CC BY
17
Наука и Образование
МГТУ им. Н.Э. Баумана
Наука и Образование. МГТУ им. Н.Э. Баумана. Электрон. журн. 2017. № 06. С. 86-100.
]Э5М 1994-040В
Б01: 10.7463/0617.0001255
Представлена в редакцию: Исправлена:
© МГТУ им. Н.Э. Баумана
УДК 681.785.542:528.85
Влияние числа спектральных каналов и их ширины на контроль нефтяных загрязнений на земной поверхности лазерно-флуоресцентным методом
Федотов Ю.В
1,*
16.05.2017 30.05.2017
£&с1@ЬтБШли
:МГТУ им. Н.Э. Баумана, Москва, Россия
В статье на основе экспериментально измеренных спектров лазерно-индуцированной флуоресценции проведено математическое моделирование обнаружения и классификации нефтяных загрязнений на земной поверхности. Приведены новые результаты исследований влияния спектрального разрешения и числа спектральных каналов на точность классификации. Показало, что для обнаружения и классификации нефтяных загрязнений на земной поверхности методом лазерно-индуцированной флуоресценции нет необходимости регистрировать спектры с высоким спектральным разрешением и большим числом спектральных каналов. Такой результат позволяет использовать для мониторинга нефтяных загрязнений на земной поверхности лидарные системы с малым числом спектральных каналов, построенные с использованием ФЭУ и обладающие высокой чувствительностью.
Ключевые слова: нефтяные загрязнения; земная поверхность; обнаружение; классификация; флуоресценция; лазер; спектральное разрешение
Введение
Последствия аварий возникающих при добыче, транспортировке и переработке нефти и нефтепродуктов оказывают существенной влияние на окружающую среду и экономику [1,2]. Для минимизации последствий нефтяных разливов перспективно использовать методы дистанционного зондирования, позволяющие проводить мониторинг больших территорий, и оперативно обнаруживать загрязнения на раннем этапе их образования.
Метод лазерно-индуцированной флуоресценции позволяет дистанционно обнаруживать и классифицировать нефтяные загрязнения [1,3-5]. Принцип действия лазерного флуоресцентного лидара основан на облучении исследуемого объекта лазерным излучением (для возбуждения флуоресценции) и регистрации характеристик флуоресцентного излучения. В качестве информационных признаков регистрируемого флуоресцентного излучения используют форму и интенсивность спектральных кривых флуоресценции и время затухания флуоресценции. Наиболее интересным для практических приложений пред-
ставляется регистрация формы спектральных кривых флуоресценции, так как регистрация времени затухания флуоресценции приводит к необходимости разработки и использования сложной измерительной аппаратуры с высоким временным разрешением, а интенсивность излучения флуоресценции зависит от многих посторонних факторов.
Статья посвящена разработке перспективного лазерного флуоресцентного метода дистанционного контроля нефтяных загрязнений.
1. Постановка задачи
Контроль нефтяных на земной поверхности сложнее, чем на водной, так как флуоресцентный сигнал от нефтяного загрязнения на земной поверхности, как правило, существенно меньше флуоресцентного сигнала от нефтяного загрязнения на поверхности воды. Кроме того флуоресцентный сигнал от нефтяного загрязнения сравним с флуоресцентным сигналом от природных образований, находящихся на земной поверхности, например растительности и водных объектов [6]. Что требует применения специальных методов и алгоритмов обработки сигналов.
Для обнаружения и классификации нефтяных загрязнений по спектрам лазерно-индуцированной флуоресценции могут быть использованы различные методы и алгоритмы: метод, основанный на вычислении коэффициентов корреляции Пирсона между измеренным спектром и рядом эталонных спектров [1]; линейный дискриминантный анализ в сочетании с методом главных компонент [7]; метод к-ближайших соседей[8]; метод опорных векторов [9]; нейронные сети [10,11]; метод, основанный на сравнении нормированной интенсивности флуоресценции интенсивности в ряде спектральных каналов с пороговыми значениями [12] и др.
