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

School of Electrical Engineering. Purdue University, West Lafayette, Ind., 1972.

36. Rosenfeld A. Picture Processing by Computer*. Academic Press, New York, 1969.

37. Brown W. L. Reduced Variance in Remotely Sensed Multispectral Data-A Pragmatic Approach, in F. Shahroki (Ed.), Remote Sensing of Earth Resources, vol. 1, University of Tennessee, Tullahoma, Tenn., pp. 525-537, 1972.

38. Riemer T. E., McGillem C. D. Optimum Constrained Image Restoration Filters. LARS Information Note 091974, Laboratory for Applications of Remote Sensing, also Technical Report TR - EE 74-37, School of Electrical Engineering. Purdue University, West Lafayette, Ind., 1974.

39. Basu J. P., Odell P. Effects of Intraclass Correlation Among Training Samples on the Misclassification Probabilities of Bayes Procedures. Pattern Recognition, vol. 6, pp. 13-16, 1974.

40. Fukunaga K-, Koontz W. L. G. Application of Karhunen - Loeve Expansion to Feature Selection and Ordering. IEEE Trans. Computers, vol. С - 19, no. 4, pp. 311-318, April, 1970.

41. VonSteen D. H., Wigton W. H. Crop Identification and Acreage Measurement Utilizing ERTS Imagery, in Proc. Third Earth Resources Technology Satellite Symposium, vol. 1. NASA Document SP -351, Goddard Space Flight Center, Greenbelt, Md., pp. 87-92, 1973.

42. Langley P. G., Van Roessel J., Wert S. Investigation to Develop a Multistage Forest Sampling Inventory System Using ERTS - 1 Imagery. Technical Report NAS5 -21853, NASA Goddard Space Flight Center, Greenbelt, Aid., 1974.

43. Wigton W. H. Use of Landsat Technology by Statistical Reporting Service, in Proc. Symposium on Machine Processing of Remotely Sensed Data, IEEE Cat. no. 76, CH 1103-1 MPRSD, IEEE Single Copy Sales, Piscataway, N. J., pp. PB - 6 to PB - 10, 1976.

44. Ball G. H., Hall D. J. ISODATA: A Novel Method of Data Analysis and Pattern Classification, Technical Report, Stanford Research Institute, Menlo Park, Calif., 1965.

45. Schell I. A. A Comparison of Two Approaches for Category Identification and Classification Analysis from an Agricultural Scene, in F. Shchroki (Ed.). - Remote Sensing of Earth Resources, vol. 1. University of Tennessee, Tullahoma, Tenn., pp. 374-394, 1972.

46. Ball G. H. Data Analysis in the Social Sciences: What About the Details?, in Proc. IEEE Fall Joint Computer Conference. Spartan Books, Washington, D. C, pp. 533, 560, 1965.

47. Fu K- S., Landgrebe D. A., Phillips T. L. Information Processing of Remotely Sensed Agricultural Data, Proc. IEEE, vol. 57, no. 4, pp. 639-653, April, 1969.

48. Swain P. H., King R. C. Two Effective Feature Selection Criteria for Multispectral Remote Sensing, in Proc. First Internationa] Joint Conference on Pattern Recognition, IEEE Cat. no. 73 CHO 821-9c, IEEE Single Copy Sales, Piscataway, N. J., pp. 526-540, 1973.

49. Wheeler S. G., Misra P. N. Linear Dimensionality of Landsat Agricultural Data with Implications for Classification, in Proc. Symposium on Machine Processsing of Remotely Sensed Data, IEEE Cat. no. 76, CH 1103-1 MPRSD, IEEE Single Copy Sales, Piscataway, N. J., pp. 2A-1 to 2A-9, 1976.

50. Smedes H. W., Spencer M. M., Thomson F. J. Processing of Multispectral Data and Simulation of ERTS Data Channels to Make Computer Terrain Maps of a Yellowstone National Park Test Site, in Proc. Seventh Internationa] Symposium on Remote Sensing of Environment. Environmental Research Institute of Michigan, Ann Arbor, Mich., pp. 2073-2094, 1971.

* Розенфельд A. Распознавание и обработка изображений. М., Мир, 1972. (Прим. пер.).



51. Robertson Т. V., Fu К- S. Multispectral Image Partitioning. Technical Report TR-EE 73-26. School of Electrical Engineering, Purdue University, West Lafayette, Ind., 1973.

52. Ketting R. L., Landgrebe D. A. Classification of Multispectral Image Data by Extraction and Classification of Homogeneous Objects. IEEE Trans. Geoscience Electronics, vol. EE-14, no. 1, pp. 19-26, January, 1976.

53. Haralick R. M., Shanmugam K., Dinstein I. Textural Features for Image Classification. IEEE Trans. Systems, Man, and Cybernetics, vol. SMC-3, pp. 610-621, 1973.

