CHANNEL 4 0,52 - 0.57 МКМ 26 "

14,50

54.50

CHANNEL 7 0,61 - 0,70 МКМ

39, 30 1

21 j 111;

12 1 г?:--"

3 j?-;

4,50"

94,50

134,5

1345

-+----+----1----+----+

174,5 214,5

174,5

214,5

CHANNEL 8 0,72 - 0,92 MKM

26! 20 ! 14 I ei

2 ! , L4 i:J;!:-

14,50 54,50

I I

.;n." .

.11.1 I

134,5

94,50

channel ю 1,50 - 1,80 mkm 26 20 14

54.50

94,50

134,5

214,5

CHANNEL 12 9,30 - 11,70 MKM 39 1 30! 2, 1

.2 I . ..

15,20

55,20

4. ; -+ +-+----+-+-+----+-+-+-+-+-+

95,20 135,2 175,2 215;?

Puc. V.46. Гистограммы многоспектральных сканерных данных нескольких участков лиственного леса в пяти диапазонах длин волн (получены с самолета)

распределение. Как правило, это предположение было обоснованным для большинства признаков поверхности Земли; однако оно не всегда имеет место, и аналитик должен проверять, удовлетворяют ли данные нормальному распределению, когда используемые методы зависят от этого предположения. Опыт показал, что данные могут иметь нормальное распределение во многих диапазонах длин волн, а также бимодальное в определенном спектральном диапазоне. Последнее говорит за то, что 292

данные для. анализа следует разделить на два спектральных класса (рис. V.45 и iV.46). На рис. V.45 данные кукурузы имеют гауссово распределение во всех каналах, кроме ближнего инфракрасного диапазона 0,72-0,92 мкм (канал 8), где оно определенно бимодальное. На рис. V.46 лесной покров имеет приемлемое гауссово расиределение в видимом и ближнем инфракрасном диапазонах спектра и бимодальное расиределение как в среднем инфракрасном, так и в тепловом инфракрасном диапазонах (каналы 10 и 12). Такие бимодальные расиределения значений отражательной снособности растительного покрова могут иметь место, довольно неожиданно, в различных диапазонах спектра. Гистограммы могут помочь аналитику при проверке характеристик возможных множеств обучающих данных и поэтому служат полезным дополнением к совмещенным спектральным схемам. Так как бимодальные расиределения часто трудно различить на выходе блока отбора признаков или в совмещенных спектральных схемах, они обнаруживаются только путем краткого изучения гистограмм. Невозможность разделения бимодального обучающего класса на два класса может вызвать ошибки классификации, которые можно было бы избежать.

Как показывают гистограммы отражательной снособности (см. рис. V.45 и V.46), различные виды и тины покрытия не могут всегда быть представлены одним спектральным классом. Часто аналитики, работающие с многоспектральными сканерными данными, обнаруживали, что данная исследуемая категория (т. е. вид или тин покрытия) представлена несколькими различными спектральными классами. Может быть и наоборот, т. е. в одном спектральном классе находится более одной исследуемой категории. Такой случай требует самого тесного взаимодействия системы аналитик - ЭВМ -данные и также указывает на то, что аналитик должен знать спектральные характеристики типов покрытия, с которыми он работает.

Часто мы стремимся определить исследуемые категории, которые мы хотим картографировать, и затем с трудом пытаемся подобрать спектральные классы, которые бы им подходили. Это может вызвать трудности при классификации и привести к ошибкам в ней. Правильным выходом из создавшегося положения может быть кластеризация данных, получение «спектральных карт», на которых представлены спектрально различимые классы, а затем использование справэчных данных для идентификации типов покрытия и их характеристики внутри каждого спектрального класса (см. разд. III.10, где рассматривается неконтролируемый анализ). Таким образом аналитик может легко определить, являются ли некоторые исследуемые категории спектрально одинаковыми или, наоборот, представляют ли несколько спектральных классов одну исследуемую категорию. В последнем случае различные спектральные классы иногда имеют важные различия в состоянии исследуемой категории,

Спектральные

полосы 4°° 08.0 144,0 180,0 216,0 252,0 288.0

Микрометры]

q46-0,49

0.48-0,51

0.50-0,54

0,52-0,57

0,54-0.60

0,58-0,65

0.61-0,70

0,72-0,92

1,00-1,40

1.50-1,80

2,00-2,60

9,30-11,70

+.... +. • +.

0,0 36.00 72,00 108.0 144,0 180,0 216,0 252.0 288,0

Рис. V.47

например, различия в степени заболевания сельскохозяйственной культуры или плотности лесного покрова.

Отметим, что средством повышения эффективности использования методов машинного анализа для анализа многоспектральных сканерных данных является правильная интерпретация спектральных характеристик данных и умение связывать спектральные данные с требованиями к информации, предъявляемыми пользователем.