Аналіз методів відбору найбільш інформативних спектральних каналів для вивчення об’єктів дистанційного зондування

У даній статті розглянуто деякі методи вибору найбільш ефективних та інформативних спектральних каналів. У роботі також представлено метод Band Selection для аналізу гіперспектральних даних та автоматичну кластеризацію. Запропонований новий підхід для вибору спектральних каналів, заснований на викор...

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
Datum:	2014
1. Verfasser:	Альперт, С.І.
Format:	Artikel
Sprache:	Ukrainian
Veröffentlicht:	Інститут проблем математичних машин і систем НАН України 2014
Schriftenreihe:	Математичні машини і системи
Schlagworte:	Інформаційні і телекомунікаційні технології
Online Zugang:	http://dspace.nbuv.gov.ua/handle/123456789/84384
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Zitieren:	Аналіз методів відбору найбільш інформативних спектральних каналів для вивчення об’єктів дистанційного зондування / С.І. Альперт // Математичні машини і системи. — 2014. — № 2. — 71-77. — Бібліогр.: 16 назв. — укр.

Institution

Digital Library of Periodicals of National Academy of Sciences of Ukraine

id	irk-123456789-84384
record_format	dspace
spelling	irk-123456789-843842015-07-07T03:02:45Z Аналіз методів відбору найбільш інформативних спектральних каналів для вивчення об’єктів дистанційного зондування Альперт, С.І. Інформаційні і телекомунікаційні технології У даній статті розглянуто деякі методи вибору найбільш ефективних та інформативних спектральних каналів. У роботі також представлено метод Band Selection для аналізу гіперспектральних даних та автоматичну кластеризацію. Запропонований новий підхід для вибору спектральних каналів, заснований на використанні критеріальної функції інформативності спектральних каналів. У статті розглянуто та проаналізовано приклади, де використовується критеріальна функція інформативності В данной статье рассмотрены некоторые методы выбора наиболее эффективных и информативных спектральных каналов. В работе также представлены метод Band Selection для анализа гиперспектральных данных и автоматическая кластеризация. Предложен новый подход для выбора спектральных каналов, основанный на использовании критериальной функции информативности спектральных каналов. В статье рассмотрены и проанализированы некоторые примеры, где используется критериальная функция информативности. Multispectral data provide capability for discrimination between many land cover types. But the great number of spectral bands is problematic for statistical classification techniques. In this article we considered some methods for selection of the most effective and most informative spectral bands. In this work we considered Band Selection method for Hyperspectral Data Analysis and Automatic Clusterization. It was also proposed a new approach to select spectral bands, which is based on the concept of criterion function of information capability of spectral bands. In this article we also considered and analyzed some examples using criterion function of information capability 2014 Article Аналіз методів відбору найбільш інформативних спектральних каналів для вивчення об’єктів дистанційного зондування / С.І. Альперт // Математичні машини і системи. — 2014. — № 2. — 71-77. — Бібліогр.: 16 назв. — укр. 1028-9763 http://dspace.nbuv.gov.ua/handle/123456789/84384 528.06 uk Математичні машини і системи Інститут проблем математичних машин і систем НАН України
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection	DSpace DC
language	Ukrainian
topic	Інформаційні і телекомунікаційні технології Інформаційні і телекомунікаційні технології
spellingShingle	Інформаційні і телекомунікаційні технології Інформаційні і телекомунікаційні технології Альперт, С.І. Аналіз методів відбору найбільш інформативних спектральних каналів для вивчення об’єктів дистанційного зондування Математичні машини і системи
description	У даній статті розглянуто деякі методи вибору найбільш ефективних та інформативних спектральних каналів. У роботі також представлено метод Band Selection для аналізу гіперспектральних даних та автоматичну кластеризацію. Запропонований новий підхід для вибору спектральних каналів, заснований на використанні критеріальної функції інформативності спектральних каналів. У статті розглянуто та проаналізовано приклади, де використовується критеріальна функція інформативності
format	Article
author	Альперт, С.І.
author_facet	Альперт, С.І.
