Диссертация (1137223), страница 15

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 15)

Осталось только определить вид вектора параметровмодели. В зависимости от используемой модели прогнозирования варьируется состав вектора . В общем виде матричное уравнение регрессии записывается следующим образом83Y  fˆ ,Vˆ .где(2.33)fˆ – матричная функция, определяющая конкретный вид модели прогнозирования.ВекторYearsв свою очередь может выражаться через вектораи Regions , тогда формула(2.33) примет вид  Y  fˆ  Years, Regions ,Vˆ .где(2.34) – некоторая функция от векторов Years и Regions .Процесс обучения принципиально отличается от процесса прогнозирования наличиемвектора ответовY, который представляет собой данные наземных наблюдений, что позволяетнастраивать параметры модели на реальных значениях характеристик областей интереса.2.4.3Процесс прогнозирования.Понятия и объекты, используемые при описании процесса обучения, сохраняются впроцессе прогнозирования за исключением— набора тестовых лет Nˆ t  Nˆ , Nˆ tNˆ о   ;nt— векторов состояния областей для тестовых лет VrpВекторы v1p ,..., vMprrnt, nt  Nˆ t .Vrnp t и данные Y , Years, Regions , соответствующие индексам nt  Nˆ t , не участвуютв процессе обучения.

Обозначим вектор параметров модели после обучения«объекты-признаки», составленную из наборов векторов  , а матрицуVrnp t для тестовых лет, – VˆNˆ .tИскомый вектор значений характеристик для областей интереса R  {rp }Pp 1 на множествеˆ обозначимтестовых лет NtответовYY . Запись вектора Y аналогична формуле (2.32) для вектора, только индексы обучающего множества лет Nˆ о следует заменить индексамиˆ .тестовых лет Nt84Прогнозные значения получаются только с использованием данных дистанционногозондирования,описывающихVrnpt  v1p ,..., vMprrntсостоянияобластейинтересавсоставевекторовˆ .в период сезонных наблюдений на множестве тестовых лет NtС учётом вышесказанного, запишем формулу для получения прогнозных значенийˆхарактеристик областей интереса R  {rp }Pp 1 на множестве тестовых лет NtY   fˆ  ,VˆNˆ .t(2.35)Матричный вид процессов обучения и прогнозирования для метода прогнозированияхарактеристик областей земной поверхности по данным ДЗЗ более наглядно отражает свойствообщей применимости подхода для класса объектов, описанного в начале параграфа 2.4Вывод: разработанный 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 (не менее5), образуя долгосрочные наблюдения.

Сезонные наблюдения входят в состав долгосрочныхнаблюдений,обладаютфиксированнойпродолжительностьюописываются вектором состояния области интересавнутриVrnp  v1p ,..., vMprrодногогодаи . Для прогнозированияnхарактеристик области интереса используется набор параметрических моделей, заранееобученныхнаданныхдолгосрочныхнаблюдений.Прогнозированиепосредством подстановки вектора состояния области для тестовых летмодель прогнозирования.осуществляетсяVrnpt  v1p ,..., vMprrntв85Выводы к главе 21.

Поставлена задача разработки метода прогнозирования характеристик областей земнойповерхности по космическим мультиспектральным изображениям для определённогокласса природных явлений. Проведён выбор основных параметров оценки качествапрогнозов, осуществляемых на основе данных ДЗЗ.2. Представлена и реализована программно процедура предварительной обработкиколлекции космических изображений за несколько лет при решении задачипрогнозирования характеристик областей земной поверхности.

Результатом выполненияуказанной процедуры являются многослойные изображений, структурированные попризнаку области интереса. Каждый слой такого изображения представляет собойрезультат регистрации параметров области интереса в определённый момент времени.3. После рассмотрения условий постановки задачи с учетом особенностей использованиякосмических мультиспектральных изображений представлен и реализован программнометод выделения областей интереса на основе анализа динамики состояния объектов посериям разновременных космических изображений.

Применение данного методапозволяет выделить информативный сигнал из входных данных для последующего ихиспользованиявзадачепрогнозирования.Такжеданныйметодявляетсясамостоятельным инструментарием для решения задачи классификации пикселеймногослойных изображений.4. Представленаконцепцияпрогнозированияхарактеристикобъектовподаннымдолгосрочных наблюдений за параметрами их состояния. На основе предложеннойконцепции разработан и программно реализован метод прогнозирования характеристикобластей земной поверхности по космическим мультиспектральным изображениям.Указаны границы применимости разработанного подхода к прогнозированию.86Глава 3.Построение моделей прогноза плодородия ипрогнозирование урожайности различныхсельскохозяйственных культурВ главе рассматриваются физические основы для прогнозирования характеристикобластей на поверхности Земли по данным ДЗЗ.

