izmertechИзмерительная техникаIzmeritel`naya Tekhnika0368-10252949-5237ФГУП "ВНИИФТРИ"10.32446/0368-1025it.2024-6-12-17izmertech-2208Research ArticleОБЩИЕ ВОПРОСЫ МЕТРОЛОГИИ И ИЗМЕРИТЕЛЬНОЙ ТЕХНИКИGENERAL PROBLEMS OF METROLOGY AND MEASUREMENT TECHNIQUESМетодика декомпозиции значений двухмерных спектральных признаков дистанционного зондирования на основе анализа составляющих коэффициента корреляцииThe method of decomposition of the values of two-dimensional spectral features of remote sensing based on the analysis of the components of the correlation coef cienthttps://orcid.org/0000-0002-0664-3870ЛапкоА. В.LapkoA. V.

Александр Васильевич Лапко

Красноярск

Aleksandr V. Lapko

Krasnoyarsk

lapko@icm.krasn.ruhttps://orcid.org/0000-0001-6938-9323ЛапкоВ. А.LapkoV. A.

Василий Александрович Лапко

Красноярск

Vasiliy A. Lapko

Krasnoyarsk

valapko@yandex.ruИнститут вычислительного моделирования Сибирского отделения Российской Академии наук; Сибирский государственный университет науки и технологий имени академика М. Ф. РешетнёваРоссияInstitute of Computational Modelling of the Siberian Branch of the Russian Academy of Sciences; Reshetnev Siberian State University of Science and TechnologyRussian Federation2024160820247361419Copyright © ФГУП "ВНИИФТРИ", 20242024ФГУП "ВНИИФТРИ"ФГУП "ВНИИФТРИ"https://www.izmt.ru/jour/about/submissions#copyrightNoticehttps://www.izmt.ru/jour/article/view/2208

Разработана методика декомпозиции значений двухмерных спектральных признаков по составляющим их коэффициентов корреляции. Близким аналогом предложенной методики являются алгоритмы автоматической классификации. Основу методики составляет анализ предложенного показателя – произведений нормированных значений спектральных признаков и их плотности вероятности. Для восстановления плотности вероятности по исходным статистическим данным использована непараметрическая оценка Розенблатта-Парзена. Особенность предложенного показателя и выбранные пользователем пороговые значения показателя позволяют в процессе вычислительного эксперимента формировать варианты декомпозиции исходных статистических данных и картирования получаемых результатов. С помощью человеко-машинной процедуры декомпозиции значений двухмерных спектральных признаков можно обойти проблему решения задач оптимизации при применении алгоритмов автоматической классификации и использовать информацию о зависимости между спектральными признаками в элементах земной поверхности. Представлены результаты применения методики при обработке данных дистанционного зондирования лесного массива и их сопоставление с исходной информацией. Установлены спектральные признаки, которые в основном определяют декомпозицию между сухостоями и другими состояниями лесного массива. Полученные результаты можно использовать для формирования наборов спектральных признаков при оценивании состояний природных объектов.

A technique has been developed for decomposing the values of two-dimensional spectral features according to their components of correlation coeffi cients. A close analogue of the proposed methodology are automatic classification algorithms. The basis of the methodology is the analysis of the proposed indicator – the products of normalized values of spectral features and their probability density. A nonparametric Rosenblatt-Parzen estimate is used to reconstruct the probability density from the initial statistical data. The peculiarity of the proposed indicator and the user-selected threshold values of the indicator make it possible to form variants of the decomposition of the initial statistical data and mapping of the results obtained during the computational experiment. Using a human-machine decomposition procedure for the values of two-dimensional spectral features, it is possible to circumvent the problem of solving optimization problems when using automatic classifi cation algorithms and use information about the relationship between spectral features in the elements of the earth’s surface. The results of the application of the technique in the processing of remote sensing data of the forest area and their comparison with the initial information are considered. Spectral features have been established, which mainly determine the decomposition between dead wood and other forest conditions. The obtained results reveal their development in the formation of sets of spectral features in the assessment of the states of natural objects.