author_sort	Альперт, С.І.
title	Аналіз методів відбору найбільш інформативних спектральних каналів для вивчення об’єктів дистанційного зондування
title_short	Аналіз методів відбору найбільш інформативних спектральних каналів для вивчення об’єктів дистанційного зондування
title_full	Аналіз методів відбору найбільш інформативних спектральних каналів для вивчення об’єктів дистанційного зондування
title_fullStr	Аналіз методів відбору найбільш інформативних спектральних каналів для вивчення об’єктів дистанційного зондування
title_full_unstemmed	Аналіз методів відбору найбільш інформативних спектральних каналів для вивчення об’єктів дистанційного зондування
title_sort	аналіз методів відбору найбільш інформативних спектральних каналів для вивчення об’єктів дистанційного зондування
publisher	Інститут проблем математичних машин і систем НАН України
publishDate	2014
topic_facet	Інформаційні і телекомунікаційні технології
url	http://dspace.nbuv.gov.ua/handle/123456789/84384
citation_txt	Аналіз методів відбору найбільш інформативних спектральних каналів для вивчення об’єктів дистанційного зондування / С.І. Альперт // Математичні машини і системи. — 2014. — № 2. — 71-77. — Бібліогр.: 16 назв. — укр.
series	Математичні машини і системи
work_keys_str_mv	AT alʹpertsí analízmetodívvídborunajbílʹšínformativnihspektralʹnihkanalívdlâvivčennâobêktívdistancíjnogozonduvannâ
first_indexed	2025-07-06T11:22:35Z
last_indexed	2025-07-06T11:22:35Z
_version_	1836896438856974336
fulltext	© Альперт С.І., 2014 71 ISSN 1028-9763. Математичні машини і системи, 2014, № 2 УДК 528.06 С.І. АЛЬПЕРТ* АНАЛІЗ МЕТОДІВ ВІДБОРУ НАЙБІЛЬШ ІНФОРМАТИВНИХ СПЕКТРАЛЬНИХ КАНАЛІВ ДЛЯ ВИВЧЕННЯ ОБ’ЄКТІВ ДИСТАНЦІЙНОГО ЗОНДУВАННЯ * Науковий Центр аерокосмічних досліджень Землі ІГН НАН України, Київ, Україна Анотація. У даній статті розглянуто деякі методи вибору найбільш ефективних та інформати- вних спектральних каналів. У роботі також представлено метод Band Selection для аналізу гіпер- спектральних даних та автоматичну кластеризацію. Запропонований новий підхід для вибору спе- ктральних каналів, заснований на використанні критеріальної функції інформативності спектра- льних каналів. У статті розглянуто та проаналізовано приклади, де використовується критеріа- льна функція інформативності. Ключові слова: багатоспектральні дані, статистична класифікація, метод Band Selection, кри- теріальна функція інформативності. Аннотация. В данной статье рассмотрены некоторые методы выбора наиболее эффективных и информативных спектральных каналов. В работе также представлены метод Band Selection для анализа гиперспектральных данных и автоматическая кластеризация. Предложен новый подход для выбора спектральных каналов, основанный на использовании критериальной функции инфор- мативности спектральных каналов. В статье рассмотрены и проанализированы некоторые при- меры, где используется критериальная функция информативности. Ключевые слова: многоспектральные данные, статистическая классификация, метод Band Selec- tion, критериальная функция информативности. Abstract. Multispectral data provide capability for discrimination between many land cover types. But the great number of spectral bands is problematic for statistical classification techniques. In this article we considered some methods for selection of the most effective and most informative spectral bands. In this work we considered Band Selection method for Hyperspectral Data Analysis and Automatic Clusteriza- tion. It was also proposed a new approach to select spectral bands, which is based on the concept of crite- rion function of information capability of spectral bands. In this article we also considered and analyzed some examples using criterion function of information capability. Keywords: multispectral data, statistical classification, Band Selection method, criterion function of in- formation capability. 