ИСТИНА |
Войти в систему Регистрация |
|
Интеллектуальная Система Тематического Исследования НАукометрических данных |
||
Создание информационных систем комбинированного использования данных дистанционного зондирования и наземных наблюдений требует разработки вычислительных процедур распознавания природно-техногенных объектов и оценки параметров, характеризующих состояние этих объектов. Распознавание образов и анализ сцен – обширная область прикладной математики, которая заключается в создании алфавитов классов наблюдаемых объектов, разработке словарей характерных признаков таких объектов и обосновании правил принятия решений об отнесении текущих элементов разрешения (пикселей) к известным априори. Автоматизация распознавания выбранных классов объектов состоит в разделении этих классов по характерным спектральным и текстурным признакам, определяемым с помощью используемых вычислительных процедур. Современная тенденция увеличения пространственного и спектрального разрешения аппаратуры дистанционного зондирования способствует повышению точности распознавания объектов, но требует учета специфики формирования регистрируемых изображений. В частности, наличие соседних освещенных Солнцем и затененных фитоэлементов (листья/хвоя, ветки и др.) для объектов лесного покрова разного породного состава и возраста – характерная особенность текстурного распознавания таких объектов на их оптических изображениях высокого пространственного разрешения (метры). На изображениях более низкого разрешения (сотни метров) взаимосвязь отдельных пикселей сглаживается, так что в этом случае решаются другие задачи нахождения границ между разными классами объектов. Для повышения вычислительной эффективности разрабатываемых процедур требуется также уменьшение возможной избыточности каналов гиперспектрального зондирования. Необходимость реализации предлагаемых процедур диктуется тем, что регистрируемые спектральные плотности энергетической яркости (СПЭЯ) соседних каналов соответствующих изображений могут быть зависимы между собой. Объединение каналов способствует устранению их возможной избыточности и повышению отношения «сигнал/шум» аппаратуры без существенного уменьшения точности распознавания выбранных классов объектов. В проекте обосновываются соответствующие условия оптимизации каналов. Проект направлен на разработку машинно- обучающих алгоритмов распознавания объектов по их спектральным и текстурным признакам на обрабатываемых аэрокосмических изображениях. Основные участники данного проекта имеют опыт летных испытаний отечественной гиперспектральной аппаратуры, которая устанавливалась на самолетную гиростабилизированную платформу вместе с аппаратурой аэрофотосъемки и системой глобального спутникового позиционирования. При совместной обработке данных дистанционного зондирования использовалось разработанное авторским коллективом оригинальное алгоритмическое и программное обеспечение вместе с данными наземных лесотаксационных, лесотипологических и биогеографических описаний выбранной тестовой территории. Оригинальность такого научно-технологического подхода доказана авторскими свидетельствами на основные программы обработки данных, полученными из Роспатента Российской Федерации. Публикации в высокорейтинговых зарубежных журналах подтверждают оригинальный характер проведенных исследований. При этом исследуется информационное содержание основных известных классификаторов (вычислительных процедур): усовершенствованный байесовский подход в принятии статистических решений, метод опорных векторов как возможная альтернатива байесовского классификатора по уменьшению объема используемых выборок в процессе обучения этого нового классификатора, квадратичный дискриминантный анализ при экстраполяции результатов обучения на все элементы обрабатываемых изображений. Научная новизна предлагаемого проекта связана с реализацией оптимальных решений при сравнении регистрируемых наборов данных и разных модельных функций распределения данных, а также с оптимизацией каналов гиперспектрального зондирования в заданной предметной области исследований. В итоге повышается вычислительная эффективность используемых компьютерных средств в процессе автоматизации предлагаемых вычислительных процедур совместного анализа данных дистанционного зондирования и наземных лесотаксационных и других обследований выбранных регионов. Создаваемая информационная система обработки данных комбинированного мониторинга позволяет обосновать реальные точности решения региональных прикладных задач экологии и природопользования. Разработка новых методов совместного усвоения данных дистанционного зондирования и наземных обследований в моделях климата способствует параметризации процессов обмена между объектами поверхности суши и атмосферой, в частности, пониманию средообразующей роли лесов в этих моделях.