При использовании методов распознавания образов для решения задач обнаружения и классификации перед построением осуществляется снижение размерности решаемой задачи, что позволяет уменьшить вычислительную сложность и повысить общность классификатора [13]. Выбор спектральных каналов (или признаков, в терминологии теории распознавания образов) и определение их числа во многом определяет характеристики классификатора, который будет построен с использованием отобранных каналов[13]. При этом кривая зависимости ошибки классификации от числа признаков, используемых для построения классификатора может иметь локальный минимум [13]. Таким образом, использование большого числа спектральных каналов приводит не только к увеличению стоимости оборудования и росту вычислительных затрат, но и может приводить к снижению вероятности правильной классификации.
Методы выбора информативных признаков (спектральных каналов) и снижения размерности в задачах классификации объектов по результатам дистанционного зондирования земной поверхности подробно рассмотрены в ряде работ, (см. например [14-17]).
Спектры флуоресценции нефти и нефтепродуктов не имеют особенностей требующих высокого спектрального разрешения, в этом случае уменьшение числа спектральных каналов может быть выполнено за счет увеличения их ширины. Отметим, что увеличение
ширины спектрального канала для регистрации широкополосной флуоресценции позволяет увеличит отношение сигнал/шум в этом канале. В [18] показано, что снижение спектрального разрешения при использовании метода опорных векторов для классификации гиперспектральных изображений лесных массивов приводит к незначительному ухудшению точности, при этом для отдельных классов наблюдается увеличение точности классификации.
При контроле нефтяных загрязнений с использованием лазерно-индуцированной флуоресценции можно выделить два подхода: регистрация спектра флюоресценции с использованием многоканального ПЗС фотоприемника с усилителем яркости [3,4,6]; регистрация интенсивности излучения в небольшом числе спектральных каналов с использованием ФЭУ [4,19]. Многоканальные системы регистрации спектров флуоресценции оказываются достаточно дорогими, при этом они проигрывают по чувствительности системам, построенным с использованием ФЭУ.
В статье на основе экспериментально измеренных спектров лазерно-индуцированной флуоресценции проводится математическое моделирование обнаружения и классификации нефтяных загрязнений на земной поверхности. Приводятся новые результаты исследований влияния спектрального разрешения и числа спектральных каналов на точность классификации в задачах обнаружения и классификации нефтяных загрязнений на земной поверхности лазерно-флуоресцентным методом.
2. Исходные данные
В качестве исходных данных используются спектры флуоресценции нефтяных загрязнений на различных подстилающих поверхностях, полученные экспериментально в лабораторных условиях [20]. Флуоресценция возбуждалась лазерным источником с длиной волны 266 нм. Спектры флуоресценции регистрировались в диапазоне 300 - 700 нм, ширина спектрального канала составляла- 1,6 нм. Спектральное разрешение (ширина аппаратной функции спектрального оборудования на полувысоте) составляло 6 нм.
Коллекция используемых спектров флуоресценции состоит из 670 образцов. Коллекция включает в себя спектры чистых нефтепродуктов, подстилающих поверхностей загрязненных нефтепродуктами и чистых подстилающих поверхностей.
В качестве нефтепродуктов использовались:
- легкие нефтепродукты (бензин АИ-80; бензин АИ-92; бензин АИ-95; бензин АИ-98; керосин);
- тяжелые нефтепродукты (дизельное топливо; масло машинное отработанное; масло машинное Castrol 10w40);
- сырая нефть (нефть Альметьевская).
В качестве подстилающих поверхностей использовались:
- различные типы почв (чернозём; глина; смесь чернозема (75 %) и глины (25 %); смесь глины (75 %) и чернозема (25 %);торф; песок; песчаная почва; известняк; почва из соснового бора; почва из березовой рощи; почва из дубравы);
- различные типы растительности (листья деревьев; мох; салат; газонная трава);
- асфальт.
При регистрации спектров флуоресценции не осуществлялась калибровка абсолютной величины чувствительности оборудования (осуществлялась калибровка по длине волны и спектральной зависимости чувствительности [20]), однако все спектры флуоресценции регистрировались при одной и той же мощности лазерного излучения и чувствительности спектрального оборудования, что позволяет сравнивать спектральные распределения интенсивности излучения флуоресценции разных образцов.
