Інтегрування даних дистанційного зондування Землі та наземної інформації для розв’язування задач природокористування
Рубрика:
| Хижняк, АВ, Федоровський, ОД |
| Косм. наука технол. 2020, 26 ;(4):31-37 |
| https://doi.org/10.15407/knit2020.04.031 |
| Язык публикации: Англійська |
Аннотация: Обґрунтовується інтегрування даних дистанційного зондування Землі та наземної інформації із застосуванням для розв’язування задач природокористування статистичного критерію як модуля комп’ютерного асистента оператора. Представлено алгоритм, який описує сукупність операцій та послідовність їхнього виконання, що реалізують за-пропонований метод автоматизації процедури прийняття рішень. Метод має звільнити оператора-дешифрувальника космічних знімків від значного об’єму суб’єктивної та трудомісткої роботи, яка виконується на основі візуально-інструментальних методів. На основі запропонованої методики було виконано розпізнавання зображень об’єктів на аерокосмічних знімках території з різними геологічними і ландшафтними умовами і відповідно до тих умов з об’єктами-еталонами різного класу з різним набором значень інформативних ознак (різної природи і розмірності). Для розпізнавання і класифікації зображень досліджуваних об’єктів визначались ймовірності відношення інформа-тивних ознак досліджуваних ділянок до інформативних ознак кожного наявного на аерокосмічному знімку об’єкта-еталона. Представлено результати апробації запропонованої методики на прикладі оцінки нафтогазоперспективнос-ті ділянок Дніпровсько-Донецької западини та класифікації агрокультур сільськогосподарських полів у Київській області на різні сорти в різні періоди вегетації.
|
| Ключевые слова: інтеграція, дистанційне зондування Землі, природокористування, системний аналіз, статистичний критерій |
References:
1. Arkhipov A. I., Glazunov N. M., Khyzhniak A. V. (2018). Heuristic criterion for class recognition by spectral brightness. Cybernetics and Systems Analysis, 54(1), 105—110.
2. Kemker R., Salvaggio C., Kanan C. (2018). Algorithms for semantic segmentation of multispectral remote sensing imagery using deep learning. ISPRS J. Photogramm. Remote Sens, 145, 60—77.
3. Knopov P. S., Kasitskaya E. J. (2002). Empirical estimates in stochastic optimization and identification. New York: Kluwer Acad. Publ.
4. Kolmogorov A. N. (2005). Selected Works. Vol. 2. Probability theory and mathematical statistics. Moscow: Mat. Institute named after V. A. Steklova RAS. Science, 584 р. [in Russian].
5. Lyalko V. I., Fedorovsky O. D., Popov M. O., et al. (2004). Using satellite data to study natural resource issues. Space Research in Ukraine. 2002—2004. Kyiv, 7—14 [in Russian].
6. Popov M. A., Stankevich S. A., Arkhipov A. I., Titarenko O. V. (2018). About possibility of hydrocarbon deposit remote detection using computer assistance. Ukrainian J. Remote Sensing, 16, 34—40.
2. Kemker R., Salvaggio C., Kanan C. (2018). Algorithms for semantic segmentation of multispectral remote sensing imagery using deep learning. ISPRS J. Photogramm. Remote Sens, 145, 60—77.
3. Knopov P. S., Kasitskaya E. J. (2002). Empirical estimates in stochastic optimization and identification. New York: Kluwer Acad. Publ.
4. Kolmogorov A. N. (2005). Selected Works. Vol. 2. Probability theory and mathematical statistics. Moscow: Mat. Institute named after V. A. Steklova RAS. Science, 584 р. [in Russian].
5. Lyalko V. I., Fedorovsky O. D., Popov M. O., et al. (2004). Using satellite data to study natural resource issues. Space Research in Ukraine. 2002—2004. Kyiv, 7—14 [in Russian].
6. Popov M. A., Stankevich S. A., Arkhipov A. I., Titarenko O. V. (2018). About possibility of hydrocarbon deposit remote detection using computer assistance. Ukrainian J. Remote Sensing, 16, 34—40.
URL: https://www.ujrs.org.ua/ujrs/article/view/119 (Last accessed 08.08.2019).
7. Popov M. A., Stankevich S. A., Topolnytskyj M. V., Titarenko O. V. (2017). Integration of remote and geological-geophysical data in the search for oil and gas deposits on land. Ecological safety and nature management, Vol. 1-2 (23), 36—43 [in Ukrainian].
8. Ren S., He K., Girshick R., Sun J. (2016). Faster R-CNN: Towards real-time object detection with region proposal networks. IEEE Trans. Pattern Anal. Mach. Intell., 39, 1137—1149.
9. Vapnik V. N. (1998). Statistical learning theory. New York: Wiley.
10. Webb A. R., Copsey K. D. (2011). Statistical Pattern Recognition (3rd ed.). New York: John Wiley.
11. Yakimchuk V. G., Sukhanov K. Yu. (2018). Estimation of hydrophysical characteristics of the aquatic environment using satellite images in the context of incomplete information, 19, 33—38.
7. Popov M. A., Stankevich S. A., Topolnytskyj M. V., Titarenko O. V. (2017). Integration of remote and geological-geophysical data in the search for oil and gas deposits on land. Ecological safety and nature management, Vol. 1-2 (23), 36—43 [in Ukrainian].
8. Ren S., He K., Girshick R., Sun J. (2016). Faster R-CNN: Towards real-time object detection with region proposal networks. IEEE Trans. Pattern Anal. Mach. Intell., 39, 1137—1149.
9. Vapnik V. N. (1998). Statistical learning theory. New York: Wiley.
10. Webb A. R., Copsey K. D. (2011). Statistical Pattern Recognition (3rd ed.). New York: John Wiley.
11. Yakimchuk V. G., Sukhanov K. Yu. (2018). Estimation of hydrophysical characteristics of the aquatic environment using satellite images in the context of incomplete information, 19, 33—38.
URL: http://ujrs.org.ua/ujrs/ (Last accessed 08.08.2019).