авторефераты диссертаций БЕСПЛАТНАЯ  БИБЛИОТЕКА

АВТОРЕФЕРАТЫ КАНДИДАТСКИХ, ДОКТОРСКИХ ДИССЕРТАЦИЙ

<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ


МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ

ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ

«ТВЕРСКОЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ»

УДК 528.8

Код ГРНТИ 66.01.01

регистрационный номер по ПСР-ЦИТиС -01201276025

«УТВЕРЖДАЮ»

Проректор по НИД

Тверского государственного университета д.т.н., Каплунов И.А.

_ «17» декабря 2012 г.

М.П.

ОТЧЕТ По программе стратегического развития федерального государственного бюджетного образовательного учреждения высшего профессионального образования «Тверской государственный университет» на 2012-2014 гг.

по проекту № 2.3.1. «Решение комплексных проблем по направлению "Разработка систем экологического мониторинга окружающей среды для целей устойчивого развития Тверского региона" на базе Экологического центра ТвГУ»

по НИР № 2.3.1.5. «Разработка дистанционного управления мониторинга лесного хозяйства и компьютерных приложений для поддержки принятия региональных решений»

вид отчета: годовой Руководитель НИР: Каменцев В.П.

г. Тверь 2012 г.

СПИСОК ИСПОЛНИТЕЛЕЙ Руководитель НИР ФИО Каменцев В.П.

подпись, дата Исполнители Козодеров В.В.

Старший научный сотрудник подпись, дата Дмитриев Е.В.

Старший научный сотрудник подпись, дата РЕФЕРАТ Отчет: 35 с., 4 ч., 13 рис., 3 табл., 34 источника, 1 приложение Ключевые слова: самолетный мониторинг, гиперспектральные изображения, компьютерная обработка данных, программно-алгоритмическое обеспечение, распознавание природно-техногенных объектов.

Объект исследования: технология оценки состояния лесных экосистем, породный состав и возраст которых оценивается на основе самолетных гиперспектральных изображений с валидацией получаемой информационной продукции обработки этих изображений с помощью наземных лесотаксационных обследований территории.

Цель работы: отработка инновационных подходов к автоматизации обработки данных гиперспектрального самолетного зондирования, включая географическую привязку данных гиперспектральной съемки и синхронного фотосопровождения с той же самолетной платформы, а также с использованием данных сети Google-Earth.

Методы (методология) проведения работы: реализуются вычислительные процедуры увязки обрабатываемых гиперкубов данных (две пространственные координаты и длина волны) с оптимальным набором спектральных каналов и числом обучающих пикселей (элементов разрешения аппаратуры) для распознавания объектов мониторинга лесного хозяйства с обучением используемого классификатора по тестовой выборке.

Результаты работы: макет оригинальной вычислительной системы обработки данных самолетного зондирования с помощью отечественной гиперспектральной аппаратуры производства НПО «Лептон». С помощью этой системы можно решать следующие прикладные задачи: преобразование исходных данных;

коррекция и трансформация данных;

географическая привязка;

визуализация и первичный анализ;

формирование обучающих ансамблей;

распознавание различных пород лесной растительности.

Таблица № Индикаторы Результаты п.п.

1 Характеристика работы: Создан макет оригинальной вычислительной -.основные результаты системы обработки данных самолетного работы;

зондирования с помощью отечественной - новизна результатов гиперспектральной аппаратуры. Новизна работы;

результатов – в формировании - описание особенностей информационных слоев освещенных и проведения работы в затененных фитоэлементов лесной отчетном периоде. растительности разного породного состава и возраста для повышения точности распознавания соответствующих объектов.

Особенности проведения исследований:

постановка задачи распознавания объектов по их гиперспектральным изображениям следует из обзора существующего опыта проведения предшествующих самолетных кампаний и наземных обследований.

2 Области и масштабы Автоматизация вычислительных процедур использования распознавания природно-техногенных объектов по.

полученных результатов: данным гиперспектрального самолетного - направления зондирования с использованием данных использования;

синхронной аэрофотосъемки и данных - практическое предшествующей наземной лесотаксации использование полученных выбранной территории. Практическое результатов;

использование полученных результатов – в - социально-экономический управлении мониторинга лесного хозяйства эффект региона. Социально-экономический эффект – в разработке компьютерных приложений для поддержки принятия региональных решений.

3 Ресурсы:

. - финансовые (сколько и Оплата труда исполнителей проекта 425тысяч рублей на что);

- материально технические (какие и на что);

- трудовые:

кол-во ППС, 3 СНС, 1 аспирант, 3 студента молодых ученых, аспирантов, студентов, затраченные на выполнение поставленных целей и задач 4 Проблемы, возникшие при В процессе реализации НИР обоснована реализации НИР и пути их необходимость размещения на той же самолетной.

решения платформе аппаратуры лидарного зондирования для получения трехмерной структуры полога леса.

Таблица Плановый Фактический показатель показатель Показатели Единица декабрь измерения год года Количество заявок на получение охранных 3 документов на результаты интеллектуальной ед.

деятельности, полученных в рамках реализации проекта (не менее 3-х ежегодно) Количество планируемых к защите диссертаций на соискание ученой степени кандидата и доктора наук, ед.

подготовленных в рамках реализации проекта Количество публикаций: 4 ед.

в том числе:

монографии ед. учебники и учебные пособия ед. статьи в российских научных журналах из списка 2 ВАК (не менее 2-х на каждого исполнителя проекта ед.

ежегодно) статьи в рецензируемых зарубежных журналах ед. другие статьи, тезисы докладов конференций 2 (не менее 2-х на каждого исполнителя проекта ед.

ежегодно) Прогнозные предположения о развитии объекта исследования:

разрабатываемая технология оценки состояния лесных экосистем в направлении оптимизации спектральных каналов гиперспектрального зондирования, обеспечивающих достижение требуемой точности решения рассматриваемой прикладной задачи распознавания породного состава, возраста, а при дополнительном использовании данных лидарного зондирования и высоты древостоев. В итоге открываются возможности автоматизации процесса определения бонитета лесных экосистем (основной характеристики качества древесины) по данным гиперспектрального и лидарного самолетного зондирования.

СОДЕРЖАНИЕ ВВЕДЕНИЕ…………………………………………………………………….. 1. Обзор существующего отечественного и зарубежного опыта построения классификаторов (вычислительных процедур) разной степени сложности, необходимых для обработки данных гиперспектрального аэрокосмического зондирования………………….. 2. Постановка задачи распознавания природно-техногенных объектов по многоспектральным (гиперспектральным) аэрокосмическим изображениям…………………………………………………………………... 3. Сбор, анализ и систематизация имеющихся данных предшествующих лётных испытаний отечественной аппаратуры гиперспектрального аэрозондирования выбранной территории и данных ее наземной лесотаксации…………………………………………………………………… 4. Создание базы модельных данных спектров яркости отраженного излучения для древостоев различных возрастов………………………….. ЗАКЛЮЧЕНИЕ……………………………………………………………….. СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ………………………. ПРИЛОЖЕНИЕ ……………………………………………………………… ВВЕДЕНИЕ Создание системы мониторинга экологической ситуации из космоса признано одним из перспективных научно-технологических проектов модернизации и технологического развития экономики Российской Федерации. В настоящее время в сети Интернет не составляет большого труда получить космические снимки разного пространственного разрешения для практически любой территории, цифровые данные этих снимков и даже программные средства (расчетные коды) их обработки. Если же ориентироваться на прорывные технологии для целей экологического мониторинга, то здесь наиболее перспективны два направления:

гиперспектральное аэрокосмическое зондирование и использование данных лазерного сканирования (активные системы, лидары).