Примеры спектров флуоресценции различных образцов входящих в используемую коллекцию представлены на рис. 1-3.
На рис. 1 представлены спектры флуоресценции объемных образцов нефтепродуктов. Здесь кривая 1 - бензин АИ-80, 2 - бензин АИ-92; 3 - керосин, 4 - дизельное топливо, 5 - масло машинное Castrol 10w40; 6 - масло машинное отработанное; 7 - нефть Альметь-евская.
4,0
г
а 3,0
н
0
£
н
и
Е 2,0
г
у
в
01
Ь
X
К 1,0 0,0
Рис. 1. Спектры флуоресценции нефтепродуктов
Спектры чистых подстилающих поверхностей представлены на рис. 2. Здесь кривая 1 - чернозем, 2 - глина, 3 - известняк, 4 - песчаная почва, 5 - почва из дубравы, 6- листья деревьев, 7- мох.
—2 —3
4 —5 6
—7
--"
300 400 500 600 700
Длина волны,нм
Рис. 2. Спектры флуоресценции подстилающих поверхностей
На рис. 3 представлены в качестве примера спектры флуоресценции керосина на поверхности чернозема. Здесь кривая 1 - измерения проведены сразу после загрязнения, 2 -измерения проведены через 30 мин после загрязнения, 3 -через 1 день после загрязнения, 4 - через 4 дня после загрязнения.
0,35 0,25
* 0,20 С
0,15 0,10 0,05 0,00
—]
—2 —3
—4
., „ X —
300 400 500 600 700
ДЛИ 1111 ЖМНМ„ 1141
Рис. 3. Спектры флуоресценции керосина на поверхности чернозема
Кроме излучения флуоресценции регистрировалась интенсивность излучения упругого рассеяния на длине волны 266 нм, которая использовалась для нормировки спектров флуоресценции.
3. Методика проведения исследований
Рассматривались разные задачи классификации нефтяных загрязнений: обнаружение нефтяных загрязнений (рассматривается два класса: нет загрязнения, есть загрязнение); классификация по типу нефтепродукта (4 класса: нет загрязнения, легкие нефтепродукты, тяжелые нефтепродукты, сырая нефть); классификация по виду нефтепродукта (10 классов: нет загрязнения, бензин АИ-80, бензин АИ-92, бензин АИ-95, бензин АИ-98, керосин, дизельное топливо, масло машинное Castrol 10w40, масло машинное отработанное, сырая нефть).
Для обнаружения и классификации нефтяных загрязнений использовался метод к ближайших соседей. При классификации данным методом объект относится к тому классу, объектов которого окажется больше среди к ближайших соседей обучающей выборки [13]. Благодаря своей простоте метод к ближайших соседей широко используется при обработке результатов дистанционного зондирования, при этом показывая приемлемые результаты [21]. Другим преимуществом метода к ближайших соседей для данного исследования является малое число параметров влияющих на результат классификации (используемое расстояние и параметр к - число ). Что минимизирует влияние параметров классификатора на результат проводимых исследований. В данной работе при построении классификатора использовалось евклидово расстояние, параметр к был равен 3.
Оценка влияния спектрального разрешения и числа спектральных каналов проводилась методом математического моделирования. Вся коллекция спектров случайным образом разбивалась на две части, одна часть (70% спектров) использовалась для обучения алгоритма классификации, оставшаяся часть (30% спектров) использовалась для тестирования алгоритма. На спектры, используемые для тестирования, накладывался аддитивный белый гауссовский шум с заданной величиной среднеквадратичного ния (СКО) - аш, имитирующий влияние шумов различной природы. СКО шума аш задавалось в относительных единицах интенсивности излучения флуоресценции в спектральных каналах.