Описан выбор информативных признаков дляформирования предикативного вектора состояния областей. Строятся математические модели,описывающие процесс изменения состояния областей земной поверхности. В качестве примераполученные модели применяются для прогнозирования урожайности сельскохозяйственныхкультур.Принципиальная возможность использования космических изображений для оценкисостояния и распознавания растительности была показана в 1969 году [156].

В основу моделиплодородия была положена гипотеза о том, что урожай зависит от показателей вегетационногоиндекса (набора индексов) в течение вегетативного сезона [9]. Для территории, покрытойрастительностью, эти значения имеют различную предикативную силу в зависимости откалендарной даты, типа растительности и особенностей исследуемого региона.Построение математически достоверной модели для региона в целом, даёт возможностьдетализировать результаты прогноза для конкретного участка вплоть до разрешающейспособности вычисленных карт используемого индекса.На начальном этапе построения моделей плодородия в качестве вегетационного индексаиспользуется индекс NDVI, который является одним из наиболее распространенныхиндикаторов роста и плотности растительности, рассчитываемых по данным ДЗЗ [8, 15, 31, 79].Для вычисления этого индекса используется следующая формулаNDVI где R2  R1  R2  R1 .(3.1)R2 – значение отражения в ближней инфракрасной области спектра;R1 – значение отражения в красной области спектра.Согласно (3.1), плотность растительности в определенной точке изображения равнаразнице интенсивностей отражённого света в красном и инфракрасном диапазоне, деленной насумму их интенсивностей.87Подход к решению задачи прогнозирования урожайности заключается в построениимодели плодородия на основе космических данных и применении различных методовоптимизации с использованием набора предикторов, полученных в результате компьютерногоанализа мультиспектральных изображений из космоса.

Предложенный подход предусматриваеттакже дальнейшее расширение и уточнение модели по мере накопления статистических данныхоб урожайности прошлых лет для различных областей.3.1 Выбор информативных признаков состояния областей земнойповерхности3.1.1Предикативный вектор, описывающий изменение состояния областейВ качествевектораинформативныхпризнаков дляиспользуется совокупность сезонных наблюдений V   v1 ,..., v Mобъекта, гдемоделейпрогнозирования – набор индексов состоянийm  1, M – упорядоченные во времени моменты наблюдений внутри одного года.Значение m  1 соответствует моменту начала сезонных наблюдений, а m  M - моментузавершения. Каждая компонентаviвектораVпредставляет собой суперпозицию различныхиндексов состояния областей и задается формулойvi   1,..., Iˆ  ,где(3.2)Iˆ - общее число индексов состояния, k , k  1, Iˆ – компоненты вектора сезонныхнаблюдения по k -ому индексу состояния области.На рисунке 3.1 показан общий принцип, по которому задаётся соответствие междукомпонентами предикативного вектора, состоящего из усредненных по области значенийиндексавегетации,исостояниемрастительности.Предполагается,чтосостояниерастительности в целом на всём периоде созревания сельскохозяйственной культуры являетсяиндикатором потенциального плодородия почвы для рассматриваемой территории.

При этомвыбранные для наблюдения за состоянием растительности вегетационные индексы становятсячисленной характеристикой плодородия почвы. На рисунке 3.1 на примере ржи показано, какзадаётся соответствие между моментами измерений индексов вегетации и процессом роста исозревания культуры. Компоненты вектора V из рисунка 3.1 вычисляются с использованием88формулы (3.2), где k  1, Iˆ определяются в зависимости от типа культуры, выращиваемой наданной территории. Определение конкретных моментов для измерения индекса являетсяотдельным важным вопросом, который рассматривается далее.Поскольку характеристики области интереса, такие как плодородие, определяются нетолько состоянием растительности, но и географическим положением, то при определениикомпонент вектора V необходимо учитывать различные факторы окружающей среды, которыемогут оказывать влияние на конечное значение прогнозируемой характеристики.Рисунок 3.1 – Выбор предикативного вектора в соответствие с процессом вегетацииКак показано в пункте 3.1.2, вегетационный индекс NDVI имеет сильную корреляцию сколичеством фотосинтетически активной биомассы (NPP – Net Primary Productivity), но, какоказывается, не является единственным фактором, определяющим конечное значениеурожайности.

Результаты исследований [144] показывают, что NPP, определяющее состояниерастительности, зависит от набора факторов. Наиболее сильную корреляцию с NPP имеюттакие факторы как температура земной поверхности (LST – Land Surface Temperature [169]),уровень осадков и испарение с поверхности листа. Но более важный вывод заключается в том,что нельзя ожидать улучшения или ухудшения состояния растительности только посоответствующему изменению лишь одного из перечисленных факторов.

Характеристики

Список файлов диссертации