Creation of information systems of a combined use of remote sensing data and ground-based observations requires the elaboration of computational procedures of natural and anthropogenic objects recognition and parameters estimates, characterizing the state of these objects. Pattern recognition and scene analysis is an extended field of applied mathematics that serves to create alphabets of classes of the observed objects, elaboration of dictionaries of characteristic features for such objects and accounting for decision making rules as to belonging of current pixels to the prior known. The automation of recognition of the selected object classes is in dividing these classes based on their characteristic spectral and textural features to be extracted using the applied computational procedures. The current tendency of increasing the spatial and spectral resolution of remote sensing instruments contributes to the accuracy enhancement for these objects, but requires specifics of the registered imagery formation to be taken into account. In particular, the availability of the neighboring phyto-elements (leaves/needles, branches, etc.), illuminated by the Sun and shaded, for the forest canopy objects of different species and ages is a characteristic feature for textural recognition of such objects on their optical images of high spatial resolution (meters). The interrelation between separate pixels on the images of lower resolution (hundreds of meters) is smoothed, thus other problems of finding boundaries between different classes are solved in this case. To enhance the computational efficiency of the elaborated procedures it is necessary to decrease a possible redundancy of the hyper-spectral channels (hundreds of these channels in visible and near infrared region). The necessity of the relevant procedures realization is due to the inter-dependence of the neighboring channels on the related images. Joining up channels contributes to the removal of the possible redundancy and to enhancement of “signal-to-noise” ratio of the instruments used without essential accuracy diminishing in the selected objects recognition. The appropriate conditions of the channels optimization are accounted for in the project. This project aims at elaboration of the machine-learning algorithms of the objects recognition using their spectral and textural features on the air-space images under processing. The main participants of the project have been experienced in domestic hyper-spectral instruments testing, which were installed on an airplane gyrostabilized platform together with air-photo apparatus and satellite global positioning system. The original algorithmic and apparatus tools elaborated by the authors together with ground-based forest inventory, forest typology and bio-geographical descriptions on the selected test area were used under the joint data processing. The originality of such science and technology approach was proven by ertificates on the main programs of data processing, which were obtained by the authors from the Patent Service of Russian Federation. Author’s publications in high rating foreign journals confirm the original character of the studies carried out. Information content of the major known classifiers (computational procedures) has been analyzed in these studies: an improved Bayesian approach in statistical decision making, the support vector machine method as a possible alternative concerning a possible decrease of the sample volumes used in the learning process of the classifier, square discriminant analysis while extrapolating the learning results on all pixels of the images under processing. The scientific novelty of the proposed project is related to optimal solutions while comparing registered radiances and different modeling functions of data distribution. The novelty also concerns optimization of channels of hyper-spectral remote sensing in a particular subject area. As a result, the computational efficiency is enhanced in the automation process of the proposed procedures of the combined analysis of remote sensing data and ground-based forest inventory and other observations for the related regions. The proposed information system of combined processing of monitoring data enables to account for the real accuracy to solve the applied problems of the environment and land use. The elaboration of the newly defined methods of the combined remote sensing and ground-based data assimilation in climate models contributes to parameterization of the exchange processes between the land surface objects and the atmosphere, in particular, to understanding the forested environments role in these models.
