Android-приложение для поиска дешевых авиабилетов: play.google.com
Главная -> Дистанционное зондирование

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 [100] 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129

выборки. Дисперсию девяти оценок выборок сравнили с дисперсией, определенной теоретически. Аналогично было проделано и для частоты выборки 50; 33,3; 25; 10; 6,25; 4 и 2,8%. Во всех случаях дисперсия повторных оценок выборок одинакового размера незначительно отличалась от теоретических. Поэтому было установлено, что теоретическая оценка ошибки в выборке может использоваться для решения того, какая частота выборки необходима, если размер элемента разрешения небольшой по сравнению со средним размером «поля». Очевидно, что чем меньше частота выборки, тем меньше средств затрачивается на вычисления.

Таким образом, основываясь на современном состоянии технологии, имеющемся опыте и результатах аналогичных научно-исследовательских проектов, было решено, что подходящие системы сбора данных имеются, исследуемые типы покрытия можно дифференцировать по спектральным и/или временным изменениям, соответствующие устройства обработки и анализа данных есть, и методы многомерного анализа дают тот вид информации, который необходим пользователю. Кроме того, поскольку данные по слежению за состоянием кукурузы собирались и анализировались с интервалами в две недели, был сделан вывод, что если данные предоставляются в течение недели после их сбора, то можно удовлетворить требования пользователя как к информации, так и к своевременности ее получения.

Планирование проекта

После того как была бпределена реальность проекта, необходимо было разработать конкретные детали. Надо было решить, какую систему сбора данных использовать и как часто собирать данные. Такие вопросы всегда зависят от методов анализа данных. Так как исследовалась большая географическая область, был необходим машинный анализ, а не «ручное» дешифрирование изображений. Это, в свою очередь, предполагало использование в качестве системы сбора данных многоспектрального сканера, потому что только такая система дает высококачественные данные. Хотя при использовании многоспектрального сканера на борту самолета возможно планирование полетов с учетом плохих погодных условий, частота охвата области ИСЗ Ландсат (тогда работало два спутника, так что данные поступали каждые 9 дней) полностью исключала какие-либо преимущества использования этой системы в данном случае. Низкая стоимость данных, необходимая частота охвата области и то, что определение возможности выполнения проекта указало на достаточность спектрального и пространственного разрешения многоспектрального сканера Ландсат для удовлетворения требований пользователя относительно информации, - все это подтверждало правильность использования данных Ландсат.

20* 307



Для выполнения анализа данных Ландсат было выбрано три типа справочных данных: крупномасштабные аэрофотоснимки, топографические карты и историческая информация. Для отбора обучающих выборок, оценки точности классификаций и получения оценок площади земли в акрах тех областей, которые покрыты облаками во время витка спутника, сбор цветных и цветных инфракрасных аэрофотоснимков был необходим несколько раз в течение года. Для локализации границ округов и преобразования их координат в координаты строк и столбцов данных Ландсат с учетом дальнейшего использования при анализе данных по округам были выбраны топографические карты масштаба 1 :250 ООО. Такой масштаб обеспечивал быструю и точную локализацию административных границ. Было запланировано использование стандартных карт геологической службы США более крупного масштаба (1 :24 ООО) для тех областей, на которые нужно было получить аэрофотоснимки. Считалось, что карты такого масштаба приносят большую пользу аналитику при выборе обучающих и тестовых полей.

Статистический обзор США, сельскохозяйственные статистические данные США, сельскохозяйственная перепись - вот примеры источников получения архивных данных, которые необходимы для определения однородных подобластей и оценки априорных вероятностей исследуемых типов покрытия Земли.

Поскольку было решено работать с многоспектральными сканерными данными Ландсат, одним из требований к предварительной обработке являлись форматные преобразования этих данных для их совместимости с математическим обеспечением для анализа.

При исследовании возможности вьшолнения проекта не учитывался многовременнбй анализ, но было запланировано (в случае если он понадобится) брать данные с одной и той же географической области, собранные в различные фазы созревания сельскохозяйственных культур, наложить их друг на друга или совместить. Как указывалось в гл. VL4, в процессе совмещения данные с различных витков Ландсат объединяются и записываются на одну ленту, причем точки изображения запоминаются таким образом, что данные на любую данную точку сцены со всех витков геометрически совпадают, и поэтому их можно найти с помощью одного множества координат строк и столбцов (рис. VI.1).

Также была запланирована геометрическая корректировка тех участков области где необходимо получить аэрофотоснимки. Во время предварительной обработки данные поворачиваются, устраняются их искажения, изменяется масштаб и изображения, полученные на основе этих данных, ориентированы на север и масштабированы соответственно имеющимся справочным данным [8]. Использование обычного масштаба для многоспектральных сканерных изображений и справочных дан-308



ных облегчает исследователю задачу локализации соответствующих точек на двух изображениях.

Затем были составлены планы анализа данных. Чтобы отобрать обучающие выборки для каждого исследуемого класса, использовались аэрофотоснимки. На картах с данными Ландсат, воспроизведенных на алфавитно-цифровом печатающем устройстве (АЦПУ), выделяли обучающие поля. С помощью кла-

Октябрь


15,Х

30. V

15.x

30.V

Строка 1, столбец! Строка!, столбец 2

Рис. VI.L Слияние данных Ландсат, полученных с одной сцены в различное время для образования множества многоспектральных многовременных данных

стерного анализа необходимо было установить, были ли исследуемые виды сельскохозяйственных культур спектрально однородными или требовалось определение подклассов. Затем была запланирована оценки спектральных/временных каналов с использованием алгоритма отбора признаков, основанного на преобразованной дивергенции. Для сокращения мащинного-времени на классификацию предусматривалась классификация лишь части от общего числа элементов изображения в области трех штатов. Результаты исследования возможности выполнения проекта показали, что ошибки классификации, допустим, каждой второй или каждой третьей строки и столбца, можна предсказать и, следовательно, поддерживать в допустимых пре-



0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 [100] 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129



0.0162
Яндекс.Метрика