Разделы презентаций


МЕТОДЫ ТЕМАТИЧЕСКОГО ДЕШИФРИРОВАНИЯ ЧАСТЬ 3 презентация, доклад

Содержание

ТЕХНОЛОГИЧЕСКАЯ СХЕМА КОСМИЧЕСКОГО МОНИТОРИНГА

Слайды и текст этой презентации

Слайд 1МЕТОДЫ ТЕМАТИЧЕСКОГО ДЕШИФРИРОВАНИЯ ЧАСТЬ 3

МЕТОДЫ ТЕМАТИЧЕСКОГО ДЕШИФРИРОВАНИЯ  ЧАСТЬ 3

Слайд 2 ТЕХНОЛОГИЧЕСКАЯ СХЕМА КОСМИЧЕСКОГО МОНИТОРИНГА

ТЕХНОЛОГИЧЕСКАЯ СХЕМА КОСМИЧЕСКОГО МОНИТОРИНГА

Слайд 3ТЕХНОЛОГИЧЕСКАЯ СХЕМА ОБРАБОТКИ ДАННЫХ ДЗЗ В СИСТЕМАХ КОСМИЧЕСКОГО МОНИТОРИНГА
Чтобы перейти

от яркостных характеристик пикселей изображения земной поверхности к свойствам реальных

объектов космический снимок необходимо правильно обработать.
Технология обработки включает несколько этапов:
- предварительная обработка
- нормализация
-тематическое дешифрирование.
ТЕХНОЛОГИЧЕСКАЯ СХЕМА ОБРАБОТКИ ДАННЫХ ДЗЗ В СИСТЕМАХ КОСМИЧЕСКОГО МОНИТОРИНГА 	Чтобы перейти от яркостных характеристик пикселей изображения земной

Слайд 4ТЕХНОЛОГИЧЕСКАЯ СХЕМА ПРЕДВАРИТЕЛЬНОЙ ОБРАБОТКИ ДАННЫХ ДЗЗ

ТЕХНОЛОГИЧЕСКАЯ СХЕМА ПРЕДВАРИТЕЛЬНОЙ ОБРАБОТКИ ДАННЫХ ДЗЗ

Слайд 5ПРЕДОБРАБОТКА
Радиометрическая калибровка аппаратных погрешностей

Геометрическая коррекция изображений с учетом суточного

вращения и кривизны Земли, перемещения КА по орбите в процессе

проведения съемки, нестабильности ориентации КА во время съемки, неравномерности расположения сенсоров, и т.п.

ПРЕДОБРАБОТКА Радиометрическая калибровка аппаратных погрешностей Геометрическая коррекция изображений с учетом суточного вращения и кривизны Земли, перемещения КА

Слайд 6ГЕОМЕТРИЧЕСКАЯ КАЛИБРОВКА И ПРОСТРАНСТВЕННОЕ СОВМЕЩЕНИЕ СНИМКОВ
видимый диапазон
Географическая привязка:
- уровень

1 по орбитальным параметрам спутника.
- уровень 2, точная привязка

изображений по реперным точкам.

Преобразование изображения в заданную картографическую проекцию
ГЕОМЕТРИЧЕСКАЯ КАЛИБРОВКА И ПРОСТРАНСТВЕННОЕ СОВМЕЩЕНИЕ СНИМКОВвидимый диапазонГеографическая привязка: - уровень 1 по орбитальным параметрам спутника. - уровень

Слайд 7ПРИВЕДЕНИЕ ИЗОБРАЖЕНИЙ К ОДИНАКОВЫМ УСЛОВИЯМ СЪЕМКИ

Атмосферная коррекция



- поглощение

излучения в атмосфере
- дополнительная «подсветка»

ПРИВЕДЕНИЕ ИЗОБРАЖЕНИЙ К ОДИНАКОВЫМ УСЛОВИЯМ СЪЕМКИАтмосферная коррекция - поглощение излучения в атмосфере - дополнительная «подсветка»

Слайд 8ПРИВЕДЕНИЕ ИЗОБРАЖЕНИЙ К ОДИНАКОВЫМ УСЛОВИЯМ СЪЕМКИ (нормализация яркости)
Тестовые полигоны – участки,

