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

углу Солнца,входило поддержание теневых эффектов на изображениях в допустимых пределах. Аналогичным образом, угол зрения при фотографировании должен был быть менее 40°, чтобы не усложнять интерпретацию аэрофотоснимков. Было установлено 60%-ное перекрытие для стереоскопического просмотра.

На основании архивных метеорологических данных предполагалось, что в среднем каждые 18 дней будет получено 20 из 33 кадров цифровых данных Ландсат, аэрофотоснимков и отчетов. Для обработки такого объема информации использовалась

изображения

Отчеты


Ленты)

Библиотека данны.ч

Библиотека изображений

Биб-чиотека отчетов

Ленточная библиотека

/Форматные преобразо-V вания

/Совмещение \ \изображений/

Аналитик

Математическое обеспечение анализа

Результаты

Рис. VI.4. Поток данных для проекта .системы идентификации сельскохозяйственных культур и определения занимаемой ими площади (в акрах). ЛХД - лента хранения данных

система, показанная на рис. VI.4. Когда поступающие изображения, отчеты и ленты с данными заносились в библиотеку данных, они были готовы для аналитика.

Предварительная обработка. Как указывалось ранее, для проверки данных Ландсат на облачное покрытие и другие факторы качества использовалась 70-миллиметровая пленка Ландсат. Для лент данных, не забракованных при проверке, выполнялись форматные преобразования для их соответствия математическому обеспечению для анализа. Для того чтобы аналитик мог локализовать обучающие области, многоспектральные сканерные данные с тех участков области, для которых собирались аэрофотоснимки, геометрически корректировались. Были выбраны такие масштабные коэффициенты, чтобы нри воспроизведении данных на стандартном АЦПУ их ,]у1асштаб был 1:24 000 (масштаб стандартных топографических йарт Геологической службы США 7,5).



Анализ дани ых. Обзор методов анализа многоспектральных сканерных данных дан на рис. VI.5. Первым шагом анализа является определение качества данных. Общее представление о качестве данных уже было получено при визуальном просмотре 70-миллиметровой пленки Ландсат. Зная, что данные прошли этап отбора и с ними были выполнены форматные преобразования, аналитик просматривает их на дисплее. Важно, чтобы аналитик умел проверять весь кадр, увеличивать выбранные участки и переключаться с одного канала на другой. Во время вьшолнения этого этапа аналитик проверяет изображения на облачное покрытие, выделяет дефектные строки и другие аномалии, вызванные информационной системой, и, как правило, знакомится с исследуемой географической областью.

Следующий этап анализа состоит в сопоставлении многоспектральных сканерных данных Ландсат со справочными данными. Вспомним, что аэрофотоснимки были получены на выбранные участки исследуемой области трех штатов. Основным видом справочных данных, имевшимся в распоряжении аналитика, были эти аэрофотоснимки, а также карты Геологической службы США. Как указывалось при рассмотрении вопроса о подготовке данных, те участки кадров Ландсат, для которых имелись аэрофотоснимки, геометрически корректировались, чтобы аналитик мог идентифицировать соответствующие признаки на изображениях Ландсат и аэрофотоснимках.

Непосредственно за сопоставлением справочных данных с изображениями Ландсат следует следующий этап анализа - разработка обучающих статистик. Цель этого этапа - определение статистических характеристик каждого исследуемого класса покрытия Земли. На этой стадии анализа большую роль играют способности аналитика. Знание принципов работы систем контрольно-измерительной аппаратуры дистанционного зондирования (гл. II), взаимодействия между излучением Солнца и материалами покрытия Земли (гл. V) и основ распознавания образов (гл. III) помогает аналитику правильно «обучать классификатор». Важна также хорошо спроектированная интерактивная подсистема (гл. IV).

Получение обучающих статистик лучше всего рассмотреть в виде ряда подэтапов, как показано на рис. VI.6. Аналогичная процедура получения обучающих статистик имеет широкое применение. Были выбраны обучающие области данных Ландсат, •состоящие из 100 строк и 100 столбцов в областях, соответствующих областям на аэрофотоснимках. Для адекватного представления изменения в округе в каждом из них было выбрано от четырех до шести областей, и по крайней мере одна из них находилась в северной и одна - в южной части округа.

При локализации сельскохозяйственных полей в данных Ландсат для получения карты спектральных классов (кластеров) использовался кластерный анализ (см. обсуждение неконтролируемого анализа в разделе III.10). Обычно для полу-314



цения карты спектральных классов с легко идентифицируемыми сельскохозяйственными полями было достаточно от итести до восьми классов. Этот подход оказался более удачным, чем работа с полутоновыми картами отдельных спектральных каналов. На рис. V1.7 дан пример кластерной карты. Пример цвет-

Проверка качества данных

Корреляция справочных данных с изображениями Дандсат

Получение обучающих статистик

Классификация исследуемых областей

Получение выходных материалов

Рис. VI.5. Анализ многоспектральных сканерных данных

Оконтуривание участкоа со огрз-вочными данными ка изображениях Дандсат

Выделение предполагаемых обучающих областей и использование кластерного анализа для усиления изображения

Выделение характерных полей для каждого исследуемого типа покрытия

Использование кластерного анализа для проверки гауссового . предположения и выявления необходимости разбивки на подклассы

Рис. VI.6. Этапы получения обучающих статистик

ных инфракрасных фотографий - на рис. VI.8 (между с. 32 и 33).

Во время выполнения стандартной процедуры анализа аналитик разделил поля, которые были идентифицированы как принадлежащие к определенным типам покрытия, на две группы. Одна группа, под названием обучающие поля, использовалась для «обучения классификатора», т. е. для определения статистических характеристик каждого обучающего класса. Другая группа полей, называемая тестовыми полями, была оставлена для последующего использования при анализе, в целях оценки результатов классификации.

Затем проводился кластерный анализ полей, обозначенных как обучающие. Как указывалось в разд. HI.10, кластерный



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



0.0438
Яндекс.Метрика