1. Методы распознавания природно-техногенных объектов по данным оптического аэрокосмического зондирования. Мировые корпорации занимаются разработкой методов исследований при построении параметрических и непараметрических классификаторов в машинно-обучающих алгоритмах обработки многоспектральных и гиперспектральных изображений. Планируется объединение достоинств имеющихся подходов в процессе оптимизации вычислительных процедур обработки данных гиперспектрального зондирования. 2. Алгоритмы обработки данных гиперспектрального зондирования, основанные на реализации разрабатываемых методов. Основное направление мировых исследований – создать универсальные алгоритмы, которые учитывали бы специфику объектов. Например, стремятся подробно разрешить полосу поглощения солнечного излучения хлорофиллом, основным пигментов фотосинтезирующей растительности, и соседние каналы максимальной отражательной способности такой растительности. Такой сравнительный анализ данных разных каналов гиперспектрального зондирования способствует определению стрессового состояния растительности под влиянием дефицита увлажнения, загрязнений окружающей среды и др. 3. Программное обеспечение обработки данных строится на основе указанных алгоритмов. Здесь текстурные признаки служат основой распознавания разных классов природно-техногенных объектов, а тонкие нюансы строения и состава объектов определяют по спектральным признакам. 4. Модели оптимизации распознавания объектов по спектральным и текстурным признакам, в которых учитывается влияние соседних пикселей для заданных классов объектов и обосновывается устранение возможной избыточности спектральных каналов в заданной предметной области. Оптимизация осуществляется на основе разрабатываемых авторами оригинальных подходов (Марковские случайные поля при нахождении соседства пикселей первого, второго и более высокого порядка для заданного класса объектов; метод последовательного дополнения соседних каналов в процессе их объединения). 5. Результаты тестирования разных классификаторов с точки зрения рассмотрения их преимуществ и недостатков в процессе реализации машинно-обучающих алгоритмов обработки данных гиперспектрального зондирования. Основа тестирования – обоснование точности решения региональных задач экологии и природопользования при наличии результатов наземных полевых кампаний в заданной предметной области совместных исследований. 6. Сравнительный анализ данных непрерывного покрытия выбранной тестовой территории гиперспектрального зондирования с точечными данными наземных полевых обследований, привязанных к этой территории. Наиболее известны лесотаксационные, лесотипологические, геоботанические описания, характеризующие данные наземных обследований. Планируется увязка этих описаний с информационным содержанием данных дистанционного мониторинга с развитием подобных приложений для других природно-техногенных объектов.
Для понимания средообразующей роли лесов показана необходимость совместного использования данных оптического дистанционного зондирования и наземных лесотаксационных и других обследований тестовой территории.
Были реализованы методы и алгоритмическое и программное обеспечение контекстуального распознавания текстур природно-техногенных объектов по данным самолетной аэрофото- и гиперспектральной съемки для выбранной тестовой территории Тверской области. На примере распознавания объектов лесного покрова разного породного состава и возраста по гиперспектральным самолетным изображениям тестовой территории показаны особенности оптимизации вычислений. Оптимизация по текстурным признакам сводится к нахождению соседства элементов разрешения (пикселей) первого, второго и более высокого порядков с помощью представлений о Марковских случайных полях (близкодействия) для заданного класса объектов. Оптимизация по спектральным признакам способствует объединению соседних каналов без существенного уменьшения точности распознавания таких объектов. Используемые при этом когнитивные технологии (pattern recognition) дистанционного зондирования вбирают в себя опыт предшествующего развития этой дисциплины, связанной с разработкой алфавита классов объектов, словарей их признаков и математических процедур отнесения текущих пикселей к известным априори в машинно-обучающих алгоритмах обработки данных. Речь идёт о разработке современных и усовершенствованиях интеллектуальных систем извлечения полезной информации из наборов исходных данных различного происхождения (data mining) для решения задач по распознаванию образов исследуемых объектов. Когнитивные технологии получают широкое распространение в практическом применении в природопользовании при создании новейших систем дистанционного зондирования и обработке аэрокосмических изображений. Эти технологии увязывает самые разные области научных исследований: физико-математические науки в части разработки моделей формирования аэрокосмических изображений; биологию и почвоведение в части понимания, как объединить отдельные элементы наземных обследований в общую структуру выбранного ландшафта территории; информационные и технические науки в части создания адекватных измерительных систем, обеспечивающих решение возникающих прикладных задач. Наряду с распознаванием объектов, разрабатываемые нами когнитивные технологии дистанционного зондирования позволяют также восстанавливать параметры состояния распознанных объектов. К числу таких параметров для объектов лесного покрова относится объем зеленой фитомассы листвы/хвои и связанный с ней объем биомассы разных фракций лесной растительности. Для решения возникающих прикладных задач создается аппаратно- программная система обработки данных гиперспектрального аэрокосмического зондирования. Были отработаны также элементы валидации (наземного подтверждения) получаемой информационной продукции обработки аэрокосмических изображений. Показана необходимость понимания информационных возможностей разных классификаторов (вычислительных процедур). Разработано алгоритмическое и программное обеспечение оптимизации набора спектральных каналов используемых классификаторов на обрабатываемых гиперспектральных изображениях в заданной предметной области исследований. Оптимизация каналов необходима для устранения их возможной избыточности путем объединения соседних каналов без существенного уменьшения точности распознавания объектов.
