Автореферат (Методы математического моделирования для распознавания и прогнозирования характеристик областей земной поверхности по мультиспектральным космическим изображениям), страница 2

Теоретическую иметодологическую основу проведенных разработок и исследований составили трудыотечественных и зарубежных авторов в области обработки изображений и прогнозированияна основе данных ДЗЗ, а также технические решения, созданные и опубликованные вроссийских и зарубежных патентах и свидетельствах на изобретения РФ. Для анализаполученных результатов использовались методы статистической обработки данных.Апробация работы.

Научные результаты были доложены, обсуждены и получилиодобрение специалистов на следующих научных конференциях и семинарах:1.! 4-м международном семинаре «Извлечение информации из изображений. Теория иприложения» (IMTA-4), Барселона, 2013; тема доклада – “Analysis of large long-termremote Sensing image sequence for agricultural yield forecasting”.2.! Международнойконференцияпо«Компьютернойграфике,визуализации,компьютерному зрению и обработке изображений» (CGVCVIP-2013), Прага, 2013;тема доклада – “Trainable method for predicting characteristics of land surface objects”.3.! 9-ой международной конференции по «Интеллектуальному анализу данных» (DMIN13) – Лас-Вегас, 2013; тема доклада – “Efficiency of crop yield forecasting depending onthe moment of prediction based on large remote sensing data set”.4.! 10-ой, 11-ой, 12-ой всероссийских открытых конференциях «Современные проблемыдистанционного зондирования Земли из космоса» – Москва, 2012, 2013, 2014; темыдокладов – «Прогнозирование урожайности на основе многолетних космическихнаблюденийзадинамикойразвитиявегетации»,«Уточнениенелинейнойрегрессионной модели прогнозирования урожайности по данным спутниковогомониторинга», «Усовершенствование модели прогнозирования урожайности поданным спутникового мониторинга».75.! Международной научной конференция «Открытия и достижения науки» (МДК-201503) – Москва, 2015; тема доклада – «Анализ динамики вегетации растительности вимпактных районах по космическим изображениям».В диссертационной работе использованы результаты, полученные автором в ходеисследований, проводимых в рамках научно-исследовательской работы по теме «Разработкаметодов оценки плодородия и степени деградации почв на основе комплексного анализамногоспектральных оптических и радиолокационных космических изображений» (проект2011-1.5-515-043).Публикации.

По теме диссертации опубликованы 9 работ [1-9], в том числе 3 работыв изданиях, входящих в перечень ведущих журналов и изданий, рекомендованных ВАК дляпубликации основных результатов диссертаций на соискание ученой степени кандидата наук[1-3], 1 статья индексируется в “SCOPUS” [2], 2 статьи индексируются в “Web of Science” [2,3].Получено 2 свидетельства о государственной регистрации программы для ЭВМ [10, 11].Личный вклад автора заключается в разработке и реализации численных методов, разработкекомплекса программ, адаптированного для прогнозирования характеристик областей земнойповерхности по мультиспектральным космическим изображениям, построении наборапараметрических моделей прогнозирования урожайности различных сельскохозяйственныхкультур, анализе результатов прогнозирования, а также подготовке публикаций.Личный вклад автора.

Содержание диссертации и основные положения, выносимые назащиту, отражают персональный вклад автора в опубликованные работы. Подготовка кпубликации полученных результатов проводилась совместно с соавторами, причем вкладдиссертанта в работах [1-5,9] был определяющим и включал в себя как разработку методов имоделей, [6-8] вклад автора заключался в усовершенствование методов и моделейпрогнозирования урожайности с целью повышения точности и заблаговременностипрогнозов, проведение вычислительных экспериментов по всем работам [1-9].Все представленные в диссертации результаты получены лично автором.Структура и объем диссертации.

Диссертация состоит из введения, обзоралитературы, 4 глав, заключения и библиографии. Общий объём диссертации 156 страниц, изних 107 страниц текста, 45 рисунков и 9 таблиц. Библиография включает 223 наименованияна 18 страницах.ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ8Во введении обосновывается актуальность темы исследования, кратко излагаетсясодержание диссертации, указывается научная новизна и практическая значимость работы,формулируются основные результаты.Глава 1 представляет собой обзор состояния численных методов и математическихмоделей прогнозирования характеристик объектов на земной поверхности по данным ДЗЗ.Оперативность получения, широта обзора и возможность съёмки в различных спектральныхдиапазонах спутниковых данных играют важную роль при прогнозировании характеристикобластей земной поверхности, в частности урожайности с/х культур в различныхпространственных масштабах. Рассматриваются особенности обработки мультиспектральныхизображений при совместном использовании спутниковых данных с разных сенсоров иданных наземных наблюдений.