1. Вступ За останній час при розв’язанні природоресурсних задач все частіше використовуються багатоспектральні системи дистанційного зондування Землі (ДЗЗ) з космосу [1]. Одним із найбільш ефективних методів дослідження та класифікації земель є метод, заснований на використанні матеріалів багатоспектральної зйомки поверхні Землі з космосу. Використання багатоспектральних знімків для вивчення та класифікації рослиннос- ті базується на аналізі варіацій параметрів відбитого сонячного випромінювання в різних діапазонах спектра електромагнітних хвиль у результаті його взаємодії з рослинами [1, 2]. Але при розв’язанні задач класифікації треба враховувати, що спектри відбиття в різних спектральних діапазонах надають різну інформацію щодо рослинного покрову. Тому перед нами постає задача оптимального вибору спектральних каналів, які є найбільш корисними, інформативними та надають спектральні знімки, які відображають повну картину [3, 4]. У даній статті буде розглянуто використання методу оптимізації числа спектраль- них каналів у задачах обробки й аналізу гіперспектральних зображень, заснованого на ви- борі такої комбінації спектральних зображень, які в сукупності будуть найбільш ефективні в сенсі вибраного критерію (наприклад, у випадку, коли деякий функціонал досягає свого максимального значення). Цей метод має назву Band Selection. Також буде розглянуто та 72 ISSN 1028-9763. Математичні машини і системи, 2014, № 2 проаналізовано метод визначення найбільш інформативних спектральних каналів на осно- ві використання результатів автоматичної кластеризації спектральних шарів гіперспектра- льних зображень. У даній роботі буде розглядатися критеріальна функція інформативності, яка вико- ристовується для більш оптимального вибору спектральних каналів. Буде наведено декіль- ка прикладів, які ілюструють використання критеріальної функції інформативності при виборі найбільш корисних та інформативних спектральних каналів. 2. Метод оптимізації числа спектральних каналів у задачах обробки та аналізу даних, пов’язаний із синтезом зображень (Band Selection) У випадку гіперспектральних знімків найбільш цінна та важлива інформація зосереджена у невеликому числі каналів. Тому в задачах, пов’язаних з обробкою та аналізом гіперспект- ральних знімків, необхідно проводити оптимізацію числа спектральних каналів. Метою такої оптимізації є отримання деякої системи спектральних зображень, яка при більш ни- зькій розмірності, ніж число каналів у гіперспектральному знімку, забезпечує розв’язок поставленої тематичної задачі. Якість розв’язку задачі зазвичай оцінюється за допомогою певним чином побудованого функціоналу. Завдяки цьому функціоналу, ми можемо вибра- ти таку комбінацію спектральних зображень, які у сукупності є найбільш ефективними та інформативними. Цей метод не потребує побудови нових зображень та додаткових обчис- лень [5, 6]. Припустимо, що площина гіперспектрального зображення містить N пікселей. Якщо довільний піксель гіперспектрального зображення, який має у своєму складі d окремих спектральних зображень, представити у вигляді відповідного вектора x у просто- рі з розмірністю ,d то гіперспектральне зображення в цілому можна описати матрицею X розмірності .d N× При даних позначеннях задачу оптимізації можна розглядати як пошук деякої матриці Y розмірністю ,m N× .m d< Така матриця може бути записана у вигляді: ,TY A X= де A− матриця розмірності ;d m× T − позначення операції транспонування. Наголосимо на тому, що матриця A задовольняє умові ,TA A I= де I −діагональна одини- чна матриця. Даний