Методика декомпозиции значений двухмерных спектральных признаков дистанционного зондирования на основе анализа составляющих коэффициента корреляции

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.

1. Борзов 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-779

2. Борзов 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-779

3. Шипко 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/AUT20220309

4. Лапко 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/AUT20190303

5. Сазонов 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/S020596141703006X

6. 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).

7. 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/10.1080/01431160601075582

8. Загаруйко Н. Г. Когнитивный анализ данных. ГЕО, Новосибирск (2013).

9. 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/10.14357/20718594230405

10. Шукилович 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-2016-9-7-1035-1044

11. Лапко А. В., Лапко В. А. Непараметрические алгоритмы оценивания состояний природных объектов. Автометрия, 54(5), 33–39 (2018). https://doi.org/10.15372/AUT20180504

12. ParzenE. On estimation of a probability density function and mode. Annals of Mathematical Statistics, 33(3), 1065-1076 (1962). https://doi.org/10.1214/aoms/1177704472

13. Епанечников В. А. Непараметрическая оценка многомерной плотности вероятности. Теория вероятности и её применения, 14(1), 156-161 (1969).

14. Лапко 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/AUT20220211