Диссертация (Методы математического моделирования для распознавания и прогнозирования характеристик областей земной поверхности по мультиспектральным космическим изображениям), страница 3

Описывается ролькосмическихданныхприпрогнозировании.Рассматриваютсяособенностиобработкимультиспектральных изображений при совместном использовании спутниковых данных сразных сенсоров и данных наземных наблюдений. Проводится анализ методов и моделейпрогнозирования урожайности.В Главе 2 рассмотрена задача построения метода прогнозирования характеристикобластей на поверхности Земли по данным ДЗЗ в заданном пространственном масштабе.Описывается класс явлений (процессов), для которых целесообразно использованиепредлагаемогоподхода,темсамымопределяютсяграницыприменимостиметода.Формулируется критерий оценки качества прогнозирования, состоящий из 5 пунктов.

Ставитсязадача разработки метода для прогнозирования характеристик объектов на земной поверхности,удовлетворяющего всем пунктам критерия. Описываются основные принципы выбора исистематизации данных ДЗЗ при прогнозировании состояния объектов на земной поверхности.Решение задачи прогнозирования по данным ДЗЗ основывается на выявлениизакономерностей по многолетним периодическим наблюдениям. После чего выявленныезакономерности применяются к сезонным наблюдениям для текущего года. Такой подходтребует предварительного планирования, которое определяет выбор исходных данных, в томчислевыбираютсяконкретныйтипспутниковыхизображенийдляиспользования,продолжительность многолетних и сезонных наблюдений, области интереса.Разработанный метод прогнозирования предполагает наличие коллекции изображенийДЗЗ, которые регистрируют состояние объектов на земной поверхности в течениепродолжительного промежутка времени – нескольких лет.

Все изображения структурируются вмногослойные датасеты по признаку области интереса. Датасет представляет собоймногослойное изображение, каждый слой которого соответствует наблюдению, проведённому вопределенный момент времени, то есть объединение спутниковых изображений происходитвдоль оси времени в порядке его увеличения внутри одного года.Поскольку объекты на изображении зачастую представлены вместе с прилегающей к ихграницам территории, то для выделения информативного сигнала разработан специальный11метод выделения областей интереса на основе анализа динамики состояния объектов по сериямразновременных космических изображений. Суть метода заключается в следующем: длякаждого пикселя многослойного изображения, которое описывает наблюдения за состояниемобласти интереса в течение одного года, строится «разрез» в направлении оси времени.

Данныйразрез рассматривается как вектор состояния территории, соответствующей одному пикселю.Процедураклассификациипикселеймногослойногоизображенияосуществляетсясиспользованием построенной заранее «трубки» допустимых траекторий индекса состоянияобласти интереса. В процессе классификации компоненты вектора состояния пикселярассматриваются как точки некоторой кривой, которая относится к интересующему классу,если кривая динамики состояния попадает в «трубку» допустимых траекторий по заданномукритерию. Данный метод также позволяет отбраковывать «битые» пиксели изображения,которые, например, могут являться результатом постобработки спутникового изображения дляустранения влияния атмосферы.Сформулирована основная концепция метода прогнозирования, которая оперируеттакими понятиями как сезонные и долгосрочные наблюдения.

Разработанный методпрогнозирования состояния характеристик областей на поверхности Земли по данным ДЗЗ взаданном пространственном масштабе состоит в том, что наблюдения за состоянием областиинтереса накапливается в течение нескольких лет (не менее 5), образуя долгосрочныенаблюдения.

Сезонные наблюдения входят в состав долгосрочных наблюдений, обладаютфиксированной продолжительностью внутри одного года и описываются вектором состоянияобласти интересаVrnp  v1p ,..., vMprr . Для прогнозирования характеристик области интересаnиспользуется набор параметрических моделей, заранее обученных на данных долгосрочныхнаблюдений. Прогнозирование осуществляется посредством подстановки вектора состоянияntppобласти для тестовых лет Vrp  v1 ,..., v Mrrntв модель прогнозирования.В главе 3 строятся математические модели, описывающие процесс изменения состоянияобластей земной поверхности, и приводятся рекомендации по применению созданных моделей.В качестве примера полученные модели применяются для прогнозирования урожайностисельскохозяйственных культур.В главе также рассматриваются физические основы для прогнозирования характеристикобластей на поверхности Земли по данным ДЗЗ.