метод проективної оптимізації полягає в тому, що гіперспектральні дані, які на початку представлені у просторі високої розмірності ,d проектуються в деякий новий простір меншої розмірності m . Оптимальним вважається таке проектування, яке максимі- зує деякий проекційний індекс ;J цей індекс в загальному вигляді записується як ( ).TJ J A X= Як проекційний індекс ми можемо використовувати дивергенцію інформації. Диве- ргенція визначається таким чином: якщо записати умовну ентропію між двома пікселями гіперспектрального зображення, які представлені векторами ( )1 11 12 1 1, ,..., ,...,T i dx x x x x= та ( )2 21 22 2 2, ,..., ,...,T i dx x x x x= , як ( ) 1 1 2 1 1 2 / log , d i i i i x D x x x x= =∑ то величина дивергенції інфор- мації між цими пікселями розраховується через їх умовні ентропії як ( ) ( ) ( )1 2 1 2 2 1, / / .J x x D x x D x x= + (1) ISSN 1028-9763. Математичні машини і системи, 2014, № 2 73 3. Метод визначення спектральних каналів на основі використання результатів ав- томатичної кластеризації спектральних шарів гіперспектрального зображення Даний метод полягає у визначенні спектральних каналів на основі використання результа- тів автоматичної кластеризації спектральних шарів гіперспектрального зображення. Спек- тральний шар гіперспектрального зображення – це матриця цифрових значень спектраль- ної яскравості в елементах на певній довжині хвилі випромінювання для кожного спектра- льного каналу. Використання гіперспектральних зображень розширює можливості щодо отримання інформації про об’єкти за рахунок відмінностей у структурі спектральних ознак об’єктів та фонів. Тому алгоритм кластеризації повинен виявляти навіть незначні відмінності. Для цього були розроблені алгоритм і програма автоматичної кластеризації, яка використовує спеціальну міру близькості: ( ) 2 1 1 , , , log , n n n n i i i ii i x y x R y R x y y x ρ+ + = =        ∀ ∈ ∀ ∈ = ∑ ∑ (2) де x та y − масиви даних, що порівнюються, ( )1 2 , ;, ,..., ,..., T n ni x Rx x x x x + ∈= ( ) }1 2, ,..., ,..., 0 1,..., , ,i n i i i T y y y y y y i n x y =   > ∀ = − елементи масивів x та y (в нашо- му випадку, це значення спектральних ознак у спектральних шарах, що порівнюються). Оскільки у кластерах групуються близькі за формою спектральні шари гіперспект- рального зображення, то виникає можливість використання для проведення аналізу гіперс- пектрального зображення не всіх спектральних шарів, а типових представників кластерів. Це дозволить суттєво знизити об’єм даних, які можна буде передавати з мінімальними ча- совими затратами. Для оцінки можливостей використання типових елементів кластерів гіперспектра- льного зображення для проведення аналізу із кожного кластера можна вибрати по декілька елементів. Потім проводиться усереднення вибраних елементів кожного кластера. Отри- мані результати усереднення нічим не відрізняються від початкових зображень і тому їх можна використовувати при виділенні цільових об’єктів. Таким чином, наведений метод забезпечує швидку обробку гіперспектральних да- них для виявлення цільових об’єктів та вибір спектральних каналів. В основі даного мето- ду лежить кластеризація гіперспектрального зображення за яскравістю пікселів зображень, вибір типових елементів кожного кластера, побудова зображень усереднених вибраних елементів кожного кластера. Цей метод дозволяє суттєво знизити об’єм даних та зменшити затрати часу на передачу даних [7, 8]. 4. Новий підхід до відбору спектральних каналів, заснований на застосуванні крите- ріальної функції інформативності При оцінці інформативності спектральних каналів будемо вважати, що нам відома навча- льна вибірка для кожного з mK класів, 1,2,..., .m M= Кожна кількісна ознака nπ ( )1,2,...,n N= у відповідному спектральному каналі має певний діапазон значень, позначи- мо його . n dπ У межах загальної навчальної вибірки I діапазон значень n − ї ознаки розра- ховується як max min ,n n In I dπ π π−= (3) де max n I π та min n I π − відповідно найбільше та найменше значення цієї ознаки. 