Диссертация (Методы математического моделирования для распознавания и прогнозирования характеристик областей земной поверхности по мультиспектральным космическим изображениям), страница 9

Кроме того, жесткая модель не учитываетособенности культивации различных сельскохозяйственных культур, что делает ее в отличие отразработанного в данной работе метода менее робастной.Итоги анализа и сопоставления методов прогнозирования1.6.4урожайностиВ обобщенном виде основные преимущества и недостатки подходов можно представитьв виде таблицы 1.2.Несмотрянаотмеченныенедостаткиспутниковыхметодовпрогнозированияурожайности и их недостаточную развитость на данный момент, они, безусловно, являютсянаиболее перспективными в связи с их объективностью, оперативностью, охватом большихтерриторий.

Использование результатов прогнозирования урожайности на основе спутниковыхданных наряду с результатами, полученными другими методами, на наш взгляд можетпозволить повысить как качество прогнозов, так и их заблаговременность, что, безусловно,44необходимо для повышения эффективности принятия различных управленческих решений вобласти сельского хозяйства.Таблица 1.2 – Преимущества и недостатки разных методов прогнозирования урожайности поспутниковым данным среднего пространственного разрешения.ПодходПреимуществаНедостаткиАнализ тренда ицикличностиБольшая заблаговременностьНедостаточная точностьГод-аналог‒ простота использования в ‒ необходимость учета измененийавтоматическом режиме,площадей сева,‒ отсутствие необходимости ‒ более подходят для качественногопредварительнойпрогноза,калибровки.‒ сильно зависит от спецификиконкретного региона.Регрессионный метод‒ количественный прогноз,‒ отсутствие больших выборок для‒ большаяпостроения регрессии,заблаговременность‒ неизвестноеотсутствие необходимости вполевых данных.качестводанныхофициальной статистики,‒ позднеепоявлениеофициальнойданныхстатистикизапрошлый сезон.Моделирование‒ независимостьот ‒ сложность алгоритмов,официальной статистики,‒ хорошаянеобходимостикалибровкипополевым данным,заблаговременность,‒ возможность‒ необходимостьучета‒ необходимостьприналичияполей с конкретной культурой.сортовыхразличий.Анализа синоптических Большая заблаговременность.процессовмаскиНедостаточная точность.45Глава 2.Разработка численного метода прогнозированиясостояния областей антропогенного и природноговоздействия по космическим изображениямВ главе рассматривается метод прогнозирования характеристик областей на поверхностиЗемли по данным ДЗЗ в заданном пространственном масштабе.

Описывается класс явлений(процессов), для которых целесообразно использование предлагаемого подхода, тем самымопределяются границы применимости метода. Описывается процесс получения космическихизображений, а также их предварительная обработка и процедура извлечения информативногосигнала из полученных данных. Рассматриваются основные этапы метода: процесс обучения ипроцесс прогнозирования. Приводится описание с применением двух дополнительных методов,разработанных с целью улучшения качества прогнозирования:— метод выделения областей интереса на основе анализа динамики состояния объектовпо сериям разновременных космических изображений;— метод уточнения карт растительности.Приведём необходимые для описания разработанных методов определения.

Всеописываемые методы связаны с обработкой цифровых изображений. В данном случаеиспользуются изображения только в растровом представлении.Определение 2.1. Растровое изображение представляет собой двумерное дискретноеполе яркостиB  x, y  , где x, y - координаты строки и столбца изображения соответственно.Пиксель – это элемент изображения, лежащий на пересечении соответствующих строки истолбца.

Каждому пикселю ставится в соответствие некоторая величина, которая называетсяяркостью пикселя. Совокупность всех пикселей изображения составляет прямоугольнуютаблицу или матрицу чисел B . Таким образом, двумерное поле яркостиB  x, y  являетсяотображением из пространства целочисленных координат (, ) ∈ ℤ2 в пространстводействительных ℝ или целых чисел ℤ(,)ℤ2 →2(,)(ℤ →ℝ.ℤ)(2.1)46Поскольку используемые цифровые изображения являются результатом регистрацииэлектромагнитного излучения, отражённого от поверхности Земли, необходимо установитьсоответствие между объектами на земной поверхности и объектами на изображении.Определение 2.2. Объектом на изображении называется связная область, котораясоответствует определённому типу объектов на земной поверхности.Определение 2.3. Множество пикселей, у каждого пикселя которого есть хотя бы одинсосед, принадлежащий данному множеству, называется связной областью.Соседство пикселей в обработке изображений традиционно определяется двумя видамисвязности, которые проиллюстрированы на рисунке 2.1.12s341234s5678(а)(б)s : (а) – 4-х связность (соседи пикселя sобозначены цифрами от 1 до 4), (б) – 8-и связность (соседи пикселя s обозначеныРисунок 2.1 – Виды соседств пикселяцифрами от 1 до 8)Обозначим множество пикселей объекта на изображении C , а множество соседейпикселяA c, c  B .