Описан выбор информативных признаков дляформирования предикативного вектора состояния областей.12В основе всех построенных моделей плодородия лежит зависимость между состояниемрастительности в вегетационный период и собранным урожаем. Другими словами, еслисостояние растительности хорошее на протяжении всего периода роста, то вероятностьполучить хороший урожай увеличивается. В том же случае, если в какой-либо промежутокпроизрастания состояние растительность отклонилось в сторону ухудшения, то вероятностьполучить хороший урожай уменьшается.Урожай определённой культуры на заданной территории должен достаточно достовернопредсказываться функцией, параметрами которой являются усреднённые (по этой территории)значения вегетационных индексов в течение роста и созревания сельскохозяйственнойкультуры.

Чем полнее история изменения индексов, тем точнее можно предсказывать урожай.На базе этой идеи и предположения о том, что вариативность изменений урожая по отношениюк амплитуде мала, выводится общий вид прогностической функции линейной многомернойпараметрической модели. Эксперименты с общей линейной моделью показали, что дляповышения точности и значимости прогнозов необходимо учитывать специфику решаемойзадачи, делая дополнительные априорные предположения об объектах, характеристики которыхпрогнозируются.В результате экспериментов с описанной многомерной моделью и накопленнымиданными выяснилось, что точность модели можно существенно улучшить, добавив в модельнелинейные члены и адаптировав ее к структуре имеющихся данных ДЗЗ.

Итеративныеизменения начальной модели описаны ниже и условно обозначены следующим образом:модель 1: Базовая многомерная модель;модель 2: Локальная многомерная модель для отдельных областей;модель 3: Модель с мультипликативной поправкой для областей;модель 4: Трендовая модель с мультипликативной поправкой для областей.Предлагается новый предикативный вектор на основе комбинации температурного ивегетационного индексов состояния растительности, учитывающий наблюдения в дневное иночное время суток.В Главе 4 представлены анализ результатов применения метода для прогнозированияурожайности различных областей РФ и различных сельскохозяйственных культур. Методы имодели были реализованы на языке Matlab, часть процедур предварительной обработкиизображений, включая структурирование данных в датасеты и геопривязку, выполнены наязыке IDL 8.0.13Обучение моделей проводится с использованием алгоритмов многомерной оптимизации.Результатомпрогнозированияявляетсяожидаемоезначениеурожайностисельскохозяйственных культур для различных территорий.

Проводится анализ применимостимоделей с помощью процедуры кросс-валидации. Оценивается значимость полученныхпрогнозов. Получены и проанализированы графики зависимости точности прогнозирования отпродолжительности сезонных наблюдений и момента прогнозирования.Приводятся результаты вычислительных экспериментов с набором моделей, описанныхв главе 3. Проводятся две серии экспериментов с различным количеством областей интереса ипродолжительность долгосрочных наблюдений.14Глава 1.Состояние и перспективы развития модельныхпредставлений анализа динамики и прогнозированияхарактеристик областей земной поверхности по космическимизображениямНа сегодняшний день методы дистанционного зондирования являются наиболееперспективнымиибыстроразвивающимисявсфереосуществлениямониторингахарактеристик различных объектов и областей на земной поверхности [161].1.1 Роль космических данных в прогнозированииДостоинством методов ДЗЗ является относительно низкая ресурсозатратность посравнению с другими подходами.

В качестве источников спутниковой информации можноиспользовать базы данных со свободным доступом через интернет, хранящие обширныеколлекции спутниковых изображений. Еще одним преимуществом методов дистанционногозондирования является высокая оперативность наблюдений за территориями с широкимпространственным охватом.

Особое место принадлежит методам спутникового мониторинга,которые позволяют получать информацию о состоянии объектов земной поверхности вшироком спектральном диапазоне. Доступность данных и возможность обрабатыватьизображения с пространственным разрешением от нескольких километров до дециметра вдолгосрочных временных сериях является определяющим фактором для большого кругапрактических задач [10].Регистрируемые сенсором спутника параметры объектов, получаемые из данныхдистанционного зондирования Земли (ДЗЗ), используются в ряде методов для оценки ипрогнозирования характеристик областей земной поверхности (которые не могут бытьполучены непосредственно из данных ДЗЗ).