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

При:наки поверхности Земли

облака


Во.ная поверхность

Растительность

Обнаж<ниая почв I

Искусственное покрытие





Плотность Формы Тени Вода Снег Лед

Естествен- Искусствен- Геологические

пая пая признаки понвы


Лиственный

Смешанный в о •


Жилые Промышленные здания объекты

Лес Кустарник Земляпс Землипсс.х

»


Состояние


культурами

Виды Cocro;ii.ie о,--х,культур

Хвойный Недостаток Болезни Повреэкдены влаги насекомыми

Использование Стрессовое

с.-х.культур состояние

Уерно одм" Сено Другие Бопезни Повреждены (Уедосгагок Ф « ® насекомыми влаги

Рис. VII-2, Типичное информационное дерево классов природных ресурсов Земли



или в другом отношении разделимыми (т. е. различимыми на основе доступных данных),

Проблема обучения классификатора образов сводится к разработке исчерпьшающего списка классов, которые одновременно информационно значимы и разделимы. Правильно построенное информационное дерево должно удовлетворять этим требованиям. Даже в этом случае при построении такого дерева можно сделать много произвольных выборов; несколько конфигураций дерева позволяют сделать правильное и полезное описание сцены, как и список классов.

Например, элементы дерева на рис. YU.2 - это все родовые названия информационных классов. Они также могут представлять собой области в подобласти п-мерного пространства многоспектральных признаков, являясь более прямым доказательством спектральной разделимости. Понятие дерева важно для представления всех классов признаков поверхности Земли таким образом, чтобы можно было увидеть взаимосвязь различных классов. Однако для отдельных приложений часто необходимо-построить дерево так, чтобы исследуемая область была представлена более подробно.

Прежде чем закончить разговор о сцене и информационном, дереве, используем его для того, чтобы определить, насколько-хорошо мы научились собирать информацию о природных ресурсах Земли с помощью дистанционного зондирования. Мы можем частично сделать это, если попытаемся определить, насколько глубоко мы можем понять такое дерево, связав его с современной технологией. Из обзора литературы, особенно той в которой рассматриваются экспериментальные исследования в, области анализа данных Ландсат (например, [2]), можно убедиться, что на рис. Vn.2 изображено примерно два уровня классов. Конечно, растительность можно надежно отличить от обнаженной земли; обычно можно продвинуться дальше этого по крайней мере на один уровень классов. Некоторые развитые демонстрационные или функционирующие программы сейчас,-например, выполняют картографирование типов лесного покрытия и идентификацию видов сельскохозяйственных культур, но-с данными Ландсат 1 и Ландсат 2 оказалось трудно продвинуться дальше в решении этих задач.

Что касается будущего, то, основываясь на имеющихся данг-ных, можно не сомневаться в том, что есть потенциальные возможности дальнейшего совершенствования технологии. Эксперимент 1971 г. по наблюдению за кукурузой [3] показал, например, что стрессовое состояние сельскохозяйственных культур можно идентифицировать довольно надежно и подразделить его на три уровня. Разумеется, это оказалось возможным потому, что по сравнению с данными Ландсат 1 и Ландсат 2~ многоспектральные сканерные данные, полученные с самолета, имели гораздо больше спектральных диапазонов и значительно-большую гибкость контроля во времени над выборкой. Это го-23-859 353.



щих выборок (рис. VII.4). На этом рисунке два класса считаются одинаково возможными, и параметр т обозначает число используемых обучающих выборок. Здесь следует отметить не-


10 20 50 100 200 Сложность измерений

500 1000

Рис. VI 1.4. Средняя точность распознавания в зависимости от сложности измерений (в случае двух классов) для различного числа обучающих выборок

•ожиданное явление - кривая имеет максимум, свидетельствующий о том, что для фиксированного числа обучающих выборок существует оптимальная сложность измерений; слишком большое число спектральных

00-90

5 70 60

T-i.

Ц 6 8 10 Число признаков

диапазонов или уровнен яркости в каждом спектральном диапазоне нежелательно с точки зрения ожидаемой точности классификации.

Это явление можно объяснить следующим образом. Если имеется лишь фикси-XI рованное число выборок для оценки статистик классов, то при повышении сложности измерений путем увеличения числа спектральных диапазонов, например, необходима оценка множества статистик все более высо-Koli размерности по фиксированному числу выборок. Поскольку мы стремимся к получению из ограниченного числа данных (обучающих выборок) все большего объема информации, точность оценки должна в конечном счете ухудшаться. Нельзя ожидать хорошей характеристики классификатора, если необ-:356

Рис. VII.5. Экспериментальные результаты, показывающие точность распознавания в зависимости от количества оптимально отобранных признаков [5]



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



0.0082
Яндекс.Метрика