ИВМ РАН | Соисполнитель |
ТвГУ | Соисполнитель |
МГУЛ | Соисполнитель |
ИВМ РАН | Соисполнитель |
ТвГУ | Соисполнитель |
МГУЛ | Соисполнитель |
грант РНФ |
# | Сроки | Название |
1 | 1 января 2016 г.-31 декабря 2016 г. | Автоматизация распознавания природно-техногенных объектов на аэрокосмических изображениях высокого спектрального и пространственного разрешения |
Результаты этапа: Были реализованы методы и алгоритмическое и программное обеспечение контекстуального распознавания текстур природно-техногенных объектов по данным самолетной аэрофото- и гиперспектральной съемки для выбранной тестовой территории Тверской области. На примере распознавания объектов лесного покрова разного породного состава и возраста по гиперспектральным самолетным изображениям тестовой территории показаны особенности оптимизации вычислений. Оптимизация по текстурным признакам сводится к нахождению соседства элементов разрешения (пикселей) первого, второго и более высокого порядков с помощью представлений о Марковских случайных полях (близкодействия) для заданного класса объектов. Оптимизация по спектральным признакам способствует объединению соседних каналов без существенного уменьшения точности распознавания таких объектов. Используемые при этом когнитивные технологии (pattern recognition) дистанционного зондирования вбирают в себя опыт предшествующего развития этой дисциплины, связанной с разработкой алфавита классов объектов, словарей их признаков и математических процедур отнесения текущих пикселей к известным априори в машинно-обучающих алгоритмах обработки данных. Речь идёт о разработке современных и усовершенствованиях интеллектуальных систем извлечения полезной информации из наборов исходных данных различного происхождения (data mining) для решения задач по распознаванию образов исследуемых объектов. Когнитивные технологии получают широкое распространение в практическом применении в природопользовании при создании новейших систем дистанционного зондирования и обработке аэрокосмических изображений. Эти технологии увязывает самые разные области научных исследований: физико-математические науки в части разработки моделей формирования аэрокосмических изображений; биологию и почвоведение в части понимания, как объединить отдельные элементы наземных обследований в общую структуру выбранного ландшафта территории; информационные и технические науки в части создания адекватных измерительных систем, обеспечивающих решение возникающих прикладных задач. Наряду с распознаванием объектов, разрабатываемые нами когнитивные технологии дистанционного зондирования позволяют также восстанавливать параметры состояния распознанных объектов. К числу таких параметров для объектов лесного покрова относится объем зеленой фитомассы листвы/хвои и связанный с ней объем биомассы разных фракций лесной растительности. Для решения возникающих прикладных задач создается аппаратно- программная система обработки данных гиперспектрального аэрокосмического зондирования. Были отработаны также элементы валидации (наземного подтверждения) получаемой информационной продукции обработки аэрокосмических изображений. Показана необходимость понимания информационных возможностей разных классификаторов (вычислительных процедур). Разработано алгоритмическое и программное обеспечение оптимизации набора спектральных каналов используемых классификаторов на обрабатываемых гиперспектральных изображениях в заданной предметной области исследований. Оптимизация каналов необходима для устранения их возможной избыточности путем объединения соседних каналов без существенного уменьшения точности распознавания объектов. На начальном этапе для определения классов строятся контуры (открытые и закрытые, истинные и ложные) объектов на рассматриваемом оптическом изображении. Лесные классы представлены различными породами и возрастами древостоев, которые воспринимаются как чередование пикселей, принадлежащих освещенным Солнцем вершинам деревьев, затененным участкам полога и промежуточным случаям, когда частично присутствуют освещенные и затененные участки. Такое представление характеризует случайное распределение пикселей различных лесных классов на оптических изображениях дистанционного зондирования. На