Затем осуществлялась децимация спектров. Весь спектральный диапазон разбивался на М эквидистантных спектральных каналов, в каждом канале спектр усреднялся. Усредненные спектры использовались для обучения и тестирования алгоритма классификации. По результатам тестирования вычислялась точность классификации А:
_ ТС
где ТС - число правильно классифицированных образцов, Ыт - размер тестовой выборки. Для задачи обнаружения нефтяных загрязнений вычислялись также частоты появления ошибок типа ложная тревога и пропуск события.
Численный эксперимент (разбиение выборки, искажение шумом части выборки используемой для тестирования, децимация спектров, обучение классификатора и тестирование) повторялся N=100 раз. В результате вычислялась средние величины точности классификации и частоты появления ошибок.
4. Результаты исследований
На рис. 4 -6 представлены результаты математического моделирования для задачи обнаружения нефтяных загрязнений на земной поверхности. Представлены зависимости точности классификации и частоты появления ошибок от числа спектральных каналов и их ширины. На рис. 4-5 показаны зависимости частоты появления ошибок типа ложная тревога и пропуск события соответственно. На рисунке 6 представлена зависимость точности классификации. На рис. 4-6 кривая 1 соответствует случаю аш = 0 отн.ед., кривая 2 - ош = 0,25 отн.ед., 3 - ош = 0,50 отн.ед., 4 - ош = 1,00 отн.ед.
Из рис.4-6 видно, что для задачи обнаружения нефтяных загрязнений методом к ближайших соседей при числе спектральных каналов более чем 8 (при ширине спектрального канала менее чем 50 нм), частота появления ошибок и точность классификации для разного уровня шума практический не зависят от дальнейшего увеличения числа спектральных каналов. Большая величина частоты появления ложной тревоги связана с малой величиной отношения сигнал/шум для спектров чистых поверхностей. Так даже при величине аш = 0,25 отн.ед для всех спектров чистых поверхностей отношение сигнал шум составляло меньше 1.
Рис. 4. Частота появления ложной тревоги в задаче обнаружения нефтяных загрязнений
Рис. 5. Частота появления ошибки пропуск события в задаче обнаружения нефтяных загрязнений
Рис. 6. Точность классификации в задаче обнаружения нефтяных загрязнений
На рис. 7, 8 представлены зависимости точности классификации от числа спектральных каналов и их ширины для задачи классификации нефтяных загрязнений по их типу и виду соответственно. Здесь 1 соответствует случаю аш = 0 отн.ед., кривая 2 - аш = 0,25 отн.ед., 3 - ош = 0,50 отн.ед., 4 - ош = 1,00 отн.ед.
Результаты математического моделирования работы показывают, что для задачи классификации нефтяных загрязнений по их типу увеличение ширины спектрального канала до 60 нм (уменьшение числа спектральных каналов до 7) не приводит к значимому снижению точности классификации. Для ширины спектрального канала 50 нм (8 спектральных каналов) наблюдается локальный максимум точности классификации.
Рис. 7. Точность классификации в задаче классификации нефтяных загрязнений по типу нефтепродукта
§ 0,9
1 0,8
И
■I 0,7
| 0,6 ч
а 0,5 □
¡У
2 0,4
■ы
£ 0,3
0,2
[Ныринл спек! ралкно] а кшала, нм
100 10
//У ^
—I —3 Лш -3 4
!0 100 Числп спектральных кипи.шв
Рис. 8. Точность классификации в задаче классификации нефтяных загрязнений по виду нефтепродукта
В задаче классификации нефтяных загрязнений по их виду (рис. 8) локальный максимум точности классификации в зависимости от уровня шумов наблюдается при ширине спектрального канала 25-30 нм (14-16 спектральных каналов). Дальнейшее улучшение спектрального разрешения (увеличение числа каналов) не приводит к существенному повышению точности классификации.
Необходимо отметить, что в данной работе спектральные каналы выбирались эквидистантно. Оптимальный (по числу, положению и ширине) выбор спектральных каналов позволит повысить точность классификации и уменьшить число используемых спектральных каналов.
Работа выполнена при поддержке Минобранауки РФ, проект № 13.7377.2017/БЧ.
Заключение
На основе экспериментально измеренных спектров лазерно-индуцированной флуоресценции проведено математическое моделирование обнаружения и классификации нефтяных загрязнений на земной поверхности. Приведены новые результаты исследований влияния спектрального разрешения и числа спектральных каналов на точность классификации. Показало, что для обнаружения и классификации нефтяных загрязнений на земной поверхности методом лазерно-индуцированной флуоресценции нет необходимости регистрировать спектры с высоким спектральным разрешением и большим числом спектральных каналов. Такой результат позволяет использовать для мониторинга нефтяных загрязнений на земной поверхности лидарные системы с малым числом спектральных каналов, построенные с использованием ФЭУ и обладающие высокой чувствительностью.
Список литературы
1. Jha M.N., Gao Y. Oil spill contingency planning using laser fluorosensors and web-based GIS // Oceans 2008: MTS/IEEE Oceans Conf. (Quebec City, Quebec, Canada, September 15-18, 2008): Proc. Piscataway: IEEE, 2008. Pp. 516-523. DOI: 10.1109/OCEANS .2008.5151877
2. Леоненко И.И., Антонович В.П., Андрианов А.М., Безлуцкая И.В., Цымбалюк К.К. Методы определения нефтепродуктов в водах и других объектах окружающей среды (обзор) // Методы и объекты химического анализа. 2010. Т. 5. № 2. С. 58-72.
3. Бабиченко С.М., Соболев И.А., Винт Л. Мониторинг состояния морской среды с помощью гиперспектрального ЛИФ лидара // Вода: химия и экология. 2017. № 1. С. 67-72.
4. Sobolev I., Babichenko S.M. Analysis of performances of hyperspectral LIDAR for water pollution diagnostics // EARSeL eProceedings. 2013. Vol. 12. No. 2. Pp. 113-123.
DOI: 10.12760/01-2013-2-04
5. Xiao-long Li, Yong-hua Chen, Jie Li, Jingbo Jiang, Zuotao Ni, Zhi-shen Liu. Time-resolved fluorescence spectroscopy of oil spill detected by ocean lidar // Proc. of the Society of Photo-Optical Instrumentation Engineers (SPIE). 2016. Vol. 10155. Pp. 101550Q-1-8.
DOI: 10.1117/12.2244837
6. Babichenko S.M., Dudelzak A.E., Poryvkina L. Quantitative analytical monitoring of aquatic and terrestrial targets with multi-wavelength FLS lidars // Proc. of the Society of Photo-Optical Instrumentation Engineers (SPIE). 2003. Vol. 4893. Pp. 456-464. DOI: 10.1117/12.466516
7. Malecha M., Bessant C., Saini S. Identification of oil contaminants on polymer coated beverage cans using fluorescence spectroscopy // Applied Spectroscopy. 2003. Vol. 57. No. 8.
Pp. 1042-1048.
8. Christensen J.H., Tomasi G. Practical aspects of chemometrics for oil spill fingerprinting // J. of Chromatography A. 2007. Vol. 1169. No. 1-2. Pp. 1-22. DOI: 10.1016/j.chroma.2007.08.077
9. Gu Zhenpu, Lv Jiangtao. The identification of the mineral oil fluorescence spectroscopy based on the PCA and SVM // Intern. Conf. on Computing, Control and Industrial Engineering: CCIE 2010 (Wuhan, China, June 5-6, 2010): Proc. Vol. 1. Wash.: IEEE, 2010. Pp. 114-116.
DOI: 10.1109/CCIE.2010.36
10. Lv Jiangtao, Wang Yutian, Pan Zhao, Yang Ni. The three-dimensional fluorescence spectroscopy recognition of the mineral oil based on the wavelet neural network // Intern. Symp. on Computational Intelligence and Design (Wuhan, China, October 17-18, 2008): Proc. Vol. 2. Wash.: IEEE, 2008. Pp. 91-93. DOI: 10.1109/ISCID.2008.135
11. Weiwei Ren, Zhang Jinliang, Tang Mingming. Fluorescence analysis of oil inclusions based on BP algorithm // 6th Intern. Conf. on Natural Computation: ICNC 2010 (Yantai, China, August 10-12, 2010): Proc. Wash.: IEEE, 2010. Pp. 1098-1101. DOI: 10.1109/ICNC.2010.5583701
12. Федотов Ю.В., Чернавская О.А., Белов М.Л., Городничев В.А. Лазерный дистанционный метод обнаружения и классификации разливов нефтепродуктов на земной поверхности // Автоматизация. Современные технологии. 2015. №. 7. С. 7-12.