Проводится анализ численных методов и математическихмоделей для решения задачи прогнозирования урожайности. Одним из примененийразработанных методов и моделей является задача оценки и прогнозирования урожайностисельскохозяйственных культур в заданном пространственном масштабе на основе данныхдистанционного зондирования Земли. Поскольку современные подходы, решающиепоставленную задачу, осуществляют прогнозирование в различных пространственныхмасштабах, для различных природных зон и различных с/х культур, то следует проводитьсравнение методов внутри групп, выделенных по этим признакам.

В глобальном масштабепрогнозирование обычно осуществляется на уровне отдельных стран или природных зон. Вданной группе лучшие результаты показывают целые системы оперативного мониторингатакие, как проекты MARS (Monitoring Agriculture through Remote Sensing techniques) иFEWSNET (Famine Early Warning Systems Network), созданный агенством USAID (UnitedStates Agency for International Development).

В частности, точность прогнозов MARS заявленане ниже 95 % для европейских стран, США, Китая и Австралии по таким культурам, как яроваяи озимая пшеница, соя, кукуруза, рис. На региональном уровне возникает ещё большее числофакторов,которыенеобходимоучитыватьприсравненииметодовимоделейпрогнозирования, в том числе обобщающая способность моделей, территориальноерасположение рассматриваемых регионов, типы используемых данных при обучениимоделей, заблаговременность прогнозов. Лучшие показатели по точности (89 %) имеет методпрогнозирования урожайности риса на территории Бангладеша, представленный в работеMolesh et al.

(2016). Заблаговременность метода составляет от 1 до 2 месяцев до сбора урожая.Относительное отклонение прогнозов урожайности на тестовых годах 2010 – 2013 составляет11 %. Также хорошие значения результаты показывают подходы с ассимиляцией данных ДЗЗв динамико-статистических моделях роста растений, предложенные в работе Клещенко и др.(2015), для прогнозирования яровой и озимой пшеницы на территории Волгоградской и9Ростовской областей, Краснодарского и Ставропольских краёв. При заблаговременности в 12 месяца точность прогнозов достигает 93 %, при увеличении заблаговременности до 3-4месяцев точность падает до 79 %.

На пространственном масштабе районов и полей лучшуюточность имеют модели, представленные в работах Jiaxuan You et al. (2017) и Khalid A. AIGaadi et al. (2016) соответственно. В первом подходе модели строятся с использованиемсвёрточных нейронных сетей и гауссовских процессов на данных NDVI (Normalized differencevegetation index) сенсора MODIS. При прогнозировании урожайности сои для территории 30районов США на тестовых годах 2009-2015 средняя относительная ошибка составила 5.65 %на момент июля месяца. Второй подход основан на построении линейных регрессионныхмоделей по наборам индексов NDVI и SAVI (Soil-adjusted Vegetation Index), рассчитанных поспутниковым данным Landsat-8 (30 метров/пиксель) и Sentinel-2 (10 метров/пиксель), дляпрогнозированияурожайностикартофелянатерриториигородаВади-эль-Давасир,Саудовская Аравия.

Точность прогнозов для 2016 тестового года на 3-х полях находится вдиапазонах 7.9-13.5% и 3.8-10.2% по данным Landsat-8 и Sentinel-2 соответственно. Всеперечисленные подходы используют маски посевов, представляющие собой информационныекарты полей либо в виде растровых или векторных данных.В Главе 2 решается задача разработки численного метода прогнозированияхарактеристик областей на поверхности Земли по данным ДЗЗ в заданном пространственноммасштабе.Описывается класс явлений (процессов), для которых целесообразно использованиепредлагаемого подхода, тем самым определяются границы применимости метода.Формулируется критерий оценки качества прогнозирования, состоящий из 4 пунктов:1)! заблаговременность прогнозирования;2)! точность прогнозирования;3)! универсальность моделей прогнозирования для явлений, принадлежащих описанномуклассу;4)! обобщающая способность моделей прогнозирования.Ставится задача разработки численного метода для прогнозирования характеристикобъектов на земной поверхности, удовлетворяющего всем пунктам 1)-4).