74 ISSN 1028-9763. Математичні машини і системи, 2014, № 2 Для дослідження кореляції значень ознаки nπ з класами 1 2, ,..., MK K K розподілимо діапазон значень ознаки на однакові за шириною інтервали. Ширина інтервалу визначаєть- ся як ,n n I d d π π∆ = (4) де I − потужність загальної навчальної вибірки у теоретико-множинному розумінні. Клас MK будемо називати зіставленим певному інтервалу ознаки ,nπ яка розгляда- ється, якщо в навчальній вибірці mI позитивних прикладів по класу MK матимемо приклад об’єкта, значення ознаки якого потрапляє до цього інтервалу. Якщо кількісна ознака для об’єктів різних класів у кожній з N спектральних зон розподілена на відповідні інтервали, то, використовуючи загальну навчальну вибірку, для будь-якої спектральної зони можна визначити, в який інтервал потрапили конкретні представники різних класів з цієї вибірки, а потім підрахувати кількість попадань класів у відповідні інтервали. Зрозуміло, розподіл попадань класів по інтервалах буде відрізнятися для різних спектральних каналів, а це означає, що різні спектральні канали неоднаково ефективні при класифікації об’єктів. Ефективність класифікації об’єктів може бути платформою для визначення й порівняння інформативних властивостей різних спектральних каналів [9–11]. Впровадимо функцію ,F яку будемо далі називати критеріальною функцією інфор- мативності спектрального каналу: ( ) 1 1 1 1 11 , 1 nz M m j kj j kM k m n z m m j j l l F M M l = = ≠ = =           ⋅ = − ⋅ − ∑ ∑ ∑ ∑ (5) де M − кількість класів, nz − число інтервалів для ознаки спектрального каналу, що розг- лядається, mjl − індикатор зіставлення. 1, , 0, . m mj якщо клас K зіставлений з інтервалом j в іншому випадку l    = Можна показати, що функція інформативності (5) має значення в діапазоні від 0 до 1, а її конкретна величина залежить від того, як зіставлені між собою класи та ознаки. Се- ред спектральних каналів той буде мати найбільше значення функції ,F для ознаки якого число класів, одночасно зіставлених кожному інтервалу, буде мінімальним. Далі будемо користуватися гіпотезою, що саме той спектральний канал і є найбільш інформативним. Тоді формула (5) надає можливість кількісно порівнювати інформативності спектральних каналів та відбирати серед них найбільш ефективні для класифікації об’єкти [12, 13]. 5. Приклади застосування критеріальної функції інформативності до розв’язання за- дач дистанційного зондування Землі Приклад 1 Проілюструємо існування такої можливості на прикладі, коли навчальна вибірка склада- ється з двох об’єктів, причому кожен об’єкт відноситься до свого окремого класу. Тобто ми маємо 2 класи ( )2 .M = Інтервал значень ознак у кожному спектральному каналі буде ISSN 1028-9763. Математичні машини і системи, 2014, № 2 75 розбитий на 2 інтервали. Нехай для першого спектрального каналу маємо такі індикатори зіставлення: 1 1 1 2 2 1 2 21, 0 , 0 , 1 .l l l l= = = = Для другого спектрального каналу маємо такі індикатори зіставлення: 11 121, 0,l l= = 21 221, 0.l l= = Для третього спектрального каналу: 1 1 1 2 2 1 2 20 , 1, 0 , 1 .l l l l= = = = Для даного випадку формула (5) буде мати такий вигляд: 11 21 12 22 21 11 22 12 11 12 21 22 11 . 2 l l l l l l l l F l l l l        ⋅ + ⋅ ⋅ + ⋅= − + + + (6) Тепер обчислюємо критеріальну функцію інформативності за формулою (6) для першого спектрального каналу: 1 1 1 0 0 1 0 1 1 0 1 1. 2 1 0 0 1 F       ⋅ + ⋅ ⋅ + ⋅= − + = + + Для другого спектрального каналу: 2 1 1 1 0 0 1 1 0 0 1 0. 