Сотни спектральных каналов гиперспектрального зондирования в видимой и ближней инфракрасной области несут информацию о составе и внутреннем строении объектов земной поверхности и атмосферы (Козодеров, 2011). Открываются новые возможности оценки состояния природно техногенных объектов по гиперспектральным изображениям с использованием оригинального программного обеспечения обработки данных (Дмитриев и др., 2011). При этом расширяются традиционные подходы к использованию данных многоспектрального зондирования (6- каналов в указанной области) для решения прикладных задач мониторинга.

Системы лидарного зондирования способствуют получению трехмерной структуры объектов земной поверхности (Vauhkonen et al., 2009). Данные гиперспектрального зондирования используются для распознавания разных типов растительности (породный состав лесных экосистем, объем фитомассы листвы/хвои, возраст и др.), в то время как данные лидарного зондирования для восстановления вертикальной структуры растительного полога.

Аэрокосмическая гиперспектрометрия (imaging spectroscopy, hyperspectral imaging) перешла за последние десятилетия от стадии научных исследований к сфере получения коммерческих продуктов для широкого круга пользователей (Plaza et al., 2009). Имеется, однако, необходимость стандартизации методов обработки данных для повышения достоверности получаемой информационной продукции. Высокое спектральное и пространственное разрешение данных открывает новые перспективы получения объективной информации о характерных особенностях спектрального и пространственного распределения объектов аэрокосмического мониторинга. Появляются новые возможности использования параллельных вычислений при реализации соответствующих алгоритмов обработки данных с помощью современных высокопроизводительных компьютерных средств для решения прикладных задач оценки состояния природно-техногенных объектов. Разрабатываемые вычислительные процедуры обработки данных гиперспектрального зондирования способствуют развитию этого актуального направления научных исследований и технологических разработок на стыке многих научно-технологических дисциплин.

При получении оптических изображений и данных лазерного сканирования радиометрические и геометрические особенности объектов дистанционного зондирования оказывается невозможным отделить друг от друга. Солнечное освещение лесных объектов различно для соседних участков крон деревьев, освещенных и затененных, что усложняет общую картину пространственного распределения отдельных элементов разрешения аппаратуры гиперспектрального зондирования. Данные лидарного зондирования регистрируются в направлении обратного рассеяния когерентных сигналов, что способствует реконструкции геометрических характеристик наблюдаемых объектов. Открываются новые перспективы получения информации о плотности фитоэлементов (листья/хвоя и др.) в соответствии с результатами интерпретации эхо-сигналов с фиксацией геометрии и отражательной способности соответствующих рассеивателей энергии зондирующих импульсов (Korpela et al., 2010).

Объединение гиперспектральных и лидарных данных дистанционного зондирования способствует решению прикладных задач оценки состояния лесной растительности в процессе разработки автоматизированных алгоритмов распознавания объектов (Dalponte 2008). Под et al., распознаванием понимаются вычислительные процедуры классификации наблюдаемых природно-техногенных объектов и их идентификации при разработке указанных алгоритмов. При этом наиболее перспективными являются алгоритмы классификации с обучением при наличии множеств объектов и множеств ответов (меток классов). Прикладные задачи распознавания объектов решаются при наличии априорной информации в виде конечного множества таких пар множеств. В обоих случаях обработки гиперспектральных и лидарных изображений исходными для классификации объектов служат пиксели (отдельные элементы разрешения) обрабатываемых изображений. Множество ответов содержит названия распознаваемых объектов (например, растительность, почва, водная поверхность, асфальт, бетон и т.п.). При вероятностной постановке задачи классификации обоих типов указанных изображений (гиперспектральных и лидарных) требуется построить алгоритм, который приводит к минимальной вероятности ошибки классификации (байесовский алгоритм). Для каждого класса необходимо задать соответствующие функции правдоподобия, априорные вероятности и определить потери от ошибок классификации. Победителем считается тот класс, который имеет минимальное математическое ожидание потери. В итоге вычислительный алгоритм сводится к выполнению известного принцип максимума апостериорной вероятности, а в случае, если все классы равновероятны, к классической формулировке, известной как принцип максимального правдоподобия.

1. Обзор существующего отечественного и зарубежного опыта построения классификаторов (вычислительных процедур) разной степени сложности, необходимых для обработки данных гиперспектрального аэрокосмического зондирования Перечисленные выше особенности новых подходов к использованию данных дистанционного оптического зондирования диктуют необходимость издания специализированного учебно-методического пособия, в котором были бы отражены проблемы распознавания природно-техногенных объектов по данным аэрокосмического зондирования с акцентом на использование данных новейших систем гиперспектрального самолетного зондирования. В русскоязычных изданиях отсутствуют такого рода описания приложений данных гиперспектрального зондирования. В предлагаемом издании затронуты основные положения по развитию приложений соответствующих оптических систем дистанционного зондирования.

Основное внимание уделяется тем разработкам, которые формируют программно-алгоритмическое обеспечение обработки гиперспектральных изображений.

Следует отметить, что в России использование данных аэрокосмического зондирования обычно увязывают с дистрибьютерами зарубежной космической информации и средств ее обработки (программные средства ERDAS, ENVI и др.). Наиболее эффективные решения прикладных задач здесь видятся в распространении программных продуктов, поставляемых из-за рубежа. Соответствующее программное обеспечение не охватывает все области существующих знаний и применимо, как правило, только для конкретных типов аппаратуры дистанционного зондирования.

Например, традиционные подходы предлагаемых приложений часто основаны на концепции «вегетационных индексов» (различных комбинаций измерительных каналов). В работе (Kozoderov, Dmitriev, 2008) показаны реальные ограничения возникающих приложений к оценке состояния лесной растительности по данным многоспектрального зондирования. Приложения, основанные на этой концепции, становятся еще более неэффективными при наличии сотен каналов гиперспектрального зондирования.

Жесткая конкуренция разработчиков космических систем сверхвысокого пространственного разрешения (менее 1 м, но с малым числом спектральных каналов) приводит к особой востребованности информационной продукции обработки данных именно такого разрешения со стороны пользователей для целей создания инфраструктуры пространственных данных. Возможности космических систем гиперспектрального зондирования (Hyperion, США;

Chris, Европейский Союз) до конца не ясны, как и создание вычислительных сред для развития возникающих новых приложений. Традиционные приложения развиваются в форме географических информационных систем (ГИС), интегрирующих базы данных различного назначения. В России основной акцент в ГИС сделан на среду ESRI (Environmental Systems Research Institute) – название дано американской компанией, которая существует на мировом рынке уже около 40 лет. Программная составляющая в этой среде невелика по сравнению с вкладом специалистов в области географии, геодезии, картографии и смежных наук. В то же время хорошо известна среда MATLAB, в которой сосредоточены основные приложения методов вычислительной математики. При обработке данных гиперспектрального зондирования, когда требуется оптимизация числа спектральных каналов в заданной предметной области, возрастает роль этой среды как связующего звена между традиционными подходами и новыми приложениями (Козодеров и др., 2010).

