Автореферат (1137222), страница 3
Текст из файла (страница 3)
Описываютсяосновные принципы выбора и систематизации данных ДЗЗ при прогнозировании состоянияобъектов 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 том10числе выбираются конкретный тип спутниковых изображений для использования,продолжительность многолетних и сезонных наблюдений, области интереса.Численный метод прогнозирования предполагает наличие коллекции изображенийДЗЗ" = {!s }sS=1 , ! s- изображение в составе общей коллекции ! , s - индекс изображения,которые регистрируют состояние областей земной поверхности в течение продолжительногопромежутка времени – нескольких летNˆ = {1,..., N }.
Все изображения структурируются вмногослойные датасеты по признаку области интереса rp ,R = {rp }Pp =1 - множество всехобластей интереса.Областью интереса rp будем называть область на земной поверхности, имеющаяустановленные границы. При этом области на земной поверхности соответствует некотороемножество пикселей на изображении, ограниченных линией!rp – граница области интереса.Датасет представляет собой многослойное изображение, каждый слой которогосоответствует наблюдению, проведённому в определенный момент времени. Объединениеспутниковых изображений в датасет происходит вдоль оси временипорядке внутри одного годаn ! Nˆ! в хронологическом(см.
Рис. 1).XY!rp∆Рисунок 1 – Формирование датасета за один год для областиграницейrp , заданной своей!rp , ! – ось времени.Поскольку объекты на изображении зачастую представлены вместе с прилегающей ких границам территории, то для выделения информативного сигнала разработан специальныйвычислительный метод выделения областей интереса на основе анализа динамикисостояния объектов по сериям разновременных космических изображений. Суть методазаключается в следующем: для каждого пикселя многослойного изображения, котороеописывает наблюдения за состоянием области интереса в течение одного года, строится«разрез» в направлении оси времени (см.
Рис. 2).11∆!D ( x, y )nx!rpyРисунок 2 – Получение разреза датасета Dn в точке слоя с координатами( x, y), x ! X , y !Y .Данный разрезDn ( x, y ) рассматривается как вектор состояния территории,соответствующей одному пикселю. Процедура классификации пикселей многослойногоизображения осуществляется с использованием построенной заранее «трубки» допустимыхтраекторий индекса состояния области интереса (см. Рис. 3).Рисунок 3 – Построение «трубки» допустимых траекторий индекса состояния областиинтересаrp по сериям изображений за N летВ процессе классификации компоненты вектора состояния пикселя рассматриваютсякак точки некоторой кривой, которая относится к интересующему классу, если криваядинамики состояния попадает в «трубку» допустимых траекторий по заданному критерию.12Вычислительный метод прогнозирования состояния характеристик областей наповерхности Земли по данным ДЗЗ в заданном пространственном масштабе состоит в том, чтонаблюдения за состоянием области интереса накапливается в течение нескольких лет (неменее 5), образуя долгосрочные наблюдения.
Сезонные наблюдения входят в составдолгосрочных наблюдений, обладают фиксированной продолжительностью внутри одногогодаn ! Nˆ(r(см. Рис. 4) и описываются вектором состояния области интересаr)nrrVrnp = v1 p ,..., vMp , v jp ! , v jp- характеристика области интересаrp в момент наблюденияj, j = 1,..., M (см. Рис. 5).Рисунок 4 – Связь сезонных и долгосрочных наблюдений за состоянием областейинтересаnПроцедура получения вектора Vrp=()rprp nv1 ,..., vM схематически представлена нарисунке 5.!rprDnpj!ый$слой" v1rp #$ %$!%"n $ r %Vrp = $ v jp %$!%$ r %$v p %& M'Рисунок 5 – Получение вектора признаков Vrn для областиpсезонных наблюдений для года n13nrp по изображению DnrpДляпрогнозированияхарактеристикобластиинтересаиспользуетсянаборпараметрических моделей, заранее обученных на данных долгосрочных наблюденийNˆ о ! Nˆ , Nˆ о " годы в обучающей выборке.