декомпозиция статистических данныхавтоматическая классификациякоэффициент корреляцииданные дистанционного зондированияанализ спектральных данныхdecomposition of statistical dataautomatic classifi cationcorrelation coeffi cientremote sensing dataspectral data analysisReferencesБорзов С. М., Потатуркин О. И. Выбор информативной системы признаков при классификации сельскохозяйственных культур по гиперспектральным данным. Автометрия, 56(4),134–144 (2020). https://doi.org/10.18287/2412-6179-CO-779Borzov S. M., Potaturkin O. I. Selection of the informative feature system for crops classifi cation using hyperspectral data. Optoelectronics, Instrumentation and Data Processing, 56(4), 431–439 (2020). https://doi.org/10.3103/S8756699020040032Борзов С. М., Потатуркин О. И. Повышение эффективности классификации гиперспектральных изображений за счёт разномасштабной пространственной обработки. Компьютерная оптика, 44(6), 937–943 (2020). https://doi.org/10.18287/2412-6179-CO-779Borzov S. M., Potaturkin O. I. Increasing the classifi cation effi ciency of hyperspectral images due to multi-scale spatial processing. Computer Optics, 44(6), 937–943 (2020). (In Russ.) https://doi.org/10.18287/2412-6179-CO-779Шипко В. В., Борзов С. М. Исследование эффективности классификации гиперспектральных данных при ограничениях на разрядность квантования, количество спектральных каналов и пространственное разрешение. Автометрия, 58(3), 79–87 (2022). https://doi.org/10.15372/AUT20220309Shipko V. V., Borzov S. M. Analysis of the effi ciency of hyperspectral data classifi cation under constraints on the quantization bit depth, the number of spectral channels, and spatial resolution. Optoelectronics, Instrumentation and Data Processing, 58, 273–280 (2022). https://doi.org/10.3103/S8756699022030062Лапко А. В., Лапко В. А., Им С. Т. и др. Непараметрический алгоритм выделения классов, соответствующих одномодальным фрагментам плотности вероятности многомерных случайных величин. Автометрия, 55(3),22–30 (2019). https://doi.org/10.15372/AUT20190303Lapko A. V., Lapko V. A., Im S. T. et al. Nonparametric algorithm of identifi cation of classes corresponding to single-mode fragments of the probability density of multidimensional random variables. Optoelectronics, Instrumentation and Data Processing, 55, 230–236 (2019). https://doi.org/10.3103/S8756699019030038Сазонов Д. С. Корреляционный анализ экспериментальных дистанционных измерений и моделей микроволнового излучения взволнованной водной поверхности. Исследование Земли из космоса, (3), 53–64 (2017). https://doi.org/10.7868/S020596141703006XSazonov D. S. Correlation analysis of experimental remote-sensing data and models of microwave rough sea-surface emission. Izvestiya, Atmospheric and Oceanic Physics, 53, 1174–1184 (2017). https://doi.org/10.1134/S00014338170902742017Lu Z.,Mingsheng L., Limin Y., Hui L. Remote sensing change detection based on canonical correlation analysis and contextual bayes decision. Photogrammetric Engineering & Remote Sensing, 73(3), 311–318 (2007).Lu Z., Mingsheng L., Limin Y., Hui L. Remote sensing change detection based on canonical correlation analysis and contextual bayes decision. Photogrammetric Engineering & Remote Sensing, 73(3), 311–318 (2007).Im J., Jensen J. R., Tullis J. A. Object-based change detection using correlation image analysis and image segmentation. International Journal of Remote Sensing, 29, 399–423 (2008). https://doi.org/10.1080/01431160601075582Im J., Jensen J. R., Tullis J. A. Object-based change detection using correlation image analysis and image segmentation. International Journal of Remote Sensing, 29, 399–423 (2008). https://doi.org/10.1080/01431160601075582Загаруйко Н. Г. Когнитивный анализ данных. ГЕО, Новосибирск (2013).Zagaruiko N. G. Cognitive data analysis. GEO Publ., Novosibirsk (2013). (In Russ.)Тубольцев В. П., Лапко А. В., Лапко В. А. Модифицированный непараметрический алгоритм автоматической классификации статистических данных большого объёма и его применение. Искусственный интеллект и принятие решений, (4),49–57 (2023). https://doi.org/10.14357/20718594230405Tuboltsev V. P., Lapko A. V., Lapko V. A. Modifi ed nonparametric algorithm for automatic classifi cation of large-volume statistical data and its application. Scientifi c and Technical Information Processing, (4), 49–57 (2023). (In Russ.) https://doi.org/10.14357/20718594230405Шукилович А. Ю., Федотова Е. В., Маглинец Ю. А. Применение сенсора Modis для оперативного мониторинга земель сельскохозяйственного назначения. Журнал Сибирского федерального университета. Серия: Техника и технологии, 9(7) , 1035–1044 (2016). https://doi.org/10.17516/1999-494X-2016-9-7-1035-1044Shukilovich A. Y., Fedotova E. V., Maglinets Y. A. Using modis data for agricultural areas monitoring. Journal of Siberian Federal University. Engineering & Technologies, 9(7), 1035–1044 (2016). (In Russ.) https://doi.org/10.17516/1999-494X-2016-9-7-1035-1044Лапко А. В., Лапко В. А. Непараметрические алгоритмы оценивания состояний природных объектов. Автометрия, 54(5), 33–39 (2018). https://doi.org/10.15372/AUT20180504Lapko A. V., Lapko V. A. Nonparametric algorithms for estimating the states of natural objects, Optoelectronics, Instrumentation and Data Processing, 54(5), 451–456 (2018). https://doi.org/10.3103/S8756699018050047ParzenE. On estimation of a probability density function and mode. Annals of Mathematical Statistics, 33(3), 1065-1076 (1962). https://doi.org/10.1214/aoms/1177704472Parzen E. On estimation of a probability density function and mode. Annals of Mathematical Statistics, 33(3), 1065-1076 (1962). https://doi.org/10.1214/aoms/1177704472Епанечников В. А. Непараметрическая оценка многомерной плотности вероятности. Теория вероятности и её применения, 14(1), 156-161 (1969).Epanechnikov V. A. Non-parametric estimation of a multivariate probability density, Theory of Probability & Its Applications, 14(1), 156–161 (1969). https://doi.org/10.1137/1114019Лапко А. В., Лапко В. А. Оценивание нелинейного функционала от плотности вероятности трёхмерной случайной величины для повышения вычислительной эффективности непараметрических решающих правил. Автометрия, 58(2), 93–103 (2022). https://doi.org/10.15372/AUT20220211Lapko A. V., Lapko V. A. Estimation of a nonlinear functional of the probability density of a three-dimensional random variable to improve the computational effi ciency of nonparametric decision rules, Optoelectronics, Instrumentation and Data Processing, 58(2), 188–197 (2022). https://doi.org/10.3103/S8756699022020078

The authors declare that there are no conflicts of interest present.