В работах (Козодеров и др., 2007, 2008, 2009) реализуются такие вычислительные процедуры обработки данных многоспектрального и гиперспектрального зондирования, при которых каждый элемент разрешения класса «растительность» отображается в терминах объема фитомассы и других параметров состояния соответствующих объектов. Однако сначала проводится классификация этих объектов как составная часть статистических процедур распознавания их образов на обрабатываемых изображениях.

Цель научно-технологических исследований по развитию приложений данных гиперспектрального аэрокосмического зондирования (Козодеров, Дмитриев, 2010) – повышение роли отечественных разработок, касающихся моделей формирования уходящего излучения, регистрируемого аппаратурой гиперспектрального зондирования, для распознавания природно техногенных объектов и восстановления параметров, характеризующих биологическую продуктивность растительного покрова. Конечная цель – параметризация средообразующей роли лесной растительности в моделях климата (Kozoderov, Dmitriev, 2011).

В работе (Kozoderov, Egorov, 2011) исследуются новые возможности разработки вычислительных процедур распознавания растительности по спектральным признакам гиперспектрального аэрозондирования. При высоком пространственном разрешении аппаратуры распознавание по спектральным признакам уступает место совместному использованию спектральных и текстурных признаков обрабатываемых изображений.

2. Постановка задачи распознавания природно-техногенных объектов по многоспектральным (гиперспектральным) аэрокосмическим изображениям С появлением первых прецизионных космических систем оптического дистанционного зондирования в 1970-х годах возникла необходимость применения методов вычислительной математики для обработки получаемых многоспектральных изображений. Использование данных таких систем было связано с построением моделей переноса излучения в системе «земная поверхность – атмосфера» с точки зрения разработки методов, алгоритмов и программ обработки данных дистанционного зондирования. Первые публикации по этой проблеме (Козодеров, 1978) были направлены на решение прикладных задач учета искажений, вносимых атмосферой как помехой между приемниками излучения и объектами земной поверхности;

решение этих задач стали называть атмосферной коррекции космических изображений и спектров (Козодеров, 1983). Эта часть модельных описаний рассеяния и поглощения солнечного и собственного теплового излучения Земли была посвящена исследованиям влияния атмосферы на регистрируемое спутниковой аппаратурой излучение в разных спектральных диапазонах. Некоторые результаты начального этапа таких прикладных исследований были опубликованы в монографии (Кондратьев и др., 1985), дополненное и переработанное издание которой на английском языке было издано позднее (Kondratyev et al., 1992).

Одновременно развивались аэрокосмические исследования почв и растительности в контексте объединения теоретических и экспериментальных работ по моделированию полей уходящего излучения и дистанционному зондированию соответствующих объектов. Результаты этих исследований были опубликованы в монографии (Кондратьев и др., 1986).

Было издано ее дополненное и переработанное издание с участием зарубежных специалистов (Curran et al., 1990). Приложения разрабатываемых подходов дистанционного аэрокосмического зондирования почвенно растительного покрова в применении к исследованиям биосферы Земли были отражены в другой монографии (Кондратьев и др., 1990).

Указанные биосферно-климатические исследования увязывались с локальными наземными измерениями потоков солнечного и теплового излучения, характеристик тепло-, влаго- и энерго- и массообмена между атмосферой и земной поверхностью. В 1983 году Международными организациями для реализации соответствующих исследований было принято решение о проведении Международного проекта по спутниковой климатологии поверхности суши (International Satellite Land Surface Climatology Project/ISLSCP) (Rasool, Bolle, 1983). Финансирование проекта обеспечивалось Всемирной Метеорологической Организацией (World Meteorological Organization/WMO), Международным Советом Научных Союзов (International Council of Scientific Unions/ICSU), Программой ООН по окружающей среде (United Nations Environmental Program/UNEP), Международной Геосферно-Биосферной Программой/МГБП (International Geosphere-Biosphere Program/IGBP). Сформировался ряд проектов МГБП:

«Международный проект по химии глобальной атмосферы» - International Global Atmospheric Chemistry/IGAC;

«Биосферные аспекты гидрологического цикла» - Biospheric Aspects of the Hydrological Cycle/BAHC;

«Глобальные изменения земных экосистем» - Global Change and Terrestrial Ecosystems/GCTE;

«Глобальные изменения в прошлом» - Past Global Changes/PAGES;

«Глобальный анализ, интерпретация и моделирование» «Данные и Global Analysis, Interpretation and Modeling/GAIM;

информационные системы» - Data and Information Systems/DIS. В разных странах (США, Европа, Австралия и др.) были созданы управляющие группы специалистов по этим проектам.

Проект ISLSCP получил развитие в виде совместных исследований глобальных и региональных процессов (Becker et al., 1988). Считалось, что несмотря на функционирование различных спутниковых систем наблюдений, весьма скудной остается информация о глобальных распределениях энергии, влаги, источниках и стоках двуокиси углерода и других малых газовых примесей атмосферы. Вместе с тем, на малых масштабах отдельных растительных сообществ были накоплены достаточные знания по взаимосвязанным процессам фотосинтеза и эвапотранспирации (совместный эффект испарения влаги и дыхания растительности). Среди достижений того времени можно отметить, например, установленный в полевых условиях экспериментальный факт устьичной регуляции испарения влаги с поверхности живого листа, когда растение по мере приближения к стрессовому состоянию при увеличении внешнего температурного воздействия само создает условия для уменьшения потерь влаги с поверхности листа. Существовали также доказательства проявления отмеченных экофизиологических процессов в регистрируемых при дистанционном зондировании потоках уходящего излучения, которые необходимо было увязать с плотностью распределения хлорофилла – основного пигмента фотосинтезирующей растительности. Соответственно, проект был инициирован для решения научных проблем ISLSCP аэрокосмического мониторинга объектов поверхности суши, включая почвенно-растительный покров, с дальнейшим развитием математических моделей климата при параметризации в них рассматриваемых обменных процессов.

В рамках проекта ISLSCP на выбранной территории штата Канзас, США был организован Первый полевой эксперимент (the First ISLSCP Field В 1987 году были проведены так называемые Experiment/FIFE).

«интенсивные полевые кампании», когда специалисты разного профиля проводили согласованно наземные измерения, которые были объединены с прохождением спутников разных стран над выбранной территорией.

Измерения были продолжены в 1989 году с участием специалистов США, России, Канады, Франции и Великобритании (Sellers et al., 1990). Это был первый эксперимент, в котором одновременно использовались данные дистанционного аэрокосмического зондирования и данные измерений радиационных, биометрических и других характеристик на специально оборудованных наземных тестовых участках. Ставились задачи: 1) построения интегральных моделей разных масштабов (upscaling) при переходе от отдельных биометеорологических измерений до масштабов в километр и более;

2) валидации (наземного подтверждения) результатов обработки аэрокосмических изображений.

Наземная часть полевой кампании FIFE была организована на отдельных тестовых участках выбранной территории размером 15 х 15 км.

Были задействованы данные спутниковых систем разных стран, проведены самолетные, вертолетные и наземные измерения на выбранной территории.