13. Theodoridis S., Koutroumbas K. Pattern recognition. 4th ed. Amst.: Academic Press: Elsevier, 2009. 961 p.
14. Li Shijin, Li Huimin. Comparative study of feature dimension reduction algorithm for highresolution remote sensing image classification // Intern. Conference on Signal Processing, Communications and Computing: ICSPCC 2015 (Ningbo, China, September 19-22, 2015): Proc. Wash.: IEEE, 2015. Pp. 1-6. DOI: 10.1109/ICSPCC.2015.7338936
15. Shuang Zhou, Junping Zhang, Baoku Su. Dimensionality reduction and classification based on ant colony algorithm for hyperspectral remote sensing image // Intern. Geoscience and Remote Sensing Symp.: IGARSS 2008 (Boston, USA, July 7-11, 2008): Proc. Wash.: IEEE, 2008. Pp. V-393-V-396. DOI: 10.1109/IGARSS.2008.4780111
16. Laparra V., Malo J., Camps-Valls G. Dimensionality reduction via regression in hyperspectral imagery // IEEE J. of Selected Topics in Signal Processing. 2015. Vol. 9. No. 6. Pp. 1026-1036. DOI: 10.1109/JSTSP.2015.2417833
17. Bazi Y., Melgani F. Toward an optimal SVM classification system for hyperspectral remote sensing images // IEEE Trans. on Geoscience and Remote Sensing. 2006. Vol. 44. No. 11. Pt. 2. Pp. 3374-3385. DOI: 10.1109/TGRS.2006.880628
18. Dalponte M., Bruzzone L., Vescovo L., Gianelle D. The role of spectral resolution and classifier complexity in the analysis of hyperspectral images of forest areas // Remote Sensing of Environment. 2009. Vol. 113. No. 11. Pp. 2345-2355. DOI: 10.1016/j.rse.2009.06.013
19. Almhdi K.M., Valigi P., Gulbinas V., Westphal R., Reuter R. Classification with artificial neural networks and support vector machines : application to oil fluorescence spectra // New developments and challenges in remote sensing. Rotterdam: Millpress, 2007. Pp. 413-431.
20. Федотов Ю.В., Белов М.Л., Матросова О.А., Городничев В.А. Исследование спектров флуоресценции нефтяных загрязнений и природных образований при возбуждении на длине волны 266 нм // Известия высших учебных заведений. Физика. 2012. Т. 55. №. 9-2. С. 105-109.
21. Gon9alves M., Silva J.S., Bioucas-Dias J. Classification of vegetation types in military region // Proc. of the Society of Photo-Optical Instrumentation Engineers (SPIE). 2015. Vol. 9649.
Pp. 96490A-96490A-11. DOI: 10.1117/12.2194185
Science ¿Education
of the Bauman MSTU
Science and Education of the Bauman MSTU, 2017, no. 06, pp. 86-100.
DOI: 10.7463/0617.0001255
Received: 16.05.2017
Revised: 30.05.2017
© Bauman Moscow State Technical Unversity
The Impact of the Spectral Band Number and Width on the Oil Pollution Diagnostics on Earth Surface by Laser Fluorescence Method
Yu.V. Fedotov1'* *fed:3bm&tu-ni
:Bauman Moscow State Technical University, Moscow, Russia
Keywords: oil pollution; earth surface; detection; classification; fluorescence; laser; spectral
resolution
Using the remote sensing methods is the most promising for day-to-day control of oil pollution. The laser-induced fluorescence method provides efficient detection and classification of oil pollutions. To monitor oil pollutions on the earth surface is more complicated than on the water one because of lower fluorescence intensity and interfering fluorescence of natural objects available on the earth surface.
