Метод и алгоритмы обработки информации с гиперспектрометров при дешифровке наземных объектов

• Автор: Потапов, Владимир Николаевич
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2013
• Место защиты: Москва
• Количество страниц: 138 с. : ил.

Содержание
Введение
1. Анализ современного состояния технических средств . и методов обработки информации при дистанционном
зондировании Земли и постановка задачи
1.1 Современные технические средства мониторинга
Земли из космоса
1.2 Современные методы обработки информации при дистанционном зондировании Земли
1.3 Оценка особенностей практического использования современных* средств и методов дистанционного зондирования Земли, и выбор наиболее перспективного направления для
развития
2. Теоретическое обоснование и описание разработки метода, алгоритмов и способов обработки информации при дистанционном зондировании Земли гиперспектральными приборами
2.1.Теоретическое обоснование метода параметрического анализа дешифровочных признаков в задачах дистанционного зондирования Земли
2.2., Разработка метода и алгоритмов обработки изображений с
использованием многомерного пространства
2.3. Программное обеспечение реализации разработанных метода и алгоритмов
3. Экспериментальная проверка и апробация разработанных метода и алгоритмов
3.1. Экспериментальное подтверждение эффективности применения выявленных новых дешифровочных признаков
при обработке гиперспектральных изображений
3.2. Апробация разработанных метода и алгоритмов на модели гиперспектрального снимка лесного участка
3.3. Проверка эффективности разработанных метода и
алгоритмов с помощью реальных гиперспектральных снимков
Заключение
Библиографический список

Введение.
Достижения в области технологий аэрокосмического мониторинга Земли и, в частности, леса в первую очередь обязаны достижениям космической техники и космического приборостроения. Для мониторинга лесов широко используются спутниковые данные низкого, среднего и высокого разрешения [8,45]. Лесные службы используют снимки с зарубежных КА: TERRA, Landsat (ЕТМ), SPOT, IRS, ERS(SAR), ENVISAT(ASAR) и снимки с российских КА: «Ресурс-01», «Метеор-ЗМ», «Монитор-Э». Все более широко используются данные сверхвысокого разрешения зарубежных КА: IKONOS, Quick-Bird, ALOS; российские потребители начали работы с данными КА «Ресурс-ДК». Помимо оптических данных для районов, покрытых облачностью большую часть года, используются радиолокационные данные. Поставкой космических снимков для отечественного рынка занимаются как государственные (ФГУП НЦ КМЗ, Госцентр «Природа»), так и коммерческие организации (ИТЦ Сканэкс, Совзонд и др.).[23,45]
Большой вклад в создание методов обработки космических снимков лесов внесли организации Рослесхоза (ВНИИЛМ, «Авиалесохрана», «Центрлеспроект», «Севзаплеспроект», «Запсиблеспроект»), академические институты (ИКИ РАН, ИРЭ РАН, ЦЭПЛ РАН, ИЛ СО РАН), научные центры (ЦПАМ «АЭРОКОСМОС», НТЦ «Реагент»), вузы (МГУЛ, СПбЛТА, МарГТУ).[75,103]
Однако в настоящее время отчетливо проявился ряд факторов, сдерживающих развитие и внедрение технологий аэрокосмического мониторинга леса. Уровень методических разработок и практического применения, данных дистанционного зондирования в лесном хозяйстве остается недостаточным. Отсутствует координация научно-исследовательских и методических работ на отраслевом, межотраслевом и международном уровнях. [7,10]
Производственные организации, выполняющие лесоинвентаризационные работы слабо используют информацию аэрокосмических снимков.

соответствующих показателей были достаточно близкими, а также определять группы временных рядов, динамика которых наиболее схожа.[25,47,72]
Кластерный анализ можно использовать циклически. В этом случае обработка производится до тех пор, пока не будут достигнуты необходимые результаты. При этом каждый цикл может давать информацию, которая способна сильно изменить направленность и подходы дальнейшего применения кластерного анализа. Этот процесс можно представить рекуррентно или в виде системы с обратной связью. В задачах прогнозирования весьма перспективно сочетание кластерного анализа с другими количественными методами (например, с регрессионным анализом).
Как и любой другой метод, кластерный анализ имеет определенные недостатки и ограничения. В частности, состав и количество кластеров зависят от выбираемых критериев разбиения. При сведении исходного массива данных к более компактному виду могут возникать определенные искажения, а также могут теряться индивидуальные черты отдельных объектов за счет замены их характеристиками обобщенных значений параметров кластера.[28,68] При проведении классификации объектов игнорируется очень часто возможность отсутствия в рассматриваемой совокупности каких-либо значений кластеров. В кластерном анализе предполагается следующее:
выбранные характеристики допускают желаемое разбиение на кластеры; единицы измерения (масштаб) выбраны правильно.
Выбор масштаба единиц измерения играет большую роль, поскольку существенно влияет на вычислительную погрешность, следовательно, на результат обработки. Как правило, данные нормализуют вычитанием среднего и делением на стандартное отклонение, так что дисперсия оказывается равной единице. [25]
Методы статистического анализа Целью статистической обработки является обобщение информации и получение оценок параметров, позволяющих анализировать и
интерпретировать данные, получаемые при дистанционном зондировании или