CC BY
12
УДК 004.93
ПРОГРАММНАЯ РЕАЛИЗАЦИЯ НЕПАРАМЕТРИЧЕСКОГО АЛГОРИТМА АВТОМАТИЧЕСКОЙ КЛАССИФИКАЦИИ ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ*
В. П. Тубольцев*, В. Л. Авдеенок Научный руководитель - С. Т. Им
Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева
Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
E-mail: vitalya.98@mail.ru
Предлагаются программные средства, реализующие непараметрический алгоритм автоматической классификации данных дистанционного зондирования. Рассматриваются результаты их применения при обнаружении компактных групп спектральных данных о состоянии лесных массивов. Программные средства реализованы в среде VisualStudioCommunity 2017.
Ключевые слова: программные средства, автоматическая классификация, большие выборки, дискретизация области значений многомерных случайных величин, данные дистанционного зондирования, лесные массивы.
PROGRAM REALIZATION OF THE NONPARAMETRIC ALGORITHM OF AUTOMATIC CLASSIFICATION OF DATA OF REMOTE SENSING
V. P. Tuboltsev*, V. L. Avdeenok Scientific Supervisor - S.T. Im
Reshetnev Siberian State University of Science and Technology 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation
E-mail: vitalya.98@mail.ru
The software realizing a nonparametric algorithm of automatic classification of data of remote sensing are offered. Results of their application at detection of compact groups of spectral data on a condition of forests are considered. Software are realized in the environment of windows
Keywords: software, automatic classification, larger selections, sampling of a range of values of multidimensional random values. given remote sensing, forests.
Эффективное использование природных ресурсов требует развития информационных средств их контроля. Наиболее совершенными средствами исследования природных ресурсов являются методы дистанционного зондирования с привлечением аэрокосмических аппаратов. Поэтому разработка информационных средств комплексного анализа данных дистанционного зондирования (ДЗ) является основой создания геоинформационных систем, обеспечивающих оперативность получения требуемой информации и поддержку принятия управленческих решений. Их применение позволяет значительно повысить точность и оперативность решения задач принятия решений, что особенно актуально при освоении природных ресурсов Севера и Сибири [1; 2].
В данной работе рассматривается программная реализация непараметрического алгоритма автоматической классификации, ориентированная на обнаружение компактных групп наблюдений, соответствующих одномодальным фрагментам плотности вероятности случайных величин.
* Исследование выполнено при финансовой поддержке РФФИ гранта № 18-01-00251.
Секция «Программные средства и информационные технологии»
Полученные результаты сравниваются с методом к - ближайших соседей программного продукта ERDAS Imagine.
Методика автоматической классификации. Исходная выборка V = X , i = 1, n j большого объёма n многомерной случайной величины x = (xv, v = 1, к)по результатам дискретизации области
значений x преобразуется в массив данных V = Z,..., zk , P', i = 1, .j [3-6]. Элементы V определяются значениями центров zlv, v = 1, к интервалов дискретизации и соответствующих им
частот Pi, i = 1, N .
Обнаружение первого класса начинается с элемента дискретизации с максимальной частотой P из массива данных V . Формируется итерационная процедура обнаружения смежных к нему элементов, расстояние между центрами которых не превышает длину интервала дискретизации. Все эти элементы относятся к первому классу, так как соответствующие им частоты из промежуточного массива данных меньше найденной максимальной. Далее формируется итерационная процедура анализа обнаруженных элементов. Если частота смежного элемента больше частоты элемента отнесённого к первому классу, то на данном этапе классификации не идентифицируется. В противном случае рассматриваемый смежный элемент относится к первому классу. Обнаруженные элементы первого класса исключаются из исходных данных. Среди оставшихся данных выбирается элемент с максимальной частотой и представленная выше итерационная процедура классификации повторяется. Методика подобного алгоритма автоматической классификации подробно рассматривается в работах [7; 8].
Программное реализация непараметрического алгоритма автоматической классифика-ции.Программа реализована в среде Visual Studio Community 2017 и обладает следующими функциональными возможностями:
1. Первичная обработка данных дистанционного зондирования, обеспечивающая оценивание основных количественных характеристик законов распределения случайных величин (математическое ожидание и его доверительное оценивание, среднеквадратическое отклонение).
2. Обнаружение классов спектральных данных, соответствующих одномодальным фрагментам плотности вероятности многомерных случайных величин на основе непараметрический алгоритма автоматической классификации.
3. Пространственное распределение результатов классификации и анализ их количественных характеристик, соответствующих им законов распределения.
Результаты применения. Исследуемая территория расположена в центре ВосточноСибирского региона России в центральной части Ангарского кряжа. Исходная информация формировалась по фрагменту спутниковой съемки Landsat 8 OLI с пространственным разрешением 30 метров. Размер фрагмента составляет 320x261 пикселя. Каждый пиксель характеризовался пятью спектральными каналами (признаками): синий (х1), зеленый (х2), красный (х3), ближний инфракрасный (х4), ближний инфракрасный (х5).
Фрагмент спутниковой съемки Landsat 8 OLI (а). Пространственное отображение результатов автоматической классификации, полученных с использование программного продукта ErdasImagine (б) и непараметрического алгоритма (в) при количестве классов М = 8.
Для использования непараметрического алгоритма автоматической классификации определялось оптимальное количество интервалов дискретизации для каждого спектрального канала 13, 13, 12, 10, 10, соответственно. При этом количество элементов дискретизации определялось значением 202800. После удаления элементов с нулевыми частотами количество значимых элементов соответствовало значению 52, по которым формировались данные для автоматической классификации.
Пространственное распределение результатов классификации сравниваемых алгоритмов классификации визуально сопоставимы. Выделяются площади хвойных и лиственных деревьев. Наблюдаются участки молодой растительности, открытая почва, а также водные объекты.
Библиографическиессылки
1. Зеньков И.В., Им С.Т., Лапко А.В., Лапко В. А., Музалевский К.В., Охоткина Е.А., Ружечка З.З., Харук В.И., Юронен Ю.П. Развитие и применение информационных технологий исследования природных ресурсов территорий Сибири на основе данных дистанционного зондирования. -Красноярск: СибГАУ, 2017. 280 с.
2. Лапко А.В., Лапко В.А. Непараметрические алгоритмы оценивания состояний природных объектов // Автометрия. 2018. Т.54, №5. С. 33 - 39.
3. Лапко А.В., Лапко В.А. Оптимальный выбор количества интервалов дискретизации области изменения одномерной случайной величины при оценивании плотности вероятности // Измерительная техника. 2013. №7. С. 24 - 27.
4. Лапко А.В., Лапко В.А. Выбор оптимального количества интервалов дискретизации области значений двухмерной случайной величины // Измерительная техника. 2016. №2. С. 14-17.
5. Лапко А.В., Лапко В.А. Оптимальный выбор количества интервалов дискретизации области изменения одномерной случайной величины при оценивании плотности вероятности // Измерительная техника. 2019. №1. С. 16 - 20.
6. Scott D.W. Multivariate Density Estimation: Theory, Practice, and Visualization. NewJersey: JohnWiley&Sons, 2015. 384 p.
7. Лапко А. В., Лапко В. А. Непараметрический алгоритм автоматической классификации в условиях статистических данных большого объема // Информатика и системы управления. 2018. Т. 57, №3. С. 59-70.
8. Лапко А.В., Лапко В.А. Непараметрический алгоритм автоматической классификации многомерных случайных величин в условиях больших выборок // Решетневские чтения. 2018. Т. 1.№22. С. 367-368.
© Тубольцев В. П., Авдеенок В. Л., 2019
