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

ходим для эффективного картографирования типов лесного покрытия в топографически сложной области методами машинного анализа. Виды справочных данных для обучения ЭВМ и проверки результатов включали инфракрасные аэрофотоснимки и подробные данные, собранные на Земле.

Реализация. Использовался такой метод анализа, как сочетание контролируемого и неконтролируемого подхода (см. табл. П.1). Этот метод особенно хорош для анализа спектрально сложных областей. Он не требует от аналитика отбора и идентификации однородных выборок всех возможных изменений спектральных характеристик каждого типа покрытия (как при контролируемом подходе), что является очень трудной задачей для таких сложных областей. Этот метод «модифицированного кластерного анализа» состоит из четырех основных шагов, которые позволяют аналитику более эффективно взаимодействовать с данными, чем при использовании других методов.

Шаг 1. Локализация и определение по строке и столбцу нескольких относительно небольших блоков данных, рассосре-доточенных по всему исследуемому участку, причем каждый из них содержит от трех до пяти типов покрытия; эти области называются «предполагаемыми обучающими областями».

Шаг 2. Кластерный анализ каждой предполагаемой обучающей области, сравнение кластерных карт со справочными данными и повторный кластерный анализ, если спектральные кластерные классы не коррелируют с исследуемыми информационными классами.

Шаг 3. Получение единого множества обучающих статистик путем объединения результатов кластерного анализа всех обучающих областей с использованием разделяющего алгоритма,, помогающего вычислить парные статистические расстояния между кластерами.

Шаг 4. Классификация обучающих областей с использованием статистик и классификатора по правилу максимума правдоподобия для предварительной проверки адекватности обучающих статистик; сравнение результатов со справочными данными для выявления пропуска необходимых классов и ошибок маркировки; затем - классификация всей исследуемой области..

В этом исследовании, включавшем 13-канальную информацию станции Скайлаб, в результате кластерного анализа (шаг 2) было получено 135 спектрально разделимых кластерных классов в девяти обучающих областях, выбранных во время вьшолнения шага 1 (рис. VI.13). Для уменьшения числа-спектральных классов при объединении аналогичных кластерных классов в качестве меры разделимости использовали преобразованную дивергенцию (см. разд. III.8); в частности, классы с преобразованной дивергенцией менее 1,50 считались спектрально одинаковыми и объединялись. В целях дальнейшего-уменьшения числа классов классы с преобразованной диверген-328



дней 1,50-1,70 также объединялись или даже отбрасывались в том случае, если они были относительно незначительными для тестовой области. Благодаря правильному использованию меры разделимости и справочных данных число кластерных спектральных классов было сокращено до 31, что позволило получить достаточно точную, но не слишком сложную классификацию.


Рис. VI.13. Изображение, полученное по многоспектральным данным, на котором показано девять обучающих областей, использованных для анализа

При определении возможного предела сокращения этих спектральных классов необходимо было уделять внимание конкретным целям анализа. При сравнении этих спектральных классов с аэрофотоснимками они объединялись с признаками поверхности Земли и с этого момента могли считаться «спектральными/информационными классами». В качестве окончательной проверки обучающих статистик до начала классификации всей области тщательно оценивалась классификация обу-чающей области.

Метод анализа, который рассматривался до сих пор в этом исследовании, представлял собой поточечную классификацию, в которой каждый вектор данных обрабатывается классификатором отдельно по правилу максимума правдоподобия. При применении этого метода получается очень подробная результирующая карта, которая может содержать даже больше деталей, чем это необходимо для исследователя природных ресурсов Земли. Например, даже 1 га, идентифицируемый как пастбище



в центре большого лесного массива, может представлять интерес для охотоведа как возможное место обитания диких животных, но такая деталь будет лишней для лесоустроителя, который, вероятно, предпочтет в качестве минимальной единицы для картографирования площади не менее 5 га.

Для получения обобщенных карт была выполнена вторая классификация данных с использованием алгоритма, с помощьн> которого спектрально однородные области вначале локализу-


Рис. VI. 15. Статистически определенная сетка тестовых областей

ются, а затем классифицируются как целые единицы [И]. Карты, полученные в результате применения этих двух методов (рис. VI.14) (между с. 32 и 33), несколько отличаются друг от друга: точечный классификатор дал карту с крапчатой текстурой, а классификатор выборок--карту, в которой спектрально одинаковые точки данных были объединены в более крупные единицы и классифицировались как один тип покрытия.

Исследователи природных ресурсов отметили, что вторая карта лучше всего соответствовала существующим системам карт и в некоторых случаях могла приносить большую пользу при функциональном управлении природными ресурсами.

Оценивание. Важным аспектом исследования были методы оценки результатов и проверки того, удовлетворяют ли карты классификации и таблицы требованиям пользователя. Для оценки результатов использовались три метода: один метод качественного подхода и два - количественного. 330



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



0.0078
Яндекс.Метрика