Properties of oil pollution classifiers depend largely on the number and positions of spectral bands of fluorescence registration. Reducing the number of spectral bands allows us to diminish computation complexity and cost of equipment. In some cases the reduction increases classification accuracy. The number of spectral bands can be reduced through increasing their width.
The paper presents mathematical modeling of oil pollution detection and classification. The experimentally obtained fluorescence spectra of oil pollutions on different substrates were used as input data. The k-nearest neighbors algorithm was used to detect and classify oil pollutions. Cross validation was applied in mathematical modeling.
The mathematical modeling results have shown that for oil pollutions detection using over 8 spectral bands (band width less than 50 nm) a classification error rate does not depend on the further increasing number of the spectral bands.
As to the type classification of oil pollutions (4 classes), an increasing width of the spectral bands up to 60 nm (the number of spectral bands reduced up 7) does not lead to a significantly decreasing overall classification accuracy.
In the case of the sort classification of oil pollutions (8 classes) a local maximum of the overall accuracy has been observed at 25-30 nm width of the spectral band (14-16 spectral bands). The spectral resolution improvement (increasing the number of bands) does give an essentially increasing accuracy.
The paper has shown that to detect and classify oil pollutions on the earth surface there is no need to acquire fluorescence with high spectral resolution and numerous spectral bands.
References
1. Jha M.N., Gao Y. Oil spill contingency planning using laser fluorosensors and web-based GIS. Oceans 2008: MTS/IEEE Oceans Conf. (Quebec City, Quebec, Canada, September 15-18, 2008): Proc. Piscataway: IEEE, 2008. Pp. 516-523. DOI: 10.1109/OCEANS .2008.5151877
2. Leonenko I.I., Antonovich V.P., Andrianov A.M., Bezlutskaia I.V., Tsymbalyuk K.K. Methods for the determination of petroleum products in water and other environmental objects (A review)]. Metody i ob'ekty khimicheskogo analiza [Methods and Objects of Chemical Analysis], 2010, vol. 5, no. 2, pp. 58-72 (in Russian).
3. Babichenko S.M., Sobolev I.A., Vint L. Monitoring of marine environment with HLIF lidar. Voda: khimiia i ekologiia [Water: Chemistry and Ecology], 2017, no. 1, pp. 67-72 (in Russian).
4. Sobolev I., Babichenko S. M. Analysis of performances of hyperspectral LIDAR for water pollution diagnostics. EARSeL eProceedings, 2013, vol. 12, no. 2, pp. 113-123. DOI: 10.12760/012013-2-04
5. Xiao-long Li, Yong-hua Chen, Jie Li, Jingbo Jiang, Zuotao Ni, Zhi-shen Liu. Time-resolved fluorescence spectroscopy of oil spill detected by ocean lidar. Proc. of the Society of Photo-Optical Instrumentation Engineers (SPIE), 2016, vol. 10155, pp. 101550Q-1-8.
DOI: 10.1117/12.2244837
6. Babichenko S.M., Dudelzak A.E., Poryvkina L. Quantitative analytical monitoring of aquatic and terrestrial targets with multi-wavelength FLS lidars. Proc. of the Society of Photo-Optical Instrumentation Engineers (SPIE), 2003, vol. 4893, pp. 456-464. DOI: 10.1117/12.466516
7. Malecha M., Bessant C., Saini S. Identification of oil contaminants on polymer coated beverage cans using fluorescence spectroscopy. Applied Spectroscopy, 2003, vol. 57, no. 8,
pp.1042-1048.
8. Christensen J.H., Tomasi G. Practical aspects of chemometrics for oil spill fingerprinting. J. of Chromatography A, 2007, vol. 1169, no. 1-2, pp. 1-22. DOI: 10.1016/j.chroma.2007.08.077
9. Gu Zhenpu, Lv Jiangtao. The identification of the mineral oil fluorescence spectroscopy based on the PCA and SVM. Intern. Conf. on Computing, Control and Industrial Engineering: CCIE 2010 (Wuhan, China, June 5-6, 2010): Proc. Vol. 1. Wash.: IEEE, 2010. Pp. 114-116.