для которых известны яркостные характеристики

Подспутниковые радиометрические измерения
В результате получают пространственно

совмещенные изображения, у которых все пиксели имеют одинаковые размеры, а значения яркости нормализованы, т.е. можно считать, что они получены при одинаковых условиях съемки.
ПРИВЕДЕНИЕ ИЗОБРАЖЕНИЙ К ОДИНАКОВЫМ УСЛОВИЯМ СЪЕМКИ (нормализация яркости)Тестовые полигоны – участки, для которых известны яркостные характеристикиПодспутниковые радиометрические

Слайд 9ТЕМАТИЧЕСКОЕ ДЕШИФРИРОВАНИЕ
Процедуру построения описания состояния Т по космическому снимку называют

тематическим дешифрированием.
Следует различать два вида задач тематического дешифрирования:
- задача

объектного дешифрирования - отнесение изображений наземных объектов на снимках к одному из заданных классов;
- задача параметрического дешифрирования - определение количественных значений свойств наземных объектов по космическим изображениям.
Для корректного решения задач тематического дешифрирования необходимы соответствующие наземные данные
ТЕМАТИЧЕСКОЕ ДЕШИФРИРОВАНИЕ	Процедуру построения описания состояния Т по космическому снимку называют тематическим дешифрированием. 	Следует различать два вида задач

Слайд 10ШКАЛЫ ИЗМЕРЕНИЙ

ШКАЛЫ ИЗМЕРЕНИЙ

Слайд 11ОБЪЕКТНОЕ ДЕШИФРИРОВАНИЕ
Формально задачу объектного дешифрирования можно определить как задачу перехода

от изображения (описания) территории Т, заданного в виде матрицы “элементарных”

пикселей F (X,Y), где X =(x1, … , xN), Y= (y1, … ,yM), обладающих размерами (δxi, δyj) и яркостью F(xi, yj), к описанию (представлению) территории Т в виде совокупности "объектов" различных классов с размерами (Δxk, Δyk).



Важно, что результат объектного дешифрирования представляется в шкале наименований

ОБЪЕКТНОЕ ДЕШИФРИРОВАНИЕФормально задачу объектного дешифрирования можно определить как задачу перехода от изображения (описания) территории Т, заданного в

Слайд 12Возможны два варианта постановки этой задачи:
- вариант «объект – пиксель»,

когда размеры пикселя изображения соответствуют размерам наземных объектов, т.е. (Δxk,

Δyk) = (δxi, δyj) и К=M*N. В этом случае задача дешифрирования сводится к классической задаче распознавания образов. В результате ее решения каждому пикселю изображения присваивается номер соответствующего класса k;
- вариант «объект – много пикселей», когда пространственные размеры наземных объектов существенно больше пикселя, т.е. (Δxk, Δyk) >> (δxi, δyj) и К << M*N. В этом случае задача дешифрирования трансформируется в задачу районирования.
Возможны два варианта постановки этой задачи:- вариант «объект – пиксель», когда размеры пикселя изображения соответствуют размерам наземных

Слайд 13 Постановка задачи объектного дешифрирования предполагает, что в пределах территории Т,

выбраны типичные участки, так называемые, тестовые полигоны {ΩTl: l =1,…,L},

внутри которых проведены наземные наблюдения и выделены объекты разных классов, т.е. построен классификатор объектов и определены решающие правила их "прямого" распознавания. Используя эти данные, нужно провести распознавание объектов на территории Т по космическим снимкам.
Важно, что суммарная площадь тестовых полигонов существенно меньше площади исходной территории, т.е. {∑ΩTl << S (Т)}.
Постановка задачи объектного дешифрирования предполагает, что в пределах территории Т, выбраны типичные участки, так называемые, тестовые полигоны

Слайд 14 На практике это соотношение обычно изменяется от 5 до 20

% в зависимости от степени изученности и неоднородности территории Т.


С учетом того, что затраты на наземные измерения на несколько порядков выше затрат на космосъемку, процедура тематического дешифрирования позволяет заменить «прямой» способ картирования объектов («точный», но «дорогой») - на «косвенный» («дешевый», но «приближенный»).
Классификатор объектов определяется целями мониторинга.
Можно использовать известные классификаторы, такие как LCCS (Land Cover Classification System).