Прогнозирование осуществляется посредствомподстановки вектора состоянияNˆ t ! Nˆ , Nˆ tVrnpt=()rprp ntv1 ,..., vMобластиrp для тестовых летNˆ о = ", Nˆ t # годы в тестовой выборке, в модель прогнозирования (см. Рис.6).Рисунок 6 – Основная концепция метода прогнозирования по данным ДЗЗВ главе 3 строятся математические модели, описывающие процесс изменениясостояния областей земной поверхности, и приводятся рекомендации по применениюсозданныхмоделей.Вкачествепримераполученныемоделиприменяютсядляпрогнозирования урожайности сельскохозяйственных культур.Вглаветакжерассматриваютсяфизическиеосновыдляпрогнозированияхарактеристик областей на поверхности Земли по данным ДЗЗ.
Описан выбор информативныхпризнаков для формирования предикативного вектора состояния областейV = ( v1,..., vM ) ,m = 1, M – упорядоченные во времени моменты наблюдений внутри одного года. Значениеm = 1 соответствует моменту начала сезонных наблюдений, а m = M- моменту завершения.В 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 растительности отклонилось в сторону ухудшения, то вероятность14получить хороший урожай уменьшается. Наличие корреляции между состояниемрастительности, а точнее количеством фотосинтетически активной биомассы, подтверждаетсязначительным количеством экспериментальных исследований, первые из которых проведеныв 1973 г. командой исследователей из США (Rouse, J., R.
Haas, J. Schell, and D. Deering). Насегодняшний разработано множество различных вегетационных индексов, получаемых изданных ДЗЗ, высокий коэффициент корреляции которых с урожайностью с/х культурподтверждается большим числом измерений. Этот факт используется в качестве физическойосновы при построении прогностических моделей.Урожай определённой культуры k на заданной территории r должен достаточнодостоверно предсказываться функцией, параметрами которой являются усреднённые (по этойтерритории)значениявегетационныхиндексоввтечениеростаисозреваниясельскохозяйственной культурыykr = f kr ( v1 ,..., vM ) ,(1)где ykr – прогнозируемое значение урожайности на окончание текущего сезона;f kr – искомая прогностическая функция урожайности для территориального региона r исельскохозяйственной культуры k соответственно; vm – значение индекса состояниярастительности для данного участка посевов в момент m -го наблюдения.Чем полнее история изменения индексов, тем точнее можно предсказывать урожай.
Набазе этой идеи и предположения о том, что вариативность изменений урожая по отношению камплитуде мала, выводится общий вид прогностической функции линейной многомернойпараметрической модели:ykгдеvmrMr= αkr + " ! krm vm r ,(2)m =1– среднее значение индекса состояния растительности по областиго наблюдения;! krmrв моментm-rи– параметры модели для территориального регионасельскохозяйственной культуры k , определяемые посредством многопараметрическойрегрессии;! kr – свободный член модели.Эксперименты с общей линейной моделью показали, что для повышения точности изначимости прогнозов необходимо учитывать специфику решаемой задачи, делаядополнительныеаприорныепредположенияобобъектах,характеристикикоторыхпрогнозируются.В результате экспериментов с описанной многомерной моделью и накопленнымиданными выяснилось, что точность модели можно существенно улучшить, добавив в модель15нелинейные члены и адаптировав ее к структуре имеющихся данных ДЗЗ.
Итеративныеизменения начальной модели описаны ниже и условно обозначены следующим образом:модель 1: Базовая многомерная модель. Строится в предположении, что внутрирассматриваемой области на земной поверхности почвенные и климатические характеристикиразличных объектов имеют небольшие различия;модель 2: Локальная многомерная модель для отдельных областей. В том случае, еслипредположение о минимальных различиях между рассматриваемыми областями неверно, тоиспользуется общая форма многомерной параметрической модели;модель 3: Модель с мультипликативной поправкой для областей. Модель являетсямодификацией модели 1. Одним из путей повышения качества работы модели приограниченном количестве статистических данных на обучение является включение врассмотрение большего количества областей интереса. При этом вводится дополнительныйпараметр «производительности» области Crk по культуре k ;модель 4: Трендовая модель с мультипликативной поправкой для областей.Модель 4 представляет собой модификацию модели 3.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