2 1 0 1 0 F       ⋅ + ⋅ ⋅ + ⋅= − + = + + Для третього спектрального каналу критеріальна функція інформативності має ви- гляд 3 1 0 0 1 1 0 0 1 1 1 0. 2 0 1 0 1 F       ⋅ + ⋅ ⋅ + ⋅= − + = + + З отриманих результатів ми можемо зробити висновок, що найбільшу інформативність має перший спектральний канал, а інші два канали мають нульову інформативність. Приклад 2 Тепер розглянемо приклад, коли навчальна вибірка складається з трьох об’єктів, причому кожний об’єкт відноситься до свого окремого класу. Тобто маємо три класи ( )3M = і, у відповідності з формулою (4), у кожному спектральному каналі інтервал значень ознак бу- де розбитий на три інтервали. Припустимо, що існує два спектральних канали ( ).2N = Оцінимо інформативність кожного з цих каналів. Індикатори зіставлення для першого спектрального каналу будуть мати вигляд 11 12 13 21 22 23 31 32 330, 1, 0, 0, 1, 0, 0, 1, 0.l l l l l l l l l= = = = = = = = = Для другого спектрального каналу: 11 12 13 21 221, 0, 0, 0, 0,l l l l l= = = = = 23 31 32 331, 1, 0, 0.l l l l= = = = У даному випадку формулу (5) можемо переписати у такому вигляді: 76 ISSN 1028-9763. Математичні машини і системи, 2014, № 2 ( ) ( ) ( )11 21 31 12 22 32 13 23 33 11 12 13 11 6 l l l l l l l l l F l l l     + + + + + = − + + + ( ) ( ) ( )21 11 31 22 12 32 23 13 33 21 22 23 + + + + + + + + l l l l l l l l l l l l ( ) ( ) ( )31 11 21 32 12 22 33 13 23 31 32 33 . l l l l l l l l l l l l  +   + + + + + + + (7) Обчислимо критеріальну функцію інформативності за формулою (7) для першого спектрального каналу: ( ) ( ) ( ) 1 0 0 0 1 1 1 0 0 01 1 6 0 1 0 F    + + + + + = − + + + ( ) ( ) ( )0 0 0 1 1 1 0 0 0 0 1 0 + + + + + + + + ( ) ( ) ( ) . 0 0 0 1 1 1 0 0 0 0 0 1 0 + =    + + + + + + + Для другого спектрального каналу маємо ( ) ( ) ( ) 2 1 0 1 0 0 0 0 1 01 1 6 1 0 0 F    + + + + + = − + + + ( ) ( ) ( )0 1 1 0 0 0 1 0 0 0 0 1 + + + + + + + + ( ) ( ) ( ) 2 . 3 1 1 0 0 0 0 0 0 1 1 0 0 + =    + + + + + + + З даних розрахунків ми можемо зробити висновок, що більшу інформативність має другий спектральний канал. 6. Висновки У даній статті розглядається та аналізується використання багатоспектральних систем дис- танційного зондування Землі з космосу при розв’язанні різноманітних природоресурсних задач. Наголошується на тому, що різні спектральні канали мають неоднакову інформати- вність. Також у роботі було сформульовано задачу, яка полягає в оптимальному виборі найбільш інформативних спектральних каналів при вивченні об’єктів дистанційного зон- дування та розв’язанні задач класифікації. У статті було розглянуто та проаналізовано декілька методів відбору найбільш ко- рисних спектральних каналів, розглянуто метод Band Selection, заснований на виборі такої комбінації спектральних зображень, які у сукупності є найбільш ефективні в сенсі вибра- ного критерію (наприклад, у випадку досягнення максимального значення деяким функціоналом). Також був проаналізований метод визначення найбільш інформативних спектральних каналів на основі використання результатів автоматичної кластеризації спек- тральних шарів гіперспектральних зображень. У роботі запропоновано нову критеріальну функцію інформативності спектральних каналів, яка надає можливість кількісно порівнювати інформативність каналів та надає можливість вибирати серед них найбільш інформативні та ефективні для класифікації об’єкти. Застосування даної критеріальної функції було проілюстровано на двох прикла- дах. Враховуючи результати обчислень з використанням формули критеріальної функції інформативності та значень індикаторів зіставлення mjl для кожного спектрального кана- лу, ми отримали розподіл інформативності спектральних каналів [14–16]. ISSN 1028-9763. Математичні машини