На практике это соотношение обычно изменяется от 5 до 20 % в зависимости от степени изученности и

Слайд 15РЕШЕНИЕ ЗАДАЧИ ОБЪЕКТНОГО ДЕШИФРИРОВАНИЯ ВКЛЮЧАЕТ ТРИ ЭТАПА:
1. Обучение –

построение решающего правила на материале обучения (тестовых полигонах)
2. Тестирование –

проверка решающего правила на материале экзамена
Экстраполирование – применение решающего правила для объектов за пределами тестовых поигонов


РЕШЕНИЕ ЗАДАЧИ ОБЪЕКТНОГО ДЕШИФРИРОВАНИЯ ВКЛЮЧАЕТ ТРИ ЭТАПА: 1. Обучение – построение решающего правила на материале обучения (тестовых

Слайд 16ОБУЧЕНИЕ
Определение критериев и правил распознавания объектов по их изображениям на

основе прямых наземных наблюдений на тестовых полигонах.
Результаты наземных наблюдений делятся

на две части: материал «обучения» и материал «экзамена». Материал «обучения» используется для выявления соответствия между «спектральными образами» на снимках и наземными «образами» реальных объектов и построения решающих правил.

ОБУЧЕНИЕ	Определение критериев и правил распознавания объектов по их изображениям на основе прямых наземных наблюдений на тестовых полигонах.	Результаты

Слайд 17РАСПОЗНАВАНИЕ СОСТОЯНИЯ РАСТИТЕЛЬНОСТИ
Ближний ИК-диапазоне (0,74 – 1,3 мкм) - используется,

в частности, для контроля состояния сельскохозяйственных культур
1- нормальное состояние,

2- стрессовое

1

2

1

2

РАСПОЗНАВАНИЕ СОСТОЯНИЯ РАСТИТЕЛЬНОСТИБлижний ИК-диапазоне (0,74 – 1,3 мкм) - используется, в частности, для контроля состояния сельскохозяйственных культур

Слайд 18ПРИМЕРЫ РЕШАЮЩИХ ПРАВИЛ
::=

арифметическое условие >
Пример : Red = 0.73;
Пороговый

критерий: 0.23<= NDVI <= 0.34

<СРП > ::= <простой критерий > [ <логическая связка > <простой критерий > ]
Пример: Red >= 0.73 & 0.23<= NDVI <= 0.34

<ДРП > ::= {[ < период - 1> ] : (< СРП-1 >) ; . . .; [ < период - n> ] : (< СРП-n>)}
<период > ::= <дата начала – дата конца >
Пример: [01.05. – 10.06 ] : (0.13<= NDVI <= 0.23); [10.06. – 10.08 ] : ( 0.23<= NDVI <= 0.74); [10.08. – 10.09 ] : (0.13<= NDVI <= 0.34)



ПРИМЕРЫ РЕШАЮЩИХ ПРАВИЛ ::= < арифметическое условие > Пример : Red = 0.73; Пороговый критерий: 0.23 ]

Слайд 19ТЕСТИРОВАНИЕ.
Построенные правила применяются для контрольного распознавания объектов из материала «экзамена»

и оценивается качество распознавания.

ТЕСТИРОВАНИЕ.	Построенные правила применяются для контрольного распознавания объектов из материала «экзамена» и оценивается качество распознавания.

Слайд 20Матрица погрешностей и ошибки распознавания

Матрица погрешностей и ошибки распознавания

Слайд 21ОШИБКИ РАСПОЗНАВАНИЯ

Еij – объект принадлежащий классу j при распознавании отнесен

к классу i
Точность распознавания объектов классу j = Еii /

i Еij
Ошибки первого рода ( пропуски объекта класса j )
Е1j = (i Еij – Еii) / i Еij
Ошибки второго рода («ложные» объекты отнесены к классу j)
Е2 j = ( j Еij - i Еij ) / i Еij
Цена ошибок первого и второго рода для объектов класса j
S1j = 1х Е1j
S2j= 2х Е2j
Суммарная цена ошибок для объектов класса j
S j = S1j+ S2 j
Суммарная цена ошибок распознавания
S = j S j
ОШИБКИ РАСПОЗНАВАНИЯЕij – объект принадлежащий классу j при распознавании отнесен к классу iТочность распознавания объектов классу j

Слайд 22ОЦЕНКА КАЧЕСТВА РАСПОЗНАВАНИЯ
«Обучения» продолжается до тех пор, пока

на «экзамене» не будет достигнута приемлемая суммарная цена ошибок распознавания

1 и 2-го рода для всех классов объектов.
Рекомендуется:
В процессе обучения периодически «перемешивать» материал «обучения» и материал «экзамена».
.