данном этапе реализации проекта показано, что такое разделение освещенных и затененных фитоэлементов повышает точность решения задачи распознавания объектов лесного покрова по их спектральным и текстурным признакам. Наша основная цель – создание оригинального алгоритмического и программного обеспечения обработки гиперспектральных изображений в увязке с существующими данными лесотаксационных и других наземных обследований выбранной территории. Для выбранной тестовой территории, для которой собраны данные наземных лесотаксационных и других обследований, при обработке самолетных гиперспектральных изображений сравнивались разные классификаторы: метрический классификатор, действующий на основе Евклидова расстояния между отдельными точками или множествами многомерного признакового пространства; метод К ближайших соседей, основанный на голосовании большинства для соседних пикселей заданного класса; байесовский классификатор принятия статистических решений; метод опорных векторов получения устойчивых решений в проблеме минимаксной оптимизации. Показаны преимущества и недостатки выбранных классификаторов. Основные выводы по приложениям используемых классификаторов сводятся к следующему. Нелинейные классификаторы более эффективны для распознавания лесных объектов разного породного состава и возраста в сравнении с их линейными аналогами. Байесовский классификатор с гауссовской смесью канальных яркостей оказался наилучшим для указанных целей, а метрический классификатор наихудшим. Многоклассовый метод опорных векторов и классификатор К взвешенных соседних пикселей показали близкие ошибки, но последний из выбранных классификаторов оказался близким по точности к оптимальному байесовскому классификатору. Обоснование выбора тестовой территории наземных обследований с набором имеющихся описаний этой территории для ее последующего распознавания по данным дистанционного зондирования сводится к следующему. Большинство примеров в наших исследованиях относятся к приложениям когнитивных технологий в области лесопользования. В приложениях лесного хозяйства говорят о лесоустройстве – системе мероприятий по промышленной заготовке древесины и восстановлении посадок леса вследствие вырубок, лесных пожаров, поражения лесных массивов вредителями-насекомыми, других естественных и антропогенных факторов. Традиционные подходы в лесопользовании основаны на планшетном отображении результатов наземных обследований территорий лесного фонда в виде отдельных кварталов и выделов внутри них. Каждый выдел в лесотаксационных обследованиях отображается определенным цветом (березняки – оттенками синего цвета, сосняки – оттенками оранжевого цвета, ельники – оттенками фиолетового цвета и т.д.). Цветовая гамма на картосхемах наземной лесотаксации в пределах соответствующих выделов характеризует возраст древостоев по преобладающей древесной породе (чем темнее цвет, тем больше возраст). Для основных выделов приводятся: зарегистрированный номер выдела, его площадь, возраст основной породы, бонитет – показатель качества древесины, который зависит от условий произрастания и характеризует продуктивность древостоев. Лесотаксационные данные – наиболее стандартизованный вид наземных работ, имеются нормативные методы и приборы, существуют тысячи наименований нормативно-справочных материалов (числовые таблицы, графические материалы, математические модели), в которых учитываются общие и региональные особенности роста и продуктивности лесов. Как сказано выше, данные лесотаксации отображаются на картосхемах по отдельным кварталам и выделам внутри них. Измеряемые характеристики – запас древесины (объем ствола), высота (как функция возраста и бонитета), полнота (степень заполнения древостоями выбранного участка). Лесотипологические характеристики отличаются большим разнообразием. Они содержат сотни уникальных понятий, относящихся к межкроновой растительности. Это болотный тип растительности, кустарниковый, разнотравный, сфагновый, черничник, брусничник и т.д. Для практических приложений интерес представляет связь этих описаний с бонитетом древостоя, но такие записи при наземных обследованиях делаются не всегда. Геоботанические описания позволяют в пределах каждого выдела учитывать рельеф местности, почвенный покров, ярусы древесной травянисто-кустарниковой, мохово-лишайниковой растительности. При этом также дается информация о породном составе: сосняки, ельники, березняки, ольшаники и т.