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

Кукуруза

Пшеница;

□ Q □

□ °

Отклик на А]

Рис. 1.10. Правило классификации: минимальное расстояние до средних значений


140 дней после сева

Кукуруза

Сев ("обнаженная почва")

100 дней после сева

Отклик на Л)

Рис. 1.11. Временные изменения в двухмерном пространстве измерений

и на обнаженной почве остаются высохшие листья. Поэтому следует ожидать, что в течение вегетационного периода обе сельскохозяйственные культуры имеют относительно одинаковые спектральные характеристики. Однако, хотя эти две культуры посеяны рядами, одна из них развивается в виде низких кустящихся растений (соя), тогда как другая становится довольно высокой. Разница в геометрии развития приводит к различным теневым эффектам и различной площади обнаженной почвы, проступающей через растительный покров; также слегка различны и спектральные отклики листьев растений. Таким образом, в различные моменты вегетационного периода можно найти небольшое, но тем не менее значительное различие спектральных характеристик кукурузы и сои.

Где может оказаться полезным знание этих временных изменений? Существуют, по крайней мере, три пути их использования. Во-первых, знание временных изменений помогает в определении оптимальных сроков получения информации, относящейся к исследуемым классам. Например, основываясь на примере, приведенном на рис. 1.11, наилучшее время для сбора данных наступает через 30 дней после посева, поскольку это время максимального различия спектрального отклика кукурузы и сои.

Во-вторых, для многих задач, связанных с наблюдением за типами покрытия земной поверхности, требуется просто регистрация временных изменений. Например, наблюдения за городской и окружающей ее областью в течение ряда лет дают точные сведения о том, как городская область развивалась и росла. Эта информация может быть использована при планировании роста и развития городов.

В-третьих, использование временной информации возможно благодаря многомерному методу анализа данных. Например, 2* 19



предположим, что мы не имеем возможности выбрать момент сбора данных, и все, что у нас имеется, - это данные, собранные на 75-й и 100-й дни вегетационного периода. Спектральное различие двух сельскохозяйственных культур в эти два момента минимальное, однако если представить эти два набора данных в четырехмерном пространстве (отклики на длинах волн 1 и 2 на 75-й день как измерения 1 и 2 и на тех же длинах волн на 100-й день как измерения 3 и 4), небольшие различия, существующие в эти два момента, можно сделать по крайней мере частично аддитивными, так что между двумя классами будет большее общее разделение и возможна более высокая точность классификации.

Таким образом, все временные изменения в сцене несут информацию наряду со спектральными и пространственными вариациями. Следовательно, наша задача - разработать соответствующие способы использования этих различий. В следующем разделе мы рассмотрим идею многоспектрального зондирования, которая нам в этом поможет.

Цели изучения.

После изучения разд. 1.3 и 1.4 читатель должен уметь:

1. Показать, что при наличии данных, полученных в двух спектральных диапазонах в многомерном пространстве, установление различий между двумя похожими спектральными характеристиками типов покрытий возможно, даже если спектральные различия в каждом спектральном диапазоне очень малы для разделения классов.

2. Набросать блок-схему системы дистанционного зондирования и кратко описать каждую компоненту системы.

1.3. Более подробно об информации из многоспектральных данных

Различия между методом анализа данных, ориентированным на изображение, и методом, ориентированным на число, в некоторых отношениях очень незначительны. Для лучшего понимания этих различий может оказаться полезным рассмотрение еще одного примера классификации данных. В процессе разбора будет показана другая сторона многоспектрального метода - отбор спектральных каналов.

Для этого рассмотрим следующий пример. На рис. 1.12 приведены данные для десяти спектральных диапазонов так, как они выглядят на экране дисплея*. Включен обычный аэрофотоснимок той же самой области с нанесенными буквенными символами, обозначающими виды сельскохозяйственных куль-

* Создать приборы для измерения энергии на одной длине волны практически невозможно. Приборы измеряют энергию в узких диапазонах или полосах длин волн.



тур на каждом поле. Предположим, что мы собираемся анализировать многоспектральные данные для идентификации сельскохозяйственных культур на территории области. Первое впечатление таково, что изображения для десяти спектральных каналов приводят к огромному количеству данных. Неуловимые изменения, которые, на наш взгляд, содержат информацию, присутствуют в каждом спектральном канале, но дешифровщи-ку трудно понять, как связать данные всех этих спектральных, диапазонов.

Для наших целей упростим задачу. Обратимся к рис. 1.13.. Предположим, что в результате анализа выделены два спектральных диапазона, показанные в нижней части рис. 1.13, номы хотим знать, принесет ли нам дополнительную информацию использование данных третьего спектрального диапазона, приведенных в верхнем правом углу рисунка. Быстрое сравнение-данных в верхней правой части с данными в нижней левой показывает, что в этих спектральных каналах разница очень невелика. Таким образом, не имеет смысла включать в рассмотрение третий диапазон спектра. Отметим, что к такому выводу пришли при сравнении данных в виде изображений, а мы планируем проводить их численный анализ.

Чтобы лучше понять, почему мы выделяем численный анализ, давайте более подробно рассмотрим задачу многоспектрального анализа. На рис. L14 приведены результаты измерений коэффициента отражения большого количества листьев сои и кукурузы в спектральном диапазоне 0,5-2,5 мкм [8]. Выделенные области показывают результаты для 171 образца кукурузы и 44 образцов сои. Черным обозначены области, в которых измерения, полученные для обеих культур, перекрываются..

Вопрос в том, можно ли, имея эти данные, только на спектральной основе различить кукурузу и сою? Конечно же, да. Чтобы сделать это, необходимо лишь иметь данные из диапазона 1,7 мкм. Поскольку на этой длине волны нет перекрытия, все точки, расположенные выше некоторого уровня отражательной способности, будут классифицированы как соя, а все, что-ниже, - как кукуруза. Иногда распознавание такого рода называют «квантованием по уровню».

Усложним задачу, предположим, что имеем данные только из диапазона около 0,7 мкм, в котором отмечено максимальное перекрытие двух классов. На рис. 1.15 более подробно показаны данные из узких спектральных полос длин волн 0,67 и 0,69 мкм. Очевидно, что перекрытия этих двух классов в обоих спектральных диапазонах очень велики. Действительно, если бы данные этих двух спектральных диапазонов были представлены как изображения, соя и кукуруза выглядели бы очень похоже. Теперь остается вопрос о том, можно ли, используя только эти два спектральных диапазона, различить эти культуры?

Может быть, это удивительно, но ответ на этот вопрос - опять положительный. На рис. L16 приведены фактические дан-



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



0.1035
Яндекс.Метрика