ОЦЕНКА КАЧЕСТВА РАСПОЗНАВАНИЯ 	 «Обучения» продолжается до тех пор, пока на «экзамене» не будет достигнута приемлемая суммарная

Слайд 23ЭКСТРАПОЛИРОВАНИЕ.
Правила, построенные для объектов тестовых полигонов, применяются для распознавания и

картирования объектов на остальной территории Т.

ЭКСТРАПОЛИРОВАНИЕ.	Правила, построенные для объектов тестовых полигонов, применяются для распознавания и картирования объектов на остальной территории Т.

Слайд 24 Результаты дешифрирования представляются в растровом формате и могут быть преобразованы

в векторные карты.
Дешифрированные объекты представляют собой тематические слои ГИС.

В результате объектного дешифрирования строятся электронные тематические (многослойные) карты, смысловая нагрузка (легенда) которых определяется структурой классификатора объектов.
.



Результаты дешифрирования представляются в растровом формате и могут быть преобразованы в векторные карты. 	Дешифрированные объекты представляют собой

Слайд 25Объектное дешифрирование
На практике при объектном дешифрировании космических снимков часто прибегают

к процедуре распознавания образов без обучения. В результате ее решения

каждому пикселю исходного изображения ставится в соответствие абстрактный номер класса объектов.
Наиболее популярный алгоритм ISODATA

Выбирается k исходных кластеров и относят все элементы в соответствии с внутрикластерным критерием минимальности (суммарное расстояние между точками кластера). После того как все элементы разделены на k кластеров, рассчитываются новые средние (центры) кластеров и вся процедура повторяется, до тех пор, пока не перестает улучшаться внутри кластерный критерий

На рисунке приведен результат объектного дешифрирования космического снимка Landsat TM с использованием классификатора LCCS и процедуры
ISODATA

Объектное дешифрированиеНа практике при объектном дешифрировании космических снимков часто прибегают к процедуре распознавания образов без обучения. В

Слайд 26а) космический снимок (RGB)




б) тематическая карта

а) космический снимок (RGB) б) тематическая карта

Слайд 27Алгоритмы классификации обычно встроены в стандартные пакеты обработки космических снимков,

такие как Erdas Imagine, PCI, Er Mapper, ENVI и др.,

которые выдают результаты в форматах совместимых с форматами наиболее распространенных ГИС-оболочек (ARC GIS, MapInfo и др.)
Корректность применения процедур распознавания без обучения в системах космического мониторинга вызывает серьезные сомнения, хотя результаты ее решения могут быть полезны для построения классификатора объектов, формирования «образов» и уточнения мест расположения тестовых полигонов.

Алгоритмы классификации обычно встроены в стандартные пакеты обработки космических снимков, такие как Erdas Imagine, PCI, Er Mapper,

Слайд 28 Параметрическое дешифрирование - перехода от изображения территории Т, заданного в

виде “элементарных” пикселей F (X,Y), где X =(x1, … ,

xN), Y= (y1, … ,yM), обладающих размерами (δxi, δyj) и яркостью F(xi, yj), к представлению территории Т в виде матрицы значений искомого параметра G (X,Y), где X =(x1, … , xN), Y= (y1, … ,yM).
Примерами параметров: влажность почв, содержание гумуса в почве, рельеф, температура поверхности Земли, объем надземной биомассы и т.п.
Важно, что результат параметрического дешифрирования представляется в сильных шкалах.
Если для решения задачи объектного дешифрирования необходимо предварительно построить классификатор объектов, то для корректного решения задачи параметрического дешифрирования нужна шкала градуировки значений параметра, построенная по контактным измерениям.
Параметрическое дешифрирование - перехода от изображения территории Т, заданного в виде “элементарных” пикселей F (X,Y), где X

Слайд 29РЕШЕНИЕ ЗАДАЧИ ПАРАМЕТРИЧЕСКОГО ДЕШИФРИРОВАНИЯ
1. Построение калибровочной функции R(F,G), устанавливающую соответствие

между значениями яркостей F и численными значениями параметра G.

Нужно иметь снимки, на которых представлены все градации значений параметра, включая пиксели с минимальным и максимально возможным значением.

