей среды Квинсленда и Центр дистанционного зондирования науки

    Однако за последние годы машинное обучение — одна из дисциплин искусственного интеллекта (ИИ) — продвинулось до такой степени, что теперь использование компьютерного зрения и глубокого обучения для анализа и классификации изображений стало жизнеспособным.

    «Благодаря передовым инструментам программирования и компьютерному оборудованию скорость и возможности, необходимые для успешного применения машинного обучения для точной классификации больших участков земли, выглядят очень многообещающими», — сказал Кларк.

    Фактически, он и его команда разработали модель, которая может автоматически классифицировать различные типы землепользования на всей территории Квинсленда. Вот как у них это получилось.

    Уточнение данных и обучение процесса

    Для обучения модели машинному обучению требуется много информации. К счастью для DES, он годами использовал QLUMP для сбора данных.

    «Это был просто вопрос его доработки, чтобы его можно было использовать в процессе машинного обучения», — сказал Кларк.

    Департамент окружающей среды и науки Квинсленда (DES) создал модель компьютерного зрения, которая использует машинное обучение для картирования банановых плантаций в водосборе реки Джонстон.

    Он использовал ArcGIS Pro и ArcPy для генерации и уточнения данных обучения. Кларк также применил ряд инструментов геообработки для постобработки вероятности прогноза из модели компьютерного зрения.

    «[Инструмент] Реклассификация [был] использован для преобразования прогноза в двоичный растр», — пояснил он.«Растр в полигон [использовался] для преобразования данных в класс пространственных объектов. Союз [использовался] для получения изменений. И Eliminate [использовался] для объединения мелких функций в более крупные ».

    Команда QLUMP независимо проверила точность процесса путем случайной генерации тысяч точек и оценки землепользования в каждой точке.

    «ArcGIS Pro также генерирует для нас матрицу ошибок, а также создает и публикует веб-карты, приложения и отчеты для связи с заинтересованными сторонами», — добавил Кларк.

    В процессе машинного обучения DES использует сверточную нейронную сеть (CNN) на основе архитектуры U-net, чтобы помочь модели визуально распознавать земной покров. CNN — это алгоритмы, имитирующие функции человеческого мозга. Получая доступ к большим объемам визуальных данных, модель может научиться различать сходства и различия в данных.

    «Мы позаимствовали идею у Олафа Роннебергера, который разработал ее для сегментации биомедицинских изображений, которая является способом идентификации клеток на микроскопических изображениях», — пояснил Кларк.«Используя эту архитектуру, мы создали алгоритм с 87 153 153 параметрами».

    Команда итеративно вводила тысячи фрагментов спутниковых изображений через нейронную сеть, чтобы произвести прогноз. Затем алгоритм провел самооценку и уточнил прогноз, и цикл повторялся до тех пор, пока в конечном итоге не достиг 97-процентной точности.

    Модель показывает, как землепользование менялось с течением времени. Этот пример показывает, как банановая плантация на севере Квинсленда трансформировалась с 2015 по 2018 год.

    «Python использовался для разработки части проекта, связанной с компьютерным зрением», — сказал Кларк. «Мы использовали NumPy, библиотеку с большим набором высокоуровневых математических функций для Python, для обработки многомерного массива и библиотеку абстракции геопространственных данных (GDAL) для чтения изображений и преобразования их в массив NumPy — формат, необходимый для нейронная сеть ».

    Затем

    GDAL может взять выходной массив и преобразовать его обратно в изображение.

    «Был небольшой компонент чтения векторных данных GDAL, но ArcGIS Pro был основным инструментом для обработки векторов», — сказал Кларк.«Мы также использовали Keras, библиотеку Python, для разработки и оценки моделей глубокого обучения. TensorFlow работал в бэк-энде. Это библиотека искусственного интеллекта для потоков данных и создания крупномасштабных нейронных сетей ».

    В машинном обучении из-за большого количества данных, которые необходимо обрабатывать и уточнять быстро и многократно, скорость обработки имеет решающее значение. Вот почему DES использует восемь графических процессоров (GPU) Tesla V100, которые подключены к его высокопроизводительной вычислительной инфраструктуре для обработки данных глубокого обучения.

    «Скорость обработки просто потрясающая, — сказал Кларк. «По сути, каждый графический процессор обеспечивает нам эквивалент годовой обработки обычных процессоров примерно за 2,5 дня».

    Распространение машинного обучения на другие земли

    Изначально модель была обучена определять и наносить на карту банановые плантации в водосборе реки Джонстон на севере Квинсленда. Затем он был использован для вывода банановых плантаций в бассейне Талли. Это позволило ученым, занимающимся анализом изображений, сосредоточиться на интерпретации изображений, создаваемых моделью, чтобы они могли лучше информировать лиц, принимающих решения, о соответствующих ответах биобезопасности на болезни растений.

    Panama Tropical Race 4 — серьезное заболевание, которое может быстро распространяться через банановые плантации. В 2015 году Министерство сельского хозяйства и рыболовства Квинсленда (DAF) обнаружило его при изучении образцов растений.

    После вспышки Panama Tropical Race 4 в 2015 году DES пришлось принять меры биобезопасности на некоторых банановых плантациях.

    В то время DES не реализовал процесс анализа изображений на основе компьютерного зрения. Таким образом, для определения потенциального распространения широко распространенного гриба потребовалась команда из пяти ученых в год, чтобы вручную составить карту и проанализировать все банановые плантации и другие классы землепользования в Квинсленде.

    Эти усилия ученых по картированию впоследствии были использованы для обучения модели CNN. В 2019 году DES получил новые изображения и обновил карту банановых плантаций, на выполнение которой у компьютера ушло четыре дня. Из-за своей скорости и точности модель CNN в настоящее время обучается отображать другие классы землепользования.

    «Компьютерное зрение в сочетании с высокопроизводительными суперкомпьютерами и интегрировано с ArcGIS представляет собой смену парадигмы, которая увеличивает наши возможности по сбору и публикации своевременной информации о землепользовании», — сказал Кларк.«Эти методы устойчивы для любой задачи сегментации изображений и были применены для картирования лесной растительности в Квинсленде, что представляет собой совершенно другое приложение, поскольку эти области варьируются от густых тропических лесов до ландшафтов с разбросанными деревьями».

    DES намеревается распространить свои методы на большинство видов землепользования, включая другие типы сельскохозяйственных культур, лесные плантации и классы городского землепользования.

    «Все, что вы видите на снимках, вы можете найти с помощью алгоритма. Вам просто нужно много качественных обучающих данных, — сказал Кларк.«Основываясь на методах, разработанных на сегодняшний день, компьютерное зрение способно повысить эффективность программ картирования и мониторинга больших территорий, которые используются правительственными и неправительственными организациями в управлении и мониторинге природных ресурсов».

    С момента завершения этого проекта ArcGIS Pro и ArcGIS API for Python претерпели несколько улучшений. ArcGIS API for Python теперь изначально поддерживает модель U-net, и, помимо возможности обучения модели с помощью ArcGIS Notebooks, пользователи теперь могут обучать модели глубокого обучения непосредственно через ArcGIS Pro с помощью инструмента геообработки.И ArcGIS Pro, и Notebooks поддерживают сквозные рабочие процессы глубокого обучения, от маркировки и подготовки данных до обучения модели и выполнения логических выводов. Это в сочетании с технологией ArcGIS Image Server, которая эффективно управляет данными изображений, значительно упрощает рабочие процессы.

    Добавить комментарий

    Ваш адрес email не будет опубликован.