Тогда граница объекта Cопределяется следующим образом.Определение 2.4. Пиксель c  C называется граничной точкой множества C , если длявыбранной связности (см. Рис. 2.1) выполняется условиеc C  Ac  C  , c  Ac : c  C .(2.2)Определение 2.5. Совокупность всех граничных пикселей множества C образуетграницу объекта C .472.1 Постановка задачиПосле серии запусков погодных спутников, начавшейся в 1960 с аппарата TIROS-1 [208],были получены первые успешные прогнозы на основе космических изображений. Можносчитать этот год отправной точкой начала активного внедрения космических данных прирешении задачи прогнозирования состояния областей на земной поверхности.Как отмечалось в пункте 1.3.1, тремя основными функциями, которые выполняетспутниковая система мониторинга, являются наблюдение, анализ и прогноз (см.

Рис. 1.2).Реализация функции наблюдения осуществляется КА, совершающим орбитальные полёты ирегистрирующим излучение, приходящее с поверхности Земли. Результатом наблюденияявляются обширные коллекции изображений. Чтобы понять насколько значительные объёмыинформации поступают на наземные станции-приемники, оценим количество изображений,получаемых в год со спутника Terra (сенсор MODIS) [170, 205], например, для территориимосковской области.

Рассмотрим пример космических данных, предоставляемых в виде 16дневных композитных изображений [164] с линейным пространственным разрешением500 метров.Определение 2.6. Пространственное разрешение изображения земной поверхностиопределяется как плотность пикселов в изображении, которая измеряется в пикселях наединицу площади подстилающей поверхности.Понятие пространственного разрешения связывает объекты на изображении и объектына земной поверхности через определение границы объекта. Область, «вырезанная» изизображения по границе объекта с учётом пространственного разрешения, то есть размеровпикселя, накрывает область объекта на земной поверхности.Пространственное разрешение изображения 500 метровпикселей на изображении территории размеромозначает, что плотность500 метров  500 метровравна 1 .Информация по одному спектральному каналу для территории Московской области занимаетпримерно 2 Мб.

Сенсор MODIS снимает в 36 спектральных диапазонах, то есть гипотетическиимеется 36 изображений по 2 Мб, что для годового периода наблюдений составляетДанныеза год  2  Мб на канал  *36  каналов  *365  дней 3 1, 6*10 Мб .16  дней в композите Далееположим, что общее число лет равно 10, а количество областей, участвующих в мониторинге –510. Тогда объём данных возрастёт еще на 2 порядка и составит  1, 6*10 Мб . Стоит отметить,48что данная оценка является достаточно скромной, поскольку в реальных задачах мониторингаколичество областей интереса и продолжительность наблюдений имеют порядки102 областейи 40 лет, при этом частота наблюдений, как и пространственное разрешение могут бытьзаметно выше, что также приводит к росту объёма информации.

Таким образом, приходим кнеобходимостирешениязадачиобработкибольшогообъёмаданныхивыделенияинформативных признаков из этих данных.Две другие функции системы мониторинга – анализ и прогноз реализуются уже наЗемле. Для того чтобы прогнозировать характеристики объектов на земной поверхности поколлекции изображений за несколько лет, необходимо выполнение следующих процедур:— предварительная обработка изображений;— анализ по выявлению наиболее информативных признаков;— построение модели, наилучшим образом описывающей происходящие процессы;— получение прогнозов и оценка их точности.Качество моделей и методов прогнозирования определяется следующими показателями:1) Заблаговременность прогноза – временной промежуток от момента прогнозирования дожелаемого момента измерения характеристики объекта.2) Точность прогноза – количественная оценка, с помощью которой устанавливаетсястепень близости между полученным в результате прогнозирования значениемхарактеристики объекта и его реальным значением.3) Пространственный масштаб модели прогнозирования определяется характернымразмером области земной поверхности, характеристика которой прогнозируется.Выделяютсятрипространственныхмасштабапрогнозирования:локальный,региональный и глобальный.4) Универсальность модели – возможность осуществлять прогноз для различныххарактеристик внутри одного класса объектов.5) Обобщающая способность моделей прогнозирования.Описанные в главе 1 методы и модели прогнозирования характеристик объектов наземной поверхности по данным ДЗЗ имеют достаточно хорошие значения только по одному изпоказателей (т.е.