2. Тестирование калибровочной функции
По аналогии с объектным дешифрированием данные контактных измерений следует разделить на две части: материал «обучения» и материал «экзамена». Материал «обучения» используется для построения калибровочной функции, а материал «экзамена» для оценки точности калибровки.

3. Применение калибровочной функции для определения значений параметра
Примечание. В ряде случаев вид калибровочной функции может зависеть от периода съемки (например: зима, весна, лето, осень). Кроме того для больших и неоднородных территорий построить единую калибровочную функцию часто не удается. В этих случаях следует провести предварительное районирование территории , разделить ее на однородные «районы» и строить свои калибровочные функций для каждого «района».
РЕШЕНИЕ ЗАДАЧИ ПАРАМЕТРИЧЕСКОГО ДЕШИФРИРОВАНИЯ1. Построение калибровочной функции R(F,G), устанавливающую соответствие между значениями яркостей F и численными значениями

Слайд 30Частным случаем параметрического дешифрирования является задача построения рельефа местности по

данным ДЗЗ.

а) растровое представление, б) карта изолиний

(вектор)

Результаты параметрического дешифрирования оформляются в виде растровых карт, карт изолиний или графиков

Частным случаем параметрического дешифрирования является задача построения рельефа местности по данным ДЗЗ. а) растровое представление,

Слайд 31Пример неправильного использования результатов дешифрирования

Пример неправильного использования результатов дешифрирования

Слайд 32ТЕХНОЛОГИЧЕСКАЯ СХЕМА ОБРАБОТКИ ДАННЫХ ДЗЗ
ДЛЯ БОЛЬШИХ ТЕРРИТОРИЙ
Предварительная обработка отдельных

сцен
Формирование групповых сцен (мозаик)
Тематическое дешифрирование (построение карты)
Формирование временных рядов

результирующих карт

Результаты дешифрирования используются для дальнейшей аналитической обработки, включая, распознавание изменений, анализ и диагностика тенденций, прогноз развития .

ТЕХНОЛОГИЧЕСКАЯ СХЕМА ОБРАБОТКИ ДАННЫХ ДЗЗ ДЛЯ БОЛЬШИХ ТЕРРИТОРИЙПредварительная обработка отдельных сценФормирование групповых сцен (мозаик) Тематическое дешифрирование (построение

Слайд 33РАСПОЗНАВАНИЕ И РАНЖИРОВАНИЕ ИЗМЕНЕНИЙ
Одна из основных функций мониторинга заключается

в обнаружении и пространственной локализации изменений в состоянии территории.
Методы

регистрации изменений обычно предусматривают сравнение описаний отвечающих различным моментам времени, в частности предшествующему и текущему или начальному и конечному состояниям по схеме:
<Было> - <Стало>

! Сравнивать нужно не исходные космоснимки, а карты, построенные в результате их тематического дешифрирования.
Карты должны быть построены по одинаковым технологиям.
РАСПОЗНАВАНИЕ И РАНЖИРОВАНИЕ ИЗМЕНЕНИЙ  	Одна из основных функций мониторинга заключается в обнаружении и пространственной локализации изменений

Слайд 34Космический снимок
IRS PAN за 16.06.2008 г








Космический снимок
IRS

PAN за 19.06.2008 г

Космический снимок IRS PAN за 16.06.2008 г Космический снимок IRS PAN за 19.06.2008 г

Слайд 35Чем разнообразней нагрузка карты, тем более сложным будет алгоритм распознавания

и количественной оценки изменений.
ОКТ, отвечающие двум последовательным моментам времени

ОКТ (t-1) и ОКТ (t) могут различаться:
- количеством классов объектов;
- количеством объектов каждого класса;
- количеством пикселей в каждом объекте (площадью объектов);
- суммарной площадью объектов данного класса;
- пространственным расположением и геометрической формой отдельных объектов;
- структурой отношений между объектами.
Чем разнообразней нагрузка карты, тем более сложным будет алгоритм распознавания и количественной оценки изменений. ОКТ, отвечающие двум