Исследования проводились по отдельным направлениям: «Атмосферный пограничный слой» (Atmospheric Boundary Layer/ABL);

«Излучение у поверхности и биология» (Surface Radiation and Biology/SRB);

«Солнечные и тепловые потоки у поверхности» (Surface Fluxes/SF);

«Влажность почвы»

(Soil Moisture/SM);

«Коррекция и калибровка разных типов измерительной аппаратуры» (Correction and Calibration/CC). Были показаны реальные возможности объединения усилий специалистов разных стран для решения возникающих междисциплинарных задач. Публикации полученных результатов касались всех перечисленных направлений (Sellers et al., 1992), включая приложения данных обработки Российских спутниковых систем (Kozoderov et al., 1992).

Продолжением полевой кампании стал международный FIFE эксперимент в Курской области России в 1991 году с участием специалистов из США (Козодеров, 1991). Результаты совместных исследований в рамках данного проекта опубликованы в сборнике (Kozoderov, Deering, 1998).

Основные объекты исследований в обеих указанных кампаниях – травянистая растительность степной зоны на выделенных тестовых участках.

Во взаимосвязи со спутниковыми наблюдениями и данными интеркалибровки разных типов измерительной аппаратуры наземных измерений и дистанционного зондирования изучались процессы в приземных слоях атмосферы, взаимосвязи между характеристиками регистрируемого солнечного (теплового) излучения и биологическими образцами растительной биомассы, турбулентные потоки тепла и влаги у земной поверхности, образцы проб влажности почв и т.д.

Были рассмотрены характерные особенности формирования уходящего излучения от лесного полога разной плотности при наличии освещенных и затененных фитоэлементов (Козодеров, Косолапов, 1992). Исследования охватывали модельное описание множества всех возможных состояний системы для разных типов спектральной отражательной способности освещенных и затененных фитоэлементов на кронах, в межкроновом пространстве и при многократном рассеянии излучения между этими фитоэлементами и подстилающей поверхностью. При рассмотрении этих новых возможностей моделирования формирования уходящего от растительного полога излучения использовалось понятие информационные меры регистрируемых данных (Kozoderov, 1995). Было введено также понятие функционала интенсивности уходящего излучения от полога разной плотности при различной ажурности крон, что позволило перейти от упрощенного одномерного описания структуры растительного покрова к более реалистичному трехмерному описанию полога. При этом учитывались характерные особенности листовой поверхности, межкронового пространства и затенений фитоэлементов, многократного рассеяния излучения внутри частично освещенного и частично затененного полога (Козодеров и др., 2006).

С появлением первых систем самолетного гиперспектрального зондирования в 1990-е годы открылись новые возможности развития указанных приложений. Информационное содержание данных такого зондирования стало существенно выше, чем первых систем многоспектрального зондирования. Увеличилось и пространственное разрешение гиперспектральных изображений (в настоящее время достигает м с самолетных высот около 2 км). Соответственно, изменилась и постановка задач развития приложений данных гиперспектрального зондирования. При таком высоком спектральном и пространственном разрешении появляется необходимость рассмотрения тонких нюансов прикладных исследований, которые не представляли особого интереса при более грубом разрешении.

Речь идет о взаимном влиянии пикселей (контекстуальном распознавании) при обработке таких изображений, поскольку объектом является, например, целый лесной массив определенного породного состава с освещенными и затененными отдельными пикселями, характеризующими не только отдельно стоящее дерево, но и целый класс соответствующих объектов. Возникает необходимость правильного толкования понятия «распознаваемый класс объектов» при обучении используемого классификатора (вычислительной процедуры) по тестовой выборке.

Главная цель приложения компьютерных моделей обработки данных дистанционного оптического зондирования – определение целевой функции оптимального решения проблемы видения природно-техногенных объектов и нахождения этого оптимального решения. Причина оптимизации – в необходимости учета неопределенностей в интерпретации тех изображений, которые наблюдаются по данным дистанционного зондирования.

Оптимизация предполагает поиск информационной меры соответствия между разными влияющими факторами при решении рассматриваемых прикладных задач. На первый план выдвигается изучение контекстуальных сложностей в интерпретации конкретной сцены, когда отображенные на ней объекты распознаются в контексте их характерных признаков на нижнем уровне представления, а эти признаки идентифицируются на еще более низком уровне формального описания объектов. В свою очередь это описание формируется в контексте наличия отдельных элементов разрешения (пикселей) на самом низком уровне рассмотрения проблемы.

Нижний уровень обработки изображений включает их сегментацию, восстановление особенностей земной поверхности (текстура, обнаружение границ объектов и т.п.). Более высокий уровень обработки содержит соединение (matching) объектов и их распознавание.

Теория Марковских случайных полей (МСП, Markov Random Field – MRF) обеспечивает необходимый уровень моделирования контекстуально зависимых величин, увязывая пиксели на изображении и пространственно коррелированные признаки объектов (Li, 1995). Взаимные воздействия этих величин описываются в терминах вероятностей Марковских случайных полей. Эквивалентность МСП и распределений Гиббса (они будут рассмотрены ниже) создает основу для использования вычислительного формализма Байесовских классификаторов и применения локальных и массивно параллельных вычислительных средств.

Теория МСП служит для нахождения априорной вероятности контекстуально связанных образов объектов (patterns). Эта теория объединяется со статистическими правилами принятия решений для представления целевых функций в терминах устанавливаемых принципов оптимизации. Максимум апостериорной вероятности (Maximum a Posteriori Probability - MAP) – наиболее известный статистический критерий оптимальности. В рамках MAP-MRF удается соединить значения совместной апостериорной вероятности с метками соответствующих классов объектов, описываемых теорией МСП. Эта теория увязывает методы извлечения контекстуальной информации с процессом использования так называемых нечетких (fuzzy) множеств при нахождении границ между разными классами объектов на обрабатываемых изображениях (Tso, Olsen, 2005). Развитие этих подходов для распознавания природно-техногенных объектов и восстановления параметров биологической продуктивности лесной растительности с целью параметризации средообразующей роли лесов в моделях климата по данным гиперспектрального дистанционного зондирования изложено в работе (Козодеров, Дмитриев, 2012).

3. Сбор, анализ и систематизация имеющихся данных предшествующих лётных испытаний отечественной аппаратуры гиперспектрального аэрозондирования выбранной территории и данных ее наземной лесотаксации В 2011 году с помощью гиперспектральной камеры (ГСК) разработки НПО «Лептон», г. Зеленоград была проведена лётная кампания гиперспектральных съемок участков Тверского полигона с различным типом рельефа, водных объектов, растительных ассоциаций и антропогенных зон.

Для проведения самолетных съемок было необходимо:

– выбрать участки Тверского полигона с различным типом рельефа, водных объектов, растительных ассоциаций и антропогенных зон;

– провести подготовку самолета АН-2, летного состава, аппаратуры, отработать взаимодействия участников съемки и составить план облета выбранных участков (маршрутные задания);

– провести первичную обработку данных гиперспектральной- и фото съемки.

Основным тестовым участком Тверского полигона по растительным ассоциациям был выбран район нового карьера около г.Тверь (рис.1). Размер участка составил примерно 4х3 км (12 кв.км.). В таблице 1 приведены координаты границ полигона (см. также рис. 2).

Рис. 1. Район выполнения полетного задания и тестовый участок вблизи г. Тверь.

Таблица 1. Координаты границ тестового участка.

№ точки координаты градусы минуты секунды п1 широта 56 49 24. долгота 36 2 6. п2 широта 56 49 24. долгота 36 6 6. п3 широта 56 47 41. долгота 36 6 6. п4 широта 56 47 41. долгота 36 2 6. Рис. 2. Основные объекты тестового участка.

