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

этом оказывает схема многоспектрального отклика, или так называемая совмещенная спектральная схема (рис. V.43). В такой кривой средняя спектральная характеристика каждого исследуемого тина покрытия дапа для каждого диапазона длин волн и обозначена буквой. Стандартное отклонение о от средней величины также вычислено, и на рис. V.43 ± la показана в виде линии, состоящей из звездочек, расноложенной с обеих сторон от среднего значения. Таким образом, чем длиннее линия, тем больше дисперсия данных и наоборот: тины покрытия и диапазоны длин волн с небольшой диснерсией показаны в виде коротких линий.

Заметим на рис. V.43, что вода (класс С) дает очень низкий отклик в ближнем инфракрасном и среднем инфракрасном диапазонах длин волн (0,72-0,92 и 1,50-1,80 мкм соответственно). В дианазоне 0,52-0,57 мкм отклики кукурузы i(E) и сои (F) довольно похожи, но в диапазоне 0,61-0,70 мкм отклик сои ниже отклика кукурузы, а в отражательных инфракрасных диапазонах 0,72-0,92 и 1,50-1,80 мкм отражательная способность сои выше отражательной снособности кукурузы, так показали данные, полученные спектрофотометром DK-2 (т. е. отражательная способность двудольных видов сои выше в ближнем инфракрасном диапазоне отражательной способности однодольных видов кукурузы). В тепловом ипфракраспом диапазоне характеристики кукурузы и сои похожи, а типы лесного покрова (как лиственного, так и хвойного) имеют значительно более низкие отклики, вода и кормовые травы (пастбища) - соответственно высокие отклики. Так как на выгонах могут быть большие участки обнаженной иочвы среди короткой сухой стерни, то отклики этих областей в данных в тепловом инфракрасном дианазоне длин волн нередко высоки. Это также объясняет высокие отклики кормовых трав в видимом диапазоне длин волн.

Изучая такие совмещенные спектральные схемы, аналитик должен обращать особое внимание на изменения спектральных характеристик в различных диапазонах спектра. Несмотря на то, что может не быть ни одного диапазона длин волн, в котором возможно четкое спектральное разделение двух типов покрытия, комбинации диапазонов длин волн, которые показывают эти относительные изменения характеристик, могут сделать возможным спектральное разделение. Например, на рис. V.43 нельзя полностью различить лиственный и хвойный тип лесного покрова в одном диапазоне длин волн, но можно увидеть некоторые изменения: лиственный тип имеет несколько более низкий отклик, чем хвойный в видимом диапазоне длин волн, более высокий отклик в Отражательных инфракрасных диапазонах и снова более низкий отклик в тепловом инфракрасном диапазоне. Значение таких изменений спектральных откликов можно проиллюстрировать с помощью гистограмм данных (рис. V.44). Здесь мы имеем ситуацию, аналогичную той, которая рассматривалась в гл. I, когда значения данных перекрываются (см. 19-859 289



рис. 1.17). В сущности, как показано на рис. V.44, участок класса А, спектрально перекрывающийся с классом В в диапазоне длин волн 1, можно легко разделить в диапазоне длин волн 2. Таким образом, такая комбинация диапазонов длин волн делает возможным фактически полное спектральное разделение, хотя -оно невозможно в одном диапазоне длин волн.

граница решения Класс В


Относительный отклик в диапазоне длин волн 1

Граница решения Класс А


Относительный отклик в диапазоне jirw чопн 2

Рис. V.44. Разделение классов с помощью спектральных изменений.

Хотя ни один класс нельзя полностью разделить ни в одном диапазоне длин волн, взятом отдельно, области спектрального перекрытия в диапазоне длин волн 1 четко различаются в диапазоне длин волн 2 благодаря спектральному изменению:

I - тип покрытия класса В, неправильно классифицированный как класс А; - тип покрытия класса А, неправильно классифицированный как класс В; - ранее неправильно классифицированная область сейчас точно идентифицирована как класс А; - ранее неправильно классифицированная область сейчас точно идентифицирована как .класс В

Несмотря на то, что использование нескольких диапазонов длин волн часто способствует повышению точности классификации, было установлено, что на практике при использовании все большего числа диапазонов длин волн повышение точности классификации не всегда пропорционально увеличению машинного времени, необходимого для более сложных вычислений [53]. Совмещенная спектральная схема часто дает аналитику важное представление о том, какие диапазоны длин волн наиболее эффективны для более точной классификации, таким образом, она является эффективным средством, помогающим мини-290



CHANHEU4 0,Bi-e.S7MKM

78 ! 60

14,50 54,50

CHANNEL 7 0,61 - 0.70 MKM

781 :

ao 1

t4,50

54,50

CHANNEL 9 0,72 - 0.92 mkm

14,50

54,50

5412 I 1

94,50

134,5

174,5.

2l4,S

CHANNEL 10 1,50 - 1,80 mkm

78 1 60 i 42 I 24 I

14,50 54,50

CHANNEL 12 9,30 - 11,70 ИКМ

9i ! 70 1 49 1 28!

94,50

4- .бЗ

7 j

V5,20

55,20

95.20

134,5

174,5

175,2

214.5

215,2

Puc. V.45. Гистограммы многоспектральных сканерных данных нескольких различных полей кукурузы в пяти диапазонах длин волн (получены с самот

лета)

мизировать число необходимых диапазонов длин волн. Однако там, где имеется много классов и диапазонов длин волн и взаи модействия между диапазонами длин волн важны для точного разделения классов, исследователю следует прибегнуть к количественным методам, таким как методы отбора признаков, кото рые рассматривались в разд. III.8.

На протяжении всей дискуссии было сделано предположение, что используемые данные имеют гауссово или нормальное 19* 291



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



0.0094
Яндекс.Метрика