Слайд 36Интегральная мера различий :


r1 – мера различия ОКТ1 и

ОКТ2, отражающая изменения в количестве классов;
r2 – мера различия ОКТ1 и

ОКТ2, отражающая изменения в количестве объектов различных классов;
r3 - мера различия ОКТ1 и ОКТ2, отражающая изменения в площадях объектов различных классов;
r4 – мера различия ОКТ1 и ОКТ2, отражающая различия в пространственном расположении границ объектов;
r5 – мера различия ОКТ1 и ОКТ2, отражающая изменения в отношениях между объектами.
ai – весовые коэффициенты
Интегральная мера различий : r1	– мера различия ОКТ1 и ОКТ2, отражающая изменения в количестве классов;r2	– мера различия

Слайд 37 Если значения локальных мер различия, выявленных при сравнении карт, превышают

пороговые значения соответствующих критериев, то обнаруженные изменения признаются существенными и

информация о них передается для дальнейшего анализа человеку-интерпретатору
Если значения локальных мер различия, выявленных при сравнении карт, превышают пороговые значения соответствующих критериев, то обнаруженные изменения

Слайд 38 Карты, интегральная мера различия которых меньше, считаются соответственно более похожими.



1. Не существует общего правила для выбора весов, задающих

значимость того или иного изменения. Их можно определить только в контексте постановки соответствующей задачи мониторинга.
2. В ряде случаев следует учитывать эффект накопления малых изменений. В частности, различия между двумя картами - текущей и предшествующей могут быть незначительны (ниже порога значимости), но если сравнивать карты, отвечающие началу и концу достаточно большого интервала времени, то они могут оказаться существенными.
Карты, интегральная мера различия которых меньше, считаются соответственно более похожими. 1. Не существует общего правила для выбора

Слайд 39ПРИМЕРЫ ДЕТЕКТИРОВАНИЯ РАЗЛИЧИЙ

ПРИМЕРЫ ДЕТЕКТИРОВАНИЯ РАЗЛИЧИЙ

Слайд 40РАСПОЗНАВАНИЕ ИЗМЕНЕНИЙ (на примере г. Алматы)

РАСПОЗНАВАНИЕ ИЗМЕНЕНИЙ (на примере г. Алматы)

Слайд 41Картирование изменений Аман-Карагайского лесного массива на территории Костанайской области за

2005-2009 гг. (данные MODIS – разрешение 250 м, дневные

пролеты, зимний период)

18 января 2005

MODIS

РЕГИСТРАЦИЯ ИЗМЕНЕНИЙ

Картирование изменений Аман-Карагайского лесного массива на территории Костанайской области за 2005-2009 гг.  (данные MODIS – разрешение

Слайд 42Изменение интенсивности антропогенного давления, связанного с растениеводством, на территории тестового

полигона Костанайской области

Изменение интенсивности антропогенного давления,  связанного с растениеводством, на территории тестового полигона  Костанайской области

Слайд 43А – система озер Тоболо-Убаганского водороздела; В – система озер Тургайской

ложбины; С – система озер Сыпсынагашской ложбины
Пример сравнительного анализа состояния

озерных систем (июль 1986 – июнь 2001)

Районирование тестовой территории по динамике изменения поверхностного увлажнения

Уменьшение

Увеличение

А – система озер Тоболо-Убаганского водороздела; В – система озер Тургайской ложбины;  С – система озер

Слайд 44Динамика площадей зон с различной продуктивностью растительности
Динамика площадей зон с

низкой продуктивностью растительности
ОЦЕНКА МЕЖСЕЗОННЫХ ИЗМЕНЕНИЙ РАСТИТЕЛЬНОГО ПОКРОВА
2002
2008
Зоны различной продуктивности растительности

Динамика площадей зон с различной продуктивностью растительностиДинамика площадей зон с низкой продуктивностью растительностиОЦЕНКА МЕЖСЕЗОННЫХ ИЗМЕНЕНИЙ РАСТИТЕЛЬНОГО ПОКРОВА20022008Зоны

Обратная связь

Если не удалось найти и скачать доклад-презентацию, Вы можете заказать его на нашем сайте. Мы постараемся найти нужный Вам материал и отправим по электронной почте. Не стесняйтесь обращаться к нам, если у вас возникли вопросы или пожелания:

Email: Нажмите что бы посмотреть 

Что такое TheSlide.ru?

Это сайт презентации, докладов, проектов в PowerPoint. Здесь удобно  хранить и делиться своими презентациями с другими пользователями.


Для правообладателей

Яндекс.Метрика