DOI: 10.1109/CCIE.2010.36
10. Lv Jiangtao, Wang Yutian, Pan Zhao, Yang Ni. The three-dimensional fluorescence spectroscopy recognition of the mineral oil based on the wavelet neural network. Intern. Symp. on Computational Intelligence and Design (Wuhan, China, October 17-18, 2008): Proc. Vol. 2. Wash.: IEEE, 2008. Pp. 91-93. DOI: 10.1109/ISCID.2008.135
11. Weiwei Ren, Zhang Jinliang, Tang Mingming. Fluorescence analysis of oil inclusions based on BP algorithm. 6th Intern. Conf. on Natural Computation: ICNC 2010 (Yantai, China, August 1012, 2010): Proc. Wash.: IEEE, 2010. Pp. 1098-1101. DOI: 10.1109/ICNC.2010.5583701
12. Fedotov Yu.V., Chernavskaia O.A., Belov M.L., Gorodnichev V.A. Laser remote method of detection and classification of the oil spill on the ground surface. Avtomatizatsiia. Sovremennye tekhnologii [Automation. Modern Technology], 2015, no. 7, pp. 7-12 (in Russian).
13. Theodoridis S., Koutroumbas K. Pattern recognition. 4th ed. Amst.: Academic Press: Elsevier, 2009. 961 p.
14. Li Shijin, Li Huimin. Comparative study of feature dimension reduction algorithm for highresolution remote sensing image classification. Intern. Conf. on Signal Processing, Communications and Computing: ICSPCC 2015( Ningbo, China, September, 19-22, 2015): Proc. Wash.: IEEE, 2015. Pp. 1-6. DOI: 10.1109/ICSPCC.2015.7338936
15. Shuang Zhou, Junping Zhang, Baoku Su. Dimensionality reduction and classification based on ant colony algorithm for hyperspectral remote sensing image. Intern. Geoscience and Remote Sensing Symp.: IGARSS 2008 (Boston, USA, July 7-11, 2008): Proc. Wash.: IEEE, 2008.
Pp. V-393-V-396. DOI: 10.1109/IGARSS.2008.4780111
16. Laparra V., Malo J., Camps-Valls G. Dimensionality reduction via regression in hyperspectral imagery. IEEE J. of Selected Topics in Signal Processing, 2015, vol. 9, no. 6, pp. 1026-1036. DOI: 10.1109/JSTSP.2015.2417833
17. Bazi Y., Melgani F. Toward an optimal SVM classification system for hyperspectral remote sensing images. IEEE Trans. on Geoscience and Remote Sensing, 2006, vol. 44, no. 11, pt. 2, pp. 3374-3385. DOI: 10.1109/TGRS.2006.880628
18. Dalponte M., Bruzzone L., Vescovo L., Gianelle D. The role of spectral resolution and classifier complexity in the analysis of hyperspectral images of forest areas. Remote Sensing of Environment, 2009, vol. 113, no. 11, pp. 2345-2355. DOI: 10.1016/j.rse.2009.06.013
19. Almhdi K.M., Valigi P., Gulbinas V., Westphal R., Reuter R. Classification with artificial neural networks and support vector machines : application to oil fluorescence spectra. New developments and challenges in remote sensing. Rotterdam: Millpress, 2007. Pp. 413-431.
20. Fedotov Yu.V., Belov M.L., Matrosova O.A., Gorodnichev V.A. The study of fluorescence spectra of oil spills and natural formations upon excitation at a wavelength of 266 nm. Izvestiia vysshikh uchebnykh zavedenij. Fizika [Proc. of Higher Educational Institutions. Physics], 2012, vol. 55, no. 9/2, pp. 105-109 (in Russian).
21. Gonçalves M., Silva J.S., Bioucas-Dias J. Classification of vegetation types in military region. Proc. of the Society of Photo-Optical Instrumentation Engineers (SPIE), 2015, vol. 9649, pp. 96490A-96490A-11. DOI: 10.1117/12.2194185
