Metodoloģijas iestrādnes pārmitro lauksaimniecības zemju noteikšanai no tālizpētes datu avotiem
Author
Štāls, Toms Artūrs
Co-author
Latvijas Universitāte. Ģeogrāfijas un Zemes zinātņu fakultāte
Advisor
Nartišs, Māris
Date
2019Metadata
Show full item recordAbstract
Maģistra darba mērķis ir izvērtēt lāzerskenēšanas datu un multispektrālo satelītainu izmantošanu pārmitru lauksaimniecības zemju identificēšanā, izstrādājot metodiku digitālā reljefa modeļa un dažādu spektru satelītainu apstrādē un kombinēšanā, lai izveidotu prognostisko modeli rastra kartes formātā. Pētījuma teritorijas veido 12 lauksaimniecības zemes Latvijas centrālajā un rietumu daļā, kuras ir uz dažādiem kvartāra nogulumu tipiem, ar dažādu zemes lietojuma veidu un meliorācijas stāvokli. Dati prognostiskā modeļa izveidošanai tika iegūti no 200 parauglaukumiem 10 pētījuma teritorijās un analizēti, izmantojot lineārās regresijas modeli. Kombinējot datu slāņus ar labākajiem rezultātiem lineārā vienādojumā, tika izstrādāts augsnes mitruma apstākļu prognostiskais modelis, kurš ar izstrādāto pētījuma metodiku sasniedz 66% kopējo pareizību. Pētījuma gaitā tika iegūtas arī vērtīgas atziņas un priekšlikumi metodikas uzlabošanai, lai nākotnē varētu pilnvērtīgi izmantot attālās izpētes datu avotus pārmitro lauksaimniecības zemju identificēšanai Latvijas apstākļos. Aim of this master's thesis is to evaluate the use of laser scanning data and multispectral satellite images for identification of local wet areas in agriculture lands by developing a methodology for processing digital elevation models and different spectrum satellite images to create a prognostic model in the form of a raster map. The areas of this study consists of 12 agricultural lands in the central and western part of Latvia, which are on different types of Quaternary sediments, with a different type of land use and an amelioration network functional condition. Data for the development of a prognostic model was collected from 200 sample plots in 10 study sites and analysed using a linear regression model. Combining the data layers with the best results in a linear equation, a prognostic model of soil wetness conditions was developed, reaching a total accuracy of 66% with developed study methodology. This study helps to focus different aspects of remote sensing data usage and methodology for future improvements to fully implement remote sensing methods for identification of wet areas in agricultural lands in Latvia.