д. Учитывается также подрост, подлесок, преобладающие виды покрова (мхи, лишайники, злаки, хвощи и т.д.). Конечная цель таких дистанционно-наземных исследований – получение данных по биологической продуктивности древостоев определенного породного состава и возраста. Оценки чистой первичной продукции (Net Primary Productivity - NPP) производятся научными группами исследователей, т.к. использование этих данных далеко не всегда относится к повышению эффективности ведения лесного хозяйства (лесоустройства), а к изучению средообразующей роли лесов, включая моделирование процессов обмена веществом и энергией с окружающей средой. Имеющаяся база исследований – построение моделей отношения фитомассы фракций (листва/хвоя, ветви и т.д.) к запасу древесины как некоторых функций (обычно показательной и экспоненциальной) от класса бонитета, возраста и относительной полноты древостоя. При построении моделей использовались известные таблицы хода роста и продуктивности насаждений основных лесообразующих пород Северной Евразии. Предшествующая аэросъемка тестовых участков территории проводились с борта самолета. Кроме гиперспектральной аппаратуры в состав оборудования входят: блок питания; ноутбук с необходимым программным обеспечением; гиростабилизированная платформа и прочие элементы подвески; фотокамера для получения цифровых снимков территории съемки синхронно с данными гиперспектрального зондирования. Перед полетом гиперспектральная аппаратура проходила серию специальных тестов, заключающихся в определении линейности текущей калибровки и зависимости уровня шума от уровня сигнала. Первый тест позволяет установить оптимальное для текущих условий время накопления, обеспечивающее наилучшую точность измерения спектральной плотности энергетической яркости (СПЭЯ). При слишком малом времени накопления измеряемые СПЭЯ существенно возмущаются собственными шумами ПЗС-матрицы гиперспектральной аппаратуры, а при слишком большом, данные калибровки гиперспектрометра становятся недействительными из-за нелинейных эффектов. Второй тест позволяет определить эффективное радиометрическое разрешение аппаратуры. В итоге реализации предшествующих лётно-полевых кампаний были собраны синхронные данные дистанционного зондирования и наземных обследований, которые использовались для взаимного сравнения. При этом проводилась систематизация данных наземных лесотаксационных и других обследований выбранной территории, необходимых для реализации предлагаемых информационных технологий при решении задач лесного хозяйства. Систематизация сводилась к сравнению предшествующих данных трудоемких работ по наземной лесотаксации, которые, как показано в результате реализации настоящего проекта, нуждаются в обновлении, с текущими данными дистанционного зондирования на основе предлагаемых новых подходов. Показано, что точность решения задачи автоматизированной обработки данных дистанционного зондирования близка к точности наземных обследований, что определяет перспективы этих новых подходов по автоматизации обработки самолетных гиперспектральных изображений. | ||
2 | 1 января 2017 г.-31 декабря 2017 г. | Автоматизация распознавания природно-техногенных объектов на аэрокосмических изображениях высокого спектрального и пространственного разрешения |
Результаты этапа: | ||
3 | 1 января 2018 г.-31 декабря 2018 г. | Автоматизация распознавания природно-техногенных объектов на аэрокосмических изображениях высокого спектрального и пространственного разрешения |