і системи, 2014, № 2 77 Таким чином, експериментальна перевірка запропонованої методики, заснована на використанні критеріальної функції інформативності спектральних каналів, свідчить про її ефективність при класифікації земель з використанням багатоспектральних зображень. В подальшому дана методика відбору найбільш інформативних спектральних кана- лів може бути застосована при розв’язанні задач пошуку корисних копалин та при прове- денні класифікації урбанізованих територій та сільськогосподарських земель. СПИСОК ЛІТЕРАТУРИ 1. Еремеев В. Современные гиперспектральные сенсоры и методы обработки гиперспектральных данных / B. Еремеев, И. Мордвинцев, Н. Платонов // Исследование Земли из космоса. – 2003. – № 6. – С. 80 – 90. 2. Альперт С. Оцінка точності класифікації космічних зображень на основі теорії Демпстера- Шафера / С. Альперт // Збірник праць XI Міжнародної молодіжної наук.-практ. конф. “Історія роз- витку науки, техніки та освіти” за темою “Розбудова дослідницького університету”. – Київ, 2013. – C. 242 – 245. 3. Попов М. Сучасні погляди на інтерпретацію даних аерокосмічного дистанційного зондування Землі / М. Попов // Космічна наука і технологія. – 2002. – № 2/3. – С. 110 – 115. 4. Эбелинг В. Физика процессов эволюции / Эбелинг В., Энгель А., Файстель Р. – М.: Эдиториал УРСС, 2001. – 328 с. 5. Гарбук С. Космические системы дистанционного зондирования Земли / С. Гарбук, В. Гершензон. – М.: Изд-во А и Б, 1997. – 296 с. 6. Кононов В. Сравнительная оценка информативности цифровых аэрокосмических изображений высокого и низкого разрешения / В. Кононов, С. Станкевич // Ученые записки Таврического на- ционального университета им. В.И. Вернадского, 2004. – Т. 17, № 2. – С. 88 – 95. 7. Попов М. Методы оптимизации числа спектральных каналов в задачах обработки и анализа дан- ных дистанционного зондирования Земли / М. Попов, С. Станкевич // Современные проблемы дис- танционного зондирования земли из космоса. – М.: ИКИ РАН.-2006. – Т. 2, № 1. – С. 61 – 63. 8. Претт У. Цифровая обработка изображений / Претт У. – Кн. 1. – М.: Мир, 1982. – 382 с. 9. Козлов В. Избранные труды по теории планирования эксперимента и обратным задачам оптиче- ского зондирования / Козлов В. – СПб., 2000. – 500 с. 10. Кронберг П. Дистанционное изучение Земли: Основы и методы дистанционных исследований в геологии / Кронберг П. – М.: Мир, 1988. – 343 с. 11. Бугаевский Л. Геоинформационные системы / Л. Бугаевский, В. Цветков. – М.: Златоуст, 2000. – 214 с. 12. Попов М. Підхід до класифікації стану лісових ресурсів по багатоспектральних космічних зо- браженнях на основі принципу злиття даних та використання елементів ГІС-технологій / М. Попов, О. Рябоконенко, О. Петроченко // Ученые записки Таврического национального университета им. В.И. Вернадского. – (Серия «География»). – 2003. – Т. 16 (55), № 2. – С. 142 – 150. 13. Попов М. Методология оценки точности классификации объектов на космических изображени- ях / М. Попов // Проблемы управления и информатики. – 2007. – № 1. – С. 97 – 103. 14. Попов М. Шляхи отримання космічної інформації в інтересах національної безпеки та оборони / М. Попов // Наука і оборона. – 2002. – № 2. – С. 38 – 50. 15. Альперт С. Сучасні критерії оцінки точності класифікації аерокосмічних зображень / С. Аль- перт // Математичні машини і системи. – 2013. – № 4. – С. 187 – 197. 16. Альперт С. Оцінка якості класифікації аерокосмічних зображень на основі матриці помилок та коефіцієнтів точності / С. Альперт // Математичні машини і системи. – 2014. – № 1. – С. 101 – 107. Стаття надійшла до редакції 08.10.2013

Аналіз методів відбору найбільш інформативних спектральних каналів для вивчення об’єктів дистанційного зондування

Institution

Ähnliche Einträge