Новітній підхід до застосування нормалізованого диференційного вегетаційного індексу для класифікування аерокосмічних зображень за наявності неповних та неточних даних.
DOI:
https://doi.org/10.34121/1028-9763-2022-2-19-28Ключові слова:
image classification, Normalized Difference Vegetation Index, parallelepiped method, Dempster’s rule, Inagaki’s combination rule, ecological monitoring, класифікування зображень, нормалізований диференційний вегетаційний індекс, метод паралелепіпедів, правило Демпстера, правило комбінування Інагакі, екологічний моніторингАнотація
Розв’язання численних наукових, екологічних та сільськогосподарських задач із використанням аерокосмічних зображень включає в себе процедуру класифікування. Класифікування є однією із найбільш важливих процедур. На даний час багато методів контрольованого та неконтрольованого класифікування застосовується в дистанційному зондуванні Землі. Найбільш точні результати отримуються з використанням контрольованих методів класифікування. У цій статті були запропоновані деякі нові підходи до класифікування зображень, засновані на методах контрольованого класифікування та нормалізованому диференційному вегетаційному індексі (NDVI). Зазначено, що різні значення NDVI відповідають різним класам об’єктів, таким як ґрунт, вода, дороги, пісок, зелена рослинність, розливи нафти. Застосування вегетаційного індексу є першим кроком класифікування. Використовуючи NDVI, можна обирати певні класи, які нам потрібні. Після застосування NDVI можуть бути використані такі методи класифікування, як метод паралелепіпедів, правило Демпстера і правило комбінування Інагакі. У статті описані основні переваги цих методів класифікування. Було зауважено, що метод паралелепіпедів дозволяє легко та швидко обробляти дані. Показано, що правило комбінування Демпстера та правило комбінування Інагакі можуть працювати з неточними та неповними даними з різних спектральних каналів. Також зазначалося, що ці методи можуть обробляти суперечливу інформацію. Теорія Демпстера-Шейфера характеризується високою точністю та простотою розрахунків. Було розглянуто числовий приклад, в якому для виявлення та картування розливів нафти використовувалися NDVI та правило комбінування Інагакі. Застосування вегетаційного індексу та таких правил контрольованого класифікування, як метод паралелепіпедів, правило Демпстера, правило комбінування Інагакі, може використовуватися в екологічному моніторингу, картуванні розливів нафти та для вирішення сільськогосподарських завдань.Посилання
Chang C.I. Hyperspectral Data Processing: Algorithm Design and Analysis. Hoboken, NJ: John Willey & Sons, 2013. 1164 p.
Crippen R.E. Calculating the Vegetation Index Faster. Remote Sensing of Environment. 1990. Vol. 34. P. 71–73.
Huete A.R., Chen J., Jiang Z., Li J., Yan G., Zhang X., Chen Yu. Localización Analysis of NDVI and scaled difference vegetation index retrievals of vegetation fraction. Remote sensing of environment. 2016. Vol. 101, N 3. P. 366–378.
Хамедов В.А., Копылов В.Н., Полищук Ю.М., Шимов С.В. Использование данных дистанционного зондирования в задачах лесной отрасли. Современные проблемы дистанционного зондирования Земли из космоса: Физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных объектов и явлений: сб. научн. ст. М.: ООО «Азбука-2000», 2006. С. 380–387.
Brownlee K.A. Statistical theory and methodology in science and engineering. New York: John Wiley and Sons, 1965. P. 580–590.
Renyi A. Probability theory. Amsterdam: North-Holland Pub. Co, 1970. 670 p.
Альперт С.І. Удосконалений метод комбінування даних на основі теорії Демпстера-Шейфера за наявності суперечливих даних. Математичні машини і системи. 2018. № 2. С. 33–39.
Abidi M.A., Gonzalez R.C. Data Fusion in Robotics and Machine Intelligence. New York: Academic, 1992. P. 562–569.
Congalton R.A. A review of assessing the accuracy of classifications of remotely sensed data. Remote Sensing of Environment. 1991. N 37. P. 35–46.
Гарбук С., Гершензон В. Космические системы дистанционного зондирования Земли. М.: Издво А и Б, 1997. 296 с.
Gong P. Integrated Analysis of Spatial Data from Multiple Sources: Using Evidential Reasoning and Artificial Neural Network Techniques for Geological Mapping. Photogrammetric Engineering and Remote Sensing. 1996. Vol. 62, N 5. P. 513–523.
Альперт С.І. Аналіз методів відбору найбільш інформативних спектральних каналів для вивчення об’єктів дистанційного зондування. Математичні машини і системи. 2014. № 2. С. 71–77.
Shafer G. A Mathematical Theory of Evidence. Princeton, NJ: Princeton University Press, 1976. P. 875–883.
Кузнецов А.В., Мясников В.В. Сравнение алгоритмов управляемой поэлементной классификации гиперспектральных изображений. Компьютерная оптика. 2014. Т. 38, № 3. С. 494–502.
Inagaki T. Interdependence between Safety-Control Policy and Multiple-Sensor Schemes Via Dempster-Shafer Theory. IEEE Transactions on Reliability. 1991. Vol. 40, N 2. P. 182–188.
Popov M., Alpert S., Podorvan V., Topolnytskyi M., Mieshkov S. Method of Hyperspectral Satellite Image Classification under Contaminated Training Samples Based on Dempster-Shafer’s Paradigm. Central European Researchers Journal. 2015. Vol. 1, N 1. P. 86–97.
Альперт С.І. Порівняння нового удосконаленого підходу комбінування суперечливих даних із правилом Ягера. Український журнал дистанційного зондування Землі. 2018. № 17. С. 14–17. URL: http://www. http://ujrs.org.ua/ujrs.
Лурье И.К., Косиков А.Г. Теория и практика цифровой обработки изображений. М.: Научный мир, 2003. 356 с.
60
15Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2022 Математичні машини і системи
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