Такой выбор обусловлен, с одной стороны широким разнообразием ассоциаций, с другой – доступностью данного участка для наземных обследований. На этом же участке расположены водные объекты (рис.2):

1 – искусственный песчаный карьер;

2 – участок реки Волга (до Иваньковского водохранилища);

3 – противопожарный водоем;

4 – участок болота.

Антропогенные зоны представлены городской ТЭЦ-3 и свалкой. В таблице 2 представлены координаты центров антропогенных объектов.

Таблица 2. Координаты антропогенных объектов существенно влияющих на локальную прозрачность атмосферы.

объект координаты градусы минуты секунды ТЭЦ-3 широта 56 54 19. долгота 35 54 22. СВАЛК широта 56 55 54. А долгота 36 59 17. Процедуры доступа для каждого обрабатываемого файла создают структуру системы глобального спутникового позиционирования (GPS), которая имеет следующие поля;

1. GPS.Date – дата съемки (далее идут потоковые данные, принимаемые по ходу ведения съемки).

2. Время:

GPS.time.hour – часы;

GPS.time.minute – минуты;

GPS.time.second – секунды;

3. Широты:

GPS.latitude.degree – градусы;

GPS.latitude.minute – минуты;

GPS.latitude.hemisphere – полушарие (северное N/южное S).

4. Долготы:

GPS.longitude.degree – градусы;

GPS.longitude.minute – минуты;

GPS.longitude.hemisphere – полушарие (западное W/восточное E).

5. GPS.quality - качество принимаемой информации (0 - ошибка, 1 - GPS, 2 - DGPS т.е. с наземной коррекцией).

6. GPS.Nsatellites - число спутников.

7. GPS.HorDelutionOfPrec - относительная точность горизонтального позиционирования (1 – 3 отлично, 4-6 – хорошо, остальное с нашей задаче использовать не рекомендуется).

8. Высота над уровнем моря:

GPS.SeaLevelAltitude.value - значение;

GPS.SeaLevelAltitude.unit - единица измерения.

Для отображения GPS информации создаются файлы в формате *.kml, которые можно импортировать в стандартные ГИС. На данный момент существует возможность отображения трека на уровне земли и на высоте полета. При этом контролируются изменения высоты полета, которые ведут к различию в пространственном разрешении отдельных кадров и, соответственно, к нелинейным искажениям изображения. Соответствующие примеры для Тверского полигона приведены на рис. 3.

Рис. 3. Отображение 13 самолетных треков для территории Тверского полигона на уровне поверхности земли (красные линии). Края треков обозначены зелеными метками (кнопками). Подписи содержат название сцены и суффикс, указывающий на начало и конец трека.

Создание базы модельных данных спектров яркости отраженного 4.

излучения для древостоев различных возрастов Для составления базы данных модельных расчетов нас интересовали только выделы со сравнительно однородным породным составом. Были получены достаточно большие выборки регистрируемых значений спектральных плотностей энергетической яркости (СПЭЯ) для сосны, березы, осины и вяза. Результаты представлены в таблице 3. Наибольшее разрешение по возрасту получилось для сосновых древостоев (14 возрастных градаций). В данном случае можно полноценно определить зависимость СПЭЯ от возраста. Для березы это также можно сделать, но скорее на качественном уровне.

Таблица 3. Параметры ансамблей СПЭЯ однородных древостоев.

Порода Возраст Количество Наименование спектров трека-источника 13 1046 2011-08-12=11-10- 16 2428 2011-08-12=11-31- Сосна 26 2061 2011-08-12=12-05- 36 447 2011-08-12=11-10- 47 5025 2011-08-12=11-17- 56 1807 2011-08-12=11-46- 66 7551 2011-08-12=11-52- 76 1557 2011-08-12=11-52- 76 4019 2011-08-12=11-59- 86 2055 2011-08-12=11-46- 96 3156 2011-08-12=11-38- 106 2191 2011-08-12=11-59- 116 644 2011-08-12=11-24- 126 1932 2011-08-12=11-04- 136 695 2011-08-12=11-46- 16 1729 2011-08-12=11-31- Береза 51 1634 2011-08-12=11-38- 71 5656 2011-08-12=11-46- Осина 11 2545 2011-08-12=11-38- Вяз – 534 2011-08-12=10-47- Изображения лесного полога имеют характерную текстуру, которую составляют перемежающиеся освещенные и затененные участи крон, а также межкроновые просветы. СПЭЯ отраженного излучения освещенных участков определяется в основном оптическими свойствами кроны, текущими атмосферными условиями и высотой солнца. При этом ГСК обеспечивает достаточно хорошее соотношение сигнал/шум.

Отражение затененными участками крон происходит гораздо более сложным образом. Здесь начинает играть роль многократное рассеяние света внутри кроны и спектральные свойства подстилающей поверхности. Кроме того, уровень сигнала ГСК значительно ниже и влияние собственной шумовой составляющей на формирование СПЭЯ отраженного излучения гораздо более существенно, чем для освещенной части кроны.

Освещенные и затененные участи кроны могут быть разделены на основе значений интегральной яркости (СПЭЯ интегрируется методом трапеций по всем центральным длинам волн измерительных каналов ГСК).

Для полученных обучающих выборок были рассчитаны интегральные яркости и разделены на 7 градаций с помощью процентных интервалов.

Указанный метод работает следующим образом. Отрезок от 0 до 1 делится на заданное число равных частей. Затем рассчитывается эмпирическая функция распределения вероятностей и реализация попавшая в один из интервалов относится к соответствующей градации.

На рис. 4 представлены СПЭЯ молодого (13 лет) соснового древостоя с однородным породным составом. Наиболее темная градация выделена красным цветом. При увеличении яркости цвета переходят к фиолетовому и завершаются черным цветом. Можно видеть, что наибольшее различие между СПЭЯ освещенных и затененных участков происходит в ближнем инфракрасном диапазоне. В видимой части спектра практически сливаются.

Рис. 4. Распределение СПЭЯ соснового древостоя с однородным породным составом и возрастом 13 лет. Цветами обозначены градации интегральной яркости (7 градаций, процентные интервалы красный-желтый-...-фиолетовый-черный).

При решении задачи распознавания породного состава лесных выделов кажется затруднительным опираться непосредственно на значения соответствующих СПЭЯ, поскольку различие между спектрами отражения различных пород (а тем более возрастов) может быть гораздо более менее выраженным, чем различие между затененными и освещенными участками.

Кроме того значения СПЭЯ существенным образом зависят от высоты солнца и текущих атмосферных условий. Для того, чтобы сделать алгоритм распознавания более универсальным, необходимо в качестве признаков использовать либо СПЭЯ нормализованные на интегральную яркость (рис.

5), либо так называемые относительные уровни СПЭЯ (рис. 6).

Рис. 5. Распределение нормализованной (на интегральную яркость) СПЭЯ соснового древостоя с однородным породным составом и возрастом 13 лет.

Цветами обозначены градации интегральной яркости (7 градаций).

Рис. 6. Относительный уровень СПЭЯ (максимум насыщенности) соснового древостоя с однородным породным составом и возрастом 13 лет. Цветами обозначены градации интегральной яркости (7 градаций).

