анализ является методом неконтролируемой классификации, с помощью которого данные разделяются на спектрально различимые классы или подклассы. На этой стадии он используется как последовательный анализ для определения того, являются ли обучающие поля каждого исследуемого типа покрытия спектрально однородными или нет. Если эти типы покрытия неоднородны, каждый из них необходимо разбить на ряд одно-

/V oo /uo/» V/

n =/DHD r 0 0I

,«»»»«»»;»•

« *•»

ii iinoif" idiiiiiiii

iiiiiimni .

1111linoill

jttfiiiiii »•••• /••«•

77 /

.-i iiii ----1"" i\ L/ /иоисюсоиоА

VcoDnDDDOCnuDD/« .... 1

Puc. VI.7. фрагмент кластерной карты, которая использовалась для локали-.зации положения и идентификации полей в округе Финни, Канзас (\7 - пшеница, А-люцерна, BS - обнаженная почва). Очерченная область соответствует области на рис. V.8.

родных подклассов, чтобы выполнялось гауссово предположение об алгоритме классификации по правилу максимума правдоподобия (см. разд. П1.6). Опыт, приобретенный на первых стадиях проекта, подсказал, что аналитик должен начать кластерный анализ с требования - дать четыре кластера обучающих полей пщеницы и пять кластеров обучающих полей других классов. Во время работы с выходной информацией после кластерного анализа аналитик занимается рафинированием предполагаемых обучающих областей и выбором окончательных областей и подклассов.

Так как аэрофотоснимки имеются только на 40% округов исследуемой области, для классификации каждого из оставшихся округов аналитик использовал обучающие статистики соседнего округа. Когда можно было выбирать один из двух соседних округов, аналитик старался выбрать округ, который 316

имел бы одинаковйе климатические условия (здесь главным показателем было количество атмосферных осадков), аналогичные типы почв и аналогичный характер сельскохозяйственной деятельности. В таких случаях особенно большую помощь оказывали исторические справочные данные.

Следующий этап анализа -это классификация исследуе-]У1ЫХ областей. Проект предусматривал определение площади земли в акрах по штату, по сельскохозяйственному району и округам. Чтобы выполнить это, для оцифровки границ округов использовались цифровые таблицы, нанесенные на карту масштаба 1 : 25 ООО. Координаты легко идентифицируемых контрольных точек (точки пересечения главных шоссейных дорог, аэропорты) также оцифровывали. Затем устанавливалось местонахождение этих точек на изображениях Ландсат для определения необходимых геометрических преобразований границ округов на карте в координаты Ландсат. В дальнейшем расположение границ и алгоритм классификации по правилу максимума правдоподобия использовали для классификации и табулирования результатов отдельно для каждого округа исследуемой области. В целях экономии машинного времени использовалась описанная ранее схема разбиения. Вместо классификации каждого вектора данных Ландсат было классифицировано 25% векторов данных - вектора каждой второй строки и каждого второго столбца.

Получение выходных данных. Программа классификации, которая использовалась в этом исследовании, предусматривает создание результирующего файла, содержащего информацию о принадлежности каждого классифицируемого вектора данных какому-либо классу. Результирующий файл затем используется в качестве входного для других целей обработки, что дает в результате различные типы выходных данных. Основным видом выходных данных в этом проекте были таблицы площадей в процентах и в гектарах (акрах), занимаемых каждым исследуемым видом сельскохозяйственных культур. Результаты были получены для каждого округа и также объединены по сельскохозяйственным районам. Пример табулирования результатов по пшенице в Южно-Центральном сельскохозяйственном районе штате Канзас дан в табл. VI.2. При рассмотрении вопроса об оценке результатов в следующем разделе эти результаты сравниваются с оценками Статистического управления Министерства сельского хозяйства США.

Аналогичные выходные данные получали четыре раза в течение календарного года, что было предусмотрено задачами проекта. Состояние облачного покрытия препятствовало сбору данных по всей исследуемой области во время любого витка Ландсат, и поэтому ни один из четырех отчетов не дает правильных оценок площади сельскохозяйственных культур в акрах в какой-либо момент времени, но каждый из них скорее является объединением результатов классификации, показы-

вающих лучшие оценки, полученные в каждый из четырех выбранных моментов времени.

Оценивание результатов. Последним основным этапом выполнения проекта дистанционного исследования является оценивание результатов. Как указывалось в гл. П1, точность классификации можно определить путем проверки результатов классификации обучающих и тестовых полей и сравнения их с независимыми оценками. В этом проекте использовались все три способа определения точности классификации.

Точность классификации обучающих и тестовых полей 14 округов Канзаса приведена в табл. VI. 3. Точность классификации, определенная по результатам классификации обучающих полей, незначительно отличается от результатов, полученных

Таблица VI.3

Точность классификации обучающих и тестовых полей выделенных округов Канзаса

Оценки пшеницы по данным Ландсат в Южно-Центральном сельскохозяйственном районе Канзаса, полученные в апреле 1975 г.