Скачать статью в pdf.

УДК 528.8

DOI: 10.15507/0236-2910.028.201803.352-365

Повышение эффективности процесса интерпретации данных дистанционного зондирования Земли за счет анализа дескрипторов окрестности

Ямашкин Станислав Анатольевич
старший преподаватель кафедры автоматизированных систем обработки инфрмации и управления, ФГБОУ ВО «МГУ им. Н. П. Огарёва» (430005, Россия, г. Саранск, ул. Большевистская, д. 68/1), кандидат технических наук, ResearcherID: N-2939-2018, ORCID: https://orcid.org/0000-0002-7574-0981, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

Ямашкин Анатолий Александрович
декан географического факультета, ФГБОУ ВО «МГУ им. Н. П. Огарёва» (430005, Россия, г. Саранск, ул. Большевистская, д. 68/1), доктор географических наук, профессор, ResearcherID: N-2941-2018, ORCID: https://orcid.org/0000-0001-9995-8371, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

Введение. В оценке пространственно-временной структуры земной поверхности большую значимость приобретают данные дистанционного зондирования Земли. Повышение эффективности инструментов анализа космической съемки возможно через изучение проблемы получения комплексной пространственно-временной характеристики состояния земель. Целью исследования является повышение точности автоматизированного анализа данных дистанционного зондирования Земли за счет учета инвариантных и динамических дескрипторов окрестности.
Материалы и методы. С целью повышения точности классификации данных дистанционного зондирования Земли проводился расчет комплексных пространственно-временных характеристик состояния земель на основе системного анализа данных, характеризующих динамические и инвариантные состояния территории, окружающей геофизический участок. Формализация данного процесса, приведенная в статье, включает методики расчета набора численных дескрипторов окрестности: локальной энтропии, локального диапазона, среднеквадратического отклонения, цветового момента, гистограммы оттенков, кортежа цветов. Описана методика расчета комплексного дескриптора на основе вектора Фишера. Для апробации решения составлен план эксперимента и проведена выборка исходных данных.
Результаты исследования. Апробация методики и созданного на ее основе алгоритма, реализованного в виде комплекса программ, на системе тестовых полигонов показала варьирование точности классификации в диапазоне 81–89 % (без учета дескрипторов окрестности) и 91–97 % (с учетом дескрипторов). Значительное увеличение радиуса анализируемой окрестности приводит к снижению точности классификации.
Обсуждение и заключения. Разработанный комплекс программ позволяет оперативно проводить моделирование пространственных систем с целью тематического картографирования землепользования и анализа развития чрезвычайных ситуаций, а созданная методика анализа земель с учетом дескрипторов окрестности дает возможность повысить точность классификации.

Ключевые слова: дешифрирование космических снимков, дистанционное зондирование Земли, анализ земель, дескриптор окрестности, инвариантные свойства, динамические свойства

Для цитирования: Ямашкин С. А., Ямашкин А. А. Повышение эффективности процесса интерпретации данных дистанционного зондирования земли за счет анализа дескрипторов окрестности // Вестник Мордовского университета. 2018. Т. 28, № 3. С. 352–365. DOI: https://doi.org/10.15507/0236-2910.028.201803.352-365

Заявленный вклад соавторов: С. А. Ямашкин – разработка методики и алгоритма анализа земель, реализация математического аппарата в виде комплекса программ; А. А. Ямашкин – анализ экспериментальных результатов.

Все авторы прочитали и одобрили окончательный вариант рукописи.

Поступила 01.12.2017; принята к публикации 20.02.2018; опубликована онлайн 20.09.2018

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Kruse F. A., Lefkoff A. B. The spectral image processing system (SIPS) – interactive visualization and analysis of imaging spectrometer data // Remote Sens. Environ. 1993. Vol. 44. P. 145–163.

2. Kohonen T. Self-organizing maps (third extended edition). New York, 2001. 501 p.

3. Rosenblatt F. Analytic techniques for the study of neural nets // IEEE Trans. on Appl. and Industry. 1964. Vol. 83, no. 74. Р. 285–292.

4. Breiman L. Bagging predictors // Machine Learning. 1996. Vol. 24, no. 2. Р. 123–140.

5. Foody G. M., Mathur A. Toward intelligent training of supervised image classifications: directing training data acquisition for SVM classification // Remote Sensing of Environment. 2004. Vol. 93. Р. 107–117.

6. Polikar R. Bootstrap inspired techniques in computational intelligence: ensemble of classifiers, incremental learning, data fusion and missing features // IEEE Signal Processing Magazine. 2007. Vol. 24, no. 4. P. 59–72.

7. Polikar R. Ensemble based systems in decision making // IEEE Circuits and Systems Magazine. 2006. Vol. 6, no. 3. P. 21–45.

8. Woods K., Kegelmeyer W. P. J., Bowyer K. Combination of multiple classifiers using local accuracy estimates // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1997. Vol. 19, no. 4. Р. 405–410.

9. Ямашкин С. А., Ямашкин А. А., Фролов А. Н. Базовые геоинформационные ресурсы для оптимизации регионального землепользования // Международный научно-исследовательский журнал. 2016. Т. 53, № 11-2. С. 85–88.

10. Ямашкин С. А. Использование ансамбль-систем в анализе данных ДЗЗ для мониторинга состояния земель и прогнозирования стихийных природных процессов // Фундаментальные и прикладные исследования: проблемы и результаты. 2016. № 28. С. 71–77.

11. Использование ансамбль-систем для картографирования ландшафтов / С. А. Ямашкин [и др.] // Геодезия и картография. 2016. № 7. С. 42–49.

12. Ямашкин С. А., Ямашкин А. А. Моделирование синтетической ландшафтной карты // Перспективы развития информационных технологий. 2016. № 32. С. 68–74.

13. Ямашкин С. А. Мониторинг состояния земель и прогнозирования стихийных процессов на основе анализа инвариантных и динамических параметров территории // Международный научно-исследовательский журнал. 2016. Т. 51, № 9-2. С. 110–112.

14. Синтетическое ландшафтное картографирование в региональной ГИС / С. А. Ямашкин [и др.] // Международный научно-исследовательский журнал. 2017. Т. 58, вып. 04-1. С. 54–56.

15. Ямашкин А. А., Ямашкин С. А., Акашкина А. Г. ГИС-моделирование ландшафтного разнообразия // Геодезия и картография. 2013. № 11. С. 40–45.

16. Ямашкин А. А., Ямашкин С. А. Применение алгоритма выделения краев к решению задачи моделирования границ ландшафтов // Вестник Воронежского государственного университета (Сер. «География. Геоэкология»). 2013. № 2. С. 28–34.

17. Применение ГИС в анализе морфологической структуры ландшафтов / А. А. Ямашкин [и др.] // Вестник Удмуртского университета (Сер. «Биология. Науки о Земле»). 2013. № 6-3. С. 115–122.

Контент доступен под лицензией Creative Commons Attribution 4.0 License.