Сравнивая данные рис. 5 и рис. 6, заметим, что в обоих случаях спектры соответствующие различным градациям интегральной яркости практически сливаются. Это обусловлено тем, что для молодых древостоев характерна незначительная изрезанность верхней границы полога. Кроме того, сами размеры крон таковы, что не разрешаются ГСК – характерный размер порядка 1 м. Таким образом, практически каждый пиксель содержит и освещенные и затененные участки. Текстура таких выделов, как правило, выглядит значительно более гладкой, чем для приспевающих или даже средневозрастных древостоев. Этот вывод можно видеть из сравнения данных рис. 7 и рис. 4, на которых изображены градации СПЭЯ приспевающего и молодого сосновых древостоев, соответственно. В возрасте 66 лет крона и соответствующее межкроновое пространство разрешается несколькими пикселями ГСК. Градации на рис. 7 ярко выражены как в инфракрасной, так и в видимой части спектра. Градации освещенной части кроны имеют существенные вариации.

Рис. 7. Распределение СПЭЯ соснового древостоя с однородным породным составом и возрастом 66 лет. Цветами обозначены градации интегральной яркости (7 градаций, процентные интервалы красный-желтый-...-фиолетовый-черный).

По полученным ансамблям спектров были сформированы информационные слои, составляющие основу модели формирования отраженного солнечного излучения формируемое лесной растительностью.

Для каждой породы и каждого возраста были сформированы 3 наиболее информативные градации в зависимости от доли диффузной падающей радиации. На основе этих данных можно моделировать измерения ГСК при различных значениях проекционных характеристик лесного полога (плотность и сомкнутость крон). Соответствующие данные от исходных СПЭЯ, нормализованных СПЭЯ и относительных уровней СПЭЯ были сохранены в виде массивов-ячеек (каждая ячейка содержит отдельную породу).

При решении обратной задачи восстановления проекционных характеристик предпочтительнее производить поиск частных решений в базе данных нормализованных яркостей. Привлечение модельных данных, построенных по исходным значениям СПЭЯ, как правило, требует дополнительной подстройки для каждой породы. На рис. 8 представлены информационные слои нормализованных СПЭЯ отраженного излучения.

Видно, что для всех возрастов слой, соответствующий полностью затененной части кроны более выражен в видимом диапазоне и в каналах, с центральной длиной волны более 920 нм. Для каналов в промежутке между 710 и 920 нм наиболее выражен слой освещенной части полога. Переходный слой просматривается в районе 910 нм. Расстояние между слоями определяет информативность спектральных каналов при восстановлении проекционных характеристик. При слиянии слоев, каналы будут нечувствительны к изменению плотности и сомкнутости крон.

Отклонение нормализованных СПЭЯ сосновых древостоев от среднего спектра по возрасту (рис. 9) имеет совершенно различное поведение в зависимости от спектрального диапазона. Практически во всех каналах видимого диапазона (до 740 нм) можно наблюдать достаточно гладкое возрастание отражательной способности вплоть до возраста 80 лет (периода спелости). Далее с увеличением возраста эта тенденция выражена гораздо меньше, однако гладкость зависимости сохраняется. Для ближней инфракрасной области характерны достаточно сильные колебания, видимо имеющие случайный характер. Наибольшие колебания соответствуют каналам вблизи линии поглощения кислорода. По всей видимости это связано с тем, что для этих каналов сигнал ГСК искажен наиболее существенным образом (по абсолютной величине). Таким образом, по имеющимся данным говорить о построении параметризации возрастной зависимости в данном диапазоне достаточно сложно.

Рис. 8. Информационные слои спектров отраженного излучения, формируемого пологом сосновых древостоев различного возраста: синий – затененная часть полога, зеленый – переходная градация (пиксель освещен примерно на половину), красный – полностью освещенная часть полога.

Рис. 9. Отклонение нормализованных СПЭЯ сосновых древостоев от среднего спектра по возрасту (полностью освещенная часть полога).

На рис. 10 представлены поканальные зависимости нормализованных спектральных яркостей от возраста. На левой части рисунка изображены все каналы. Видно, что СПЭЯ в каналах видимого ближнего инфракрасного диапазонов имеют принципиально различное поведение. В правой части рисунка выделены каналы видимого диапазоны. Представленные кривые подтверждают выводы сделанные выше об общей тенденции изменений СПЭЯ. Внутренние, хорошо заметные колебания СПЭЯ с периодом порядка 40 лет пока объяснить не удается.

Рис. 10. Поканальная зависимость нормализованных СПЭЯ отраженного излучения для сосновых древостоев (полностью освещенная часть полога). Цвета соответствуют центральным длинам волн спектральных каналов (черные кривые – ближний инфракрасный диапазон). Слева – все каналы, справа – каналы видимой части спектра.

Рис. 11. Информационные слои спектров отраженного излучения, формируемого пологом березовых древостоев различного возраста: синий – затененная часть полога, зеленый – переходная градация (пиксель освещен примерно на половину), красный – полностью освещенная часть полога.

По березовым древостоям выводы можно сделать лишь на качественном уровне вследствие меньшего объема информации по ним. Взаимное расположение информационных слоев остается прежним (рис. 11): слой, соответствующий полностью затененной части кроны, более выражен в видимом диапазоне и в каналах ближнего инфракрасного в районе линии поглощения водяного пара. Что касается тенденций зависимости СПЭЯ от возраста (рис. 12, рис.13), можно также увидеть возрастание отражательной способности при движении от молодого до приспевающего возраста включительно и стабилизацию для спелых древостоев в видимом диапазоне.

Последнее имеет исключение для каналов зеленого диапазона (СПЭЯ продолжает увеличиваться). В ближнем инфракрасном диапазоне наблюдаются либо постоянные значения СПЭЯ, либо отрицательные тренды.

Можно отметить резкий рост СПЭЯ в каналах 710 нм в возрасте 50-70 лет, который отсутствует у сосновых насаждений.

Рис. 12. Отклонение нормализованных СПЭЯ березовых древостоев от среднего спектра по возрасту (полностью освещенная часть полога).

Рис. 13. Поканальная зависимость нормализованных СПЭЯ отраженного излучения для березовых древостоев (полностью освещенная часть полога). Цвета соответствуют центральным длинам волн спектральных каналов (черные кривые – ближний инфракрасный диапазон). Слева – все каналы, справа – каналы видимой части спектра.

В итоге проведенного прикладного исследования было показано, что реализация разрабатываемой информационной технологии открывает новые возможности получения объективной информации о связи возраста лесных экосистем разного породного состава с качеством древесины (бонитетом).

Дополнительная установка аппаратуры лидарного зондирования на ту же самую самолетную платформу, что и ГСК, позволит создать уникальный аппаратно-программный комплекс определения трехмерной структуры лесного полога разной плотности, включая определение высоты древостоев.

Этот комплекс будут способствовать разработке дистанционного управления мониторинга лесного хозяйства и компьютерных приложений для поддержки принятия региональных решений ЗАКЛЮЧЕНИЕ На основании обзора литературных источников было выбрано основное направление исследований, состоящее в построении оптимальных классификаторов для распознавания образов разных типов природных объектов, в первую очередь, лесных экосистем. Были разработаны необходимые форматы хранения данных гиперспектральных самолетных измерений, проведена их радиационная коррекция, обоснованы особенности интерактивной визуализации данных. Была разработана методика стандартного наименования файлов с данными измерений, трансформированных гиперспектральных изображений, результатов тематической обработки и различных информационных файлов. Данная стандартизация позволяет быстро осуществлять как визуальную, так и автоматизированную идентификацию необходимой информации. Получены результаты валидации распознавания объектов природно-техногенной сферы на основе гиперспектральных самолетных изображений, полученных в ходе предыдущих измерительных кампаний в Тверской области. Создан макет оригинальной вычислительной системы обработки данных самолетного зондирования отечественной гиперспектральной аппаратуры производства НПО «Лептон». С помощью этой системы можно решать следующие прикладные задачи: преобразование исходных данных;

коррекция и трансформация данных;

географическая привязка;

визуализация и первичный анализ;

формирование обучающих ансамблей;

распознавание различных пород лесной растительности.

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ Дмитриев Е.В., Каменцев В.П., Каркач А.С., Козодеров В.В. Программа первичного анализа гиперспектральных изображений и построения обучающих выборок. Свидетельство о государственной регистрации программы для ЭВМ №2011616810. Заявка №2011615000. Дата поступления 7 июля 2011 г. Зарегистрировано в Государственном реестре программ для ЭВМ 1 сентября 2011 г.

Козодеров В.В. Оценка искажающего влиянии атмосферы при дешифрировании природных образований из космоса. Сб. «Аэрокосмические исследования Земли. Обработка видеоинформации с использованием ЭВМ».

М., Наука, 1978, с.24-35.

Козодеров В.В. Атмосферная коррекция видеоизображений. Исследование Земли из космоса, 1983, №2, с.65-75.

Козодеров В.В. Международный аэрокосмический эксперимент «Курск-91». Исследование Земли из космоса, 1991, №6, с.125-126.

Козодеров В.В., Косолапов В.С. Оптическое зондирование биосферы по многоспектральным аэрокосмическим изображениям. Оптика атмосферы, 1992, т.5, №8, с.852-859.

Козодеров В.В. Особенности реализации моделей оценки фитомассы растительности по наблюдениям из космоса. Исследование Земли из космоса, 2006, №2, с.79-88.

Козодеров В.В., Кондранин Т.В., Косолапов В.С., Головко В.А., Дмитриев Е.В. Восстановление объема фитомассы и других параметров состояния почвенно-растительного покрова по результатам обработки многоспектральных спутниковых изображений. Исследование Земли из космоса, 2007, №1, с.57-65.

Козодеров В.В., Кондранин Т.В., Дмитриев Е.В., Егоров В.Д., Борзяк В.В. Инновационная технология обработки многоспектральных космических изображений земной поверхности. Исследование Земли из космоса, 2008, №1, с.56-72.

Козодеров В.В., Кондранин Т.В., Казанцев О.Ю., Бобылев В.И., Щербаков М.В., Борзяк В.В., Дмитриев Е.В., Егоров В.Д., Каменцев В.П., Беляков А.Ю., Логинов С.Б. Обработка и интерпретация данных гиперспектральных аэрокосмических измерений для дистанционной диагностики природно-техногенных объектов. Исследование Земли из космоса, 2009, №2, с.36-54.

Козодеров В.В., Дмитриев Е.В. Аэрокосмическое зондирование почвенно-растительного покрова: модели, алгоритмическое и программное обеспечение, наземная валидация. Исследование Земли из космоса, 2010, №1, с.69-86.

Козодеров В.В., Кондранин Т.В., Райкунов Г.Г., Казанцев О.Ю., Белоцерковский А.В., Асташкин А.А., Бобылев В.И., Дмитриев Е.В., Каменцев В.П., Борзяк В.В., Щербаков М.В., Лесуновский А.А. Аэрокосмическая гиперспектрометрия: летные испытания аппаратуры, программно-алгоритмическое обеспечение обработки данных. Исследование Земли из космоса, 2010, №5, с.59-68.

Козодеров В.В. Способ распознавания образов природно-техногенных объектов и оценки параметров их состояния по гиперспектральным данным аэрокосмического зондирования. Патент на изобретение №2422858.

Заявка №2010104429. Приоритет изобретения 10 февраля 2010 г. Зарегистрировано в Государственном реестре изобретений Российской Федерации 27 июня 2011 г.

Козодеров В.В., Кондранин Т.В., Дмитриев Е.В., Каменцев В.П. Исследование лесных и торфяных пожаров по данным гиперспектрального аэрозондирования. Исследование Земли из космоса, 2011, №5, с.70-79.

Козодеров В.В., Дмитриев Е.В. Дистанционное зондирование лесного покрова: инновационный подход.

Вестник Московского государственного университета леса. Лесной вестник, 2012, №1, с.19-33.

Кондратьев К.Я., Смоктий О.И., Козодеров В.В. Влияние атмосферы на исследования природных ресурсов из космоса. М., Машиностроение, 1985, 272 с.

Кондратьев К.Я., Козодеров В.В., Федченко П.П. Аэрокосмические исследования почв и растительности. Л., Гидрометеоиздат, 1986, 232 с.

Кондратьев К.Я., Козодеров В.В., Федченко П.П., Топчиев А.Г. Биосфера: методы и результаты дистанционного зондирования. Л., Гидрометеоиздат, 1990, 224 с.

Becker F., Bolle H.-J., Rowntree P.R. The International Satellite Land Surface Climatology Project. ISLSCP Report No.10, 1988, ISLSCP Secretariat, Berlin, F.R.G., 100 p.

Dalponte M., Bruzzone L., Gianelle D. Fusion of hyperspectral and LIDAR remote sensing data for classification of complex forest areas. IEEE Transactions on Geoscience and Remote Sensing, 2008, 46 (5), p.1416-1427.

Curran P.J., Foody G.M., Kondratyev K.Ya., Kozoderov V.V., Fedchenko P.P. Remote sensing of soils and vegetation in the USSR. London, Taylor and Francis, 1990, 203 p.

Kondratyev K.Ya., Kozoderov V.V., Smokty O.I. Remote sensing of the Earth from space: atmospheric correction.

Heidelberg, Springer-Verlag, 1992, 478 p.

Korpela I., Orka H.O., Heikkinen V., Tokola T., Hyypaa J. Range and AGC normalization of LIDAR intensity data for vegetation classification. ISPRS Journal of Photogrammetry and Remote Sensing, 2010, 65, 369-379.

Kozoderov V. V., Vandysheva N.M., Maslov A.V., Panfilov A.S., Vedeshin L.A. Cosmos 1939 data processing for FIFE 1989. Journal of Geophysical Research, 1992, v.97, No.D17, p.18,779-18,784.

Kozoderov V. V. A scientific approach to employ monitoring and modeling techniques for Global Change and Terrestrial Ecosystems and other related projects. Journal of Biogeography, 1995, v.22, p.927-933.

Kozoderov V. V., Deering D.W., Editors. KUREX-91 (the International Experiment in Kursk region, Russia). Remote Sensing Reviews, 1998, v.17, No.1-4, 335 p.

Kozoderov V.V., Dmitriev E.V. Remote sensing of soils and vegetation: regional aspects. International Journal of Remote Sensing, 2008, v.29, No.9, p.2733-2748.

Kozoderov V.V., Dmitriev E.V. Remote sensing of soils and vegetation: pattern recognition and forest stand structure assessment. International Journal of Remote Sensing, 2011, v.32, No.3, p.5699-5717.

Kozoderov V.V., Egorov V.D. Vegetation pattern recognition using hyperspectral air sounding data. Izvestiya, Atmospheric and Oceanic Physics, Pleiades Publishing, distributed by Springer, 2011, v.32, No.9, p.1135-1142.

Li S. Z. Discontinuity-adaptive MRF prior and robust statistics: A comparative study. Image and Vision Computing, 1995, 13(4), p.227-233.

Plaza A., Benediktsson J.A., Boardman J.W., Brazile J., Bruzzone L., Camps-Valls G., Chanussot J., Fauvel M., Gamba P., Gualtieri A., Marconcini M., Tilton J.C., Trianni G. Recent advances in techniques for hyperspectral image processing. Remote Sensing of Environment, 2009, 113, S110–S122.

Rasool S.I., Bolle H.-J. Implementation plan for the International Satellite Land Surface Climatology Project (ISLSCP).

ISLSCP Report No.1, 1983, National Center for Atmospheric Research, Boulder, Co., 70 p.

Sellers P.J., Rasool S.I., Bolle H.-J. A review of satellite data algorithms for studies of the land surface. Bulletin of American Meteorological Society, 1990, v.71, No.10, p.1429-1447.

Sellers P.J., Hall F.G., Asrar G., Strebel D.E., Murphy R.E. An overview of the First International Satellite Land Surface Climatology Project (ISLSCP) Field Experiment (FIFE). Journal of Geophysical Research, 1992, v.97, No.D17, p.18,345-18,371.

Tso D., Olsen R.C. A contextual classification scheme bsed on MRF model with improved parameter estimation and multiscale fuzzy line process. Remote Sensing of Environment, 2005, 97, p.127-136.

Vauhkonen J., Tokola T., Packalen P., Maltamo M. Identification of Scandinavian commercial species of individual trees from airborne laser scanning data using alpha shape metrics. Forest Science, 2009, 55, p.37–47.

ПРИЛОЖЕНИЕ Список опубликованных статей, тезисов и заявок участников проекта Опубликованные статьи:

1. Козодеров В.В., Дмитриев Е.В. Дистанционное зондирование лесного покрова:

инновационный подход // Вестник Московского государственного университета леса Лесной Вестник. 2012. № 1(84). С. 19-33.

2. Козодеров В.В., Кулешов А.А. Моделирование лесных пожаров и наблюдение разных стадий их развития по данным гиперспектрального аэрокосмического зондирования // Исследование Земли из космоса. 2012. №1. С.29-39.

3. Козодеров В.В. Применение данных оптического дистанционного зондирования для изучения природно-климатических процессов // Климат и природа. 2012. №2 (3). С.3-16.

4. Козодеров В.В., Кондранин Т.В., Дмитриев Е.В., Казанцев О.Ю., Персев И.В., Щербаков М.В. Обработка данных гиперспектрального аэрокосмического зондирования // Исследование Земли из космоса. 2012. №5. С.3-11.

5. Козодеров В.В., Дмитриев Е.В., Каменцев В.П., Каркач А.С. Программно-алгоритмическое обеспечение решения задачи распознавания природно-техногенных объектов по гиперспектральным аэрокосмическим изображениям // Современные проблемы дистанционного зондирования Земли из космоса. 2012. Т.9. №3. С.55-64.

Труды:

6. Дмитриев Е.В., Козодеров В.В., Соколов А.А., Щербаков М.В., Каменцев В.П. Аппаратно программная система гиперспектрального аэрозондирования природно-техногенных объектов // Труды Международной конференции и школы молодых ученых по измерениям, моделированию и информационным системам для изучения окружающей среды:

ENVIROMIS-2012, 24 июня - 2 июля 2012 года, Иркутск, Россия, с. 39-43.

7. Соколов А.А., Дмитриев Е.В., Дельбар Э., Огюстэн П., Нюне Г. Исследования влияния локальной атмосферной динамики на распространение загрязнений в прибрежной урбанизированной зоне // Труды Международной конференции и школы молодых ученых по измерениям, моделированию и информационным системам для изучения окружающей среды: ENVIROMIS-2012, 24 июня - 2 июля 2012 года, Иркутск, Россия, с. 191-193.

8. Сушкевич Т.А., Козодеров В.В., Кондранин Т.В., Стрелков С.А., Дмитриев Е.В., Максакова С.В. Параллельные вычисления в задачах космического экологического мониторинга и гиперспектрального дистанционного зондирования Земли // Сборник трудов Международной суперкомпьютерной конференции «Научный сервис в сети Интернет: поиск новых решений», г. Новороссийск, 17-22 сентября 2012 года, М., изд. МГУ, с. 320-324.

Тезисы:

9. Козодеров В.В., Кондранин Т.В., Дмитриев Е.В., Егоров В.Д., Борзяк В.В. Проблемы оптимизации гиперспектральных каналов аэрокосмического зондирования в задачах распознавания природно-техногенных объектов // Тезисы доклада в Трудах VI Всероссийской конференции «Актуальные проблемы прикладной математики и механики», посвященной памяти академика А.Ф.Сидорова, г. Новороссийск, Абрау-Дюрсо, 10- сентября 2012 года, Екатеринбург, изд. Уральского отделения РАН, с.41-43.

10. Козодеров В.В., Дмитриев Е.В., Егоров В.Д., Каменцев В.П. Распознавание объектов поверхности суши по гиперспектротральным самолетным изображениям // Тезисы доклада в Трудах Х Всероссийской конференции «Современные проблемы дистанционного зондирования Земли из космоса», М., изд. ИКИ РАН, 12-16 ноября 2012 года, с.11.

11. Dmitriev E.V., Kondranin T.V., Kozoderov V.V., Sushkevich T.A. Hyperspectral land surface remote sensing using a VNIR airborne imaging spectrometer // International Conference SPIE Asia Pacific Remote Sensing, 29 October - 1 November 2012, Kyoto, Japan. P. 37.

Принятые в печать Соколов А.А., Огюстэн П., Дмитриев Е.В., Дельбар Э., Тальбо Ш., Фурмантэн М.

Моделирование локальной атмосферной динамики в прибрежном регионе Дюнкерка // Метеорология и гидрология. 2013.

Дмитриев Е.В. Классификация лесного покрова Тверской области на основе гиперспектральных аэроизображений // Исследование Земли из космоса. 2013.

Козодеров В.В., Кондранин Т.В., Дмитриев Е.В., Каменцев В.П. Вычислительная система обработки данных гиперспектрального аэрокосмического зондирования // Научно техническая конференция «Гиперспектральные приборы и технологии». Красногорск, 17- января 2013.

Заявки, поданные 5 октября 2012г.

Программа 1: Программа пакетной трансформации гиперспектральных изображений и ансамблей обучающих выборок.

Авторы: Дмитриев Егор Владимирович, Каменцев Владимир Петрович, Козодеров Владимир Васильевич Правообладатель: Тверской государственный университет.

Программа 2: Программа извлечения и коррекции потоковых данных гиперспектрометров производства НПО Лептон.

Авторы: Дмитриев Егор Владимирович, Каменцев Владимир Петрович, Козодеров Владимир Васильевич Правообладатель: Тверской государственный университет.



 




 
2013 www.netess.ru - «Бесплатная библиотека авторефератов кандидатских и докторских диссертаций»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.