54. Higgins J. L., Deutsch E. S. The Effects of Picture Operations in the Fourier Domain and Vice Versa, in F. Shashroki (Ed.) - Remote Sensing of Earth Resources, vol. 1. University of Tennessee, Tullahoma, Tenn., pp. 460-480, 1972.

55. Fukunaga K. Introduction to Statistical Pattern Recognition*. Academic Press, New York, 1972.

56. Nilsson N. J. Learning Machines**. McGraw-Hill Book Company, New York, 1965.

57. Siegal B. S., Abrams M. I. Geologic Mapping Using Landsat Data. Photogrammetric Engineering and Remote Sensing, vol. 42, no. 3, pp. 325-337, 1976.

58. Crane R. В., Richardson W. Rapid Processing of Multispectral Scanner Data Using Linear Techniques, in F. Shahroki (Ed.) - Remote Sensing of Earth Resources, vol. I. University of Tennessee, Tullahoma, Tenn., pp. 581 - 595, 1972.

59. Haralick R. M. Automatic Remote Sensor Image Processing, in A. Ro-senfeld (Ed.)-Digital Picture Analysis. Springer - Verlag, Heidelberg, pp. 5-63, 1976.

60. Tomlinson R. D. (Ed.). Geographical Data Handling. Symposium ed.. International Geophysical Union Commission. Ottawa, Canada, 1972.

61. Wilson L. L. Purdue/LARS Digital Display Users Guide. LARS Information Note 022675. Laboratory for Applications of Remote Sensing. Purdue University, West Lafayette, Ind., 1975.

62. Swain P. H. Land Use Classification and Mapping by Machine - Assisted Analysis of Landsat Multispectral Scanner Data. LARS Information Note 111276. Laboratory for Applications of Remote Sensing. Purdue University, West Lafayette, Ind., 1976.

63. Hoffer R. M. Natural Resource Mapping in Mountainous Terrain by Computer Analysis of ERTS-1 Satellite Data. Research Bulletin 919, Agricultural Experiment Station. Purdue University, West Lafayette, Ind., 1975.

64. Bryant N. A., Zobrist A. L. IBIS: A Geographic Information System Based on Digital Image Processing and Image Raster Datatype, in Proc. Symposium on Machine Processing of Remotely Sensed Data. IEEE Cat. no. 76 CH 1103-1 MPRSD. IEEE Single Copy Sales. Piscataway, N. J., pp. lA-1 to lA-7, 1976.

65. Hitchcock H. C. Cox T. L., Baxter F. P., Smart C. W. Soil and Land Cover Overlay Analyses. Photogrammetric Engineering and Remote Sensing, vol. 41, no. 12, pp. 1519-1524, 1975.

* Фуканага К. Введение в статистическую теорию распознавания образцов. М., Гл. ред. физ.-мат. лит., 1979. (Прим. пер.)

** Нильсон Н. Обучающиеся машины. М., Мир, 1967. (Прим. пер.)



ГЛАВА

БИОЛОГИЧЕСКИЕ И ФИЗИЧЕСКИЕ АСПЕКТЫ ПРИМЕНЕНИЯ МЕТОДОВ МАШИННОГО АНАЛИЗА К ДАННЫМ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ

Ранее в этой книге были рассмотрены.многие аспекты измерительных систем, используемых в дистанционном зондировании, а также теория и методы количественного анализа данных для таких систем. Однако мы еще не рассмотрели зависимость, существующую между измерительной аппаратурой, методами обработки данных и исследуемыми признаками поверхности Земли. При применении теории распознавания образов к данным, полученным многоспектральными сканерными системами для целей идентификации и картографирования различных признаков поверхности Земли, исходят из того, что исследуемые типы покрытия в действительности спектрально разделимы. Опыт показал, что такое предположение часто является оправданным и что многие признаки поверхности Земли можно идентифицировать и картографировать на основе их спектральных характеристик, но мы также знаем, что некоторые исследуемые признаки нельзя спектрально разделить и идентифицировать. Таким образом, эффективное использование данных дистанционного зондирования требует глубокого знания и понимания спектральных характеристик различных признаков поверхности Земли и факторов, влияющих на эти спектральные характеристики. Целью настоящей главы является рассмотрение основных взаимодействий вещества и энергии, регулирующих и влияющих на спектральные характеристики признаков растительности, почвы, воды, и снега, а также временных и пространственных влияний на эти спектральные характеристики признаков поверхности Земли. В последнем основном разделе гл. V.6 показано, как мы можем применить наши знания спектральных характеристик признаков поверхности Земли для более эффективной интерпретации многоспектральных данных дистанционного зондирования.

Цели изучения.

После изучения разд. V.1 читатель должен уметь:

1. Определить два основных фактора, вызывающих динамичность, а не статичность спектральных характеристик основных типов покрытия, таких как растительность, почва или вода.



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



0.0303
Яндекс.Метрика