Результаты этапа: 1. Оценка точности разработанного алгоритмического и программного обеспечения распознавания объектов земной поверхности, включая разные типы лесных экосистем, по спектральным и текстурным признакам. Эта особенность разрабатываемой технологии рассматривается как альтернатива традиционной наземной лесотаксации. Точность наземных обследований составляет 5-15% для разных тестовых участков в зависимости от горизонтальной неоднородности древостоев на картах наземной лесотаксации. При этом такие карты строятся по преобладающей породе древостоев на выбранном тестовом участке наземных обследований. В наших исследованиях показано, что точность обработки самолетных гиперспектральных данных дистанционного зондирования высокого пространственного разрешения не хуже указанной точности наземной лесотаксации. Это открывает новые информационные возможности соответствующих практических приложений данных дистанционного зондирования. Помимо необходимости обновления этих карт по регламенту наземных обследований, что фактически достигается текущей актуализацией данных гиперспектрального зондирования, проведение такой обработки данных повышает качество используемых информационных продуктов при наблюдении сверху разных классов лесного покрова с помощью современных технических средств. 2. Проводилась доработка программного обеспечения на основе тестовых испытаний и повышения качества обработки с учетом точности решения задачи распознавания объектов. Эта часть доработки включала усовершенствования классификатора ECOC-SVM за счет использования новых спутниковых изображений и имеющихся гиперспектральных самолетных изображений для другой тестовой территории совместно с данными предшествующей наземной лесотаксации. Доработка должна способствовать демонстрации преимущества гиперспектрального подхода перед многоспектральными измерениями вместе с оптимизацией каналов гиперспектрального зондирования. Однако, общие ошибки классификации объектов лесного покрова по данным спутникового многоспектрального и самолетного гиперспектрального зондирования с использованием классификатора ECOC-SVM с гауссовским ядром по 6 каналам дистанционного зондирования (не использовались каналы 1 и 8 спутника WorldView-2) оказались близки между собой. Речь здесь идет о самом коротковолновом канале спутникового зондирования, несущем информацию об атмосферном аэрозоле (состоянии атмосферы в момент съемки), и самом длинноволновом канале, где существенны полосы поглощения водяного пара атмосферы. При этом, мы имеем возможность оптимизации спектральных каналов гиперспектрального зондирования для решения прикладных задач распознавания лесного покрова, а спутниковые данные содержат фиксированные каналы. 3. Обоснование вычислительных процедур автоматизации совместного анализа данных дистанционного зондирования и наземных обследований. Основная направленность этих исследований - доказательство возможности замещения трудоемких работ по наземной лесотаксации с помощью предлагаемых автоматизированных процедур обработки многоспектральных и гиперспектральных изображений высокого пространственного разрешения. Доказательство основано на сравнении точности классификации данных дистанционного зондирования лесного покрова разного породного состава и возраста, а также точности наземных обследований тестовых участков выбранной территории. 4. Предложения по параметризации обменных процессов между атмосферой и объектами поверхности суши в моделях климата. Эта часть исследований должна показать новые возможности параметризации средообразующей роли лесов по данным гиперспектрального зондирования с увязкой соответствующих усовершенствований, касающихся восстановления трехмерной структуры лесного полога по данным лидарного (сканирующие лазерные системы) зондирования в терагерцовом диапазоне длин волн. Уникальные возможности развития таких новых приложений данных лазерного сканирования возникли в последнее время в связи с появлением технологий точного определения местоположения и ориентации в пространстве самолетных средств, на которые устанавливаются соответствующие аппаратные комплексы. Объединение гиперспектральных и лидарных данных дистанционного зондирования способствует решению прикладных задач оценки состояния лесной растительности в процессе разработки автоматизированных алгоритмов распознавания объектов. В обоих случаях обработки гиперспектральных и лидарных изображений исходными для классификации объектов служат пиксели (отдельные элементы разрешения) используемой аппаратуры. |
Для прикрепления результата сначала выберете тип результата (статьи, книги, ...). После чего введите несколько символов в поле поиска прикрепляемого результата, затем выберете один из предложенных и нажмите кнопку "Добавить".