Найти

Результаты поиска

• LULC-АНАЛИЗ ЗЕМЛЕПОЛЬЗОВАНИЯ С ИСПОЛЬЗОВАНИЕМ НЕКОНТРОЛИРУЕМОЙ КЛАССИФИКАЦИИ

  Ранджана Уаман Гор , Ратнадип Р. Дешмух , Приянка У. Рандив , Мишра Абхилаша, И. Б. Аббасов

  2020-10-11

  Аннотация ▼

  Землепользование и растительный покров являются естественным состоянием поверхно-
  сти земли. Дистанционное зондирование - очень важный метод изучения землепользования
  (LULC). Для анализа земного покрова при дистанционном зондировании используются различные
  методы классификации. Данные методы не требуют предварительную информацию о земном
  покрове или типах землепользования. Наиболее часто для анализа изображений, полученных с
  помощью дистанционного зондирования, используют два метода классификации. К ним отно-
  сятся контролируемая классификация и неконтролируемая классификация. Целями предлагаемой
  работы являются использование неконтролируемых методов классификации для поиска класте-
  ров, по определению типов землепользования и сравнение данных методов с интерактивным
  анализом данных самоорганизации (ISODATA). Для анализа землепользования были использованы
  изображения датчика Hyperion. Датчик Hyperion имеет двести сорок две полосы, однако немно-
  гие полосы содержат полезную информации для спектрального анализа. Поэтому полосы, не
  содержащие полезную информацию выявляются и удаляются. После обработки входного изо-
  бражения по данному алгоритму из двухсот сорока двух полос остаются только сто шестьде-
  сят пять полос. При этом учитываются радиометрическая калибровка и немаловажная кор-
  рекция атмосферных факторов. Затем по результатам обработки с применением предложен-
  ных методов формируются кластеры для изучения землепользования с использованием гипер-
  спектрального изображения. Для формирования кластеров осуществлялась группировка пиксе-
  лей, на основе выбранных данных. Пиксели из одного кластера имеют больше сходства, в то
  время как пиксели из разных кластеров отличаются друг от друга. На основе результатов дела-
  ется вывод о том, что метод кластеризации (k-means) позволяет лучше идентифицировать или
  прогнозировать тип землепользования на основе гиперспектрального изображения с высоким
  разрешением, чем метод интерактивного анализа данных самоорганизации (ISODATA). Выход-
  ное изображение, которое является результатом кластеризации, может быть использовано
  для идентификации различных типов объектов землепользования. Лучше всего были идентифи-
  цированы следующие объекты землепользования: водная среда, сельскохозяйственные угодья,
  растительность, застроенная территория или поселение, поля и скалистые регионы.

• ВЛИЯНИЕ МЕТОДА ВЫБОРКИ НА ОЦЕНКУ ХАРАКТЕРИСТИК В АНАЛИЗЕ ЛАНДШАФТА ПОИСКА

  М.В. Пикалов

  2026-02-27

  Аннотация ▼

  Методы анализа ландшафта поиска (ELA) оценивают ландшафт приспособленности задачи в виде числовых дескрипторов, часто используемых для рекомендации оптимальных параметров алгоритма. Данное исследование изучает влияние методов и объёма выборки на аппроксимацию признаков ELA и последующую производительность моделей машинного обучения. Исследование демонстрирует, что эти аппроксимированные признаки не являются абсолютными характеристиками ландшафта, а существенно зависят от метода, использованного для генерации точек выборки. Хотя увеличение объёма выборки снижает дисперсию оценок признаков, сам выбор метода семплирования вносит значительное смещение, приводя к статистически различным значениям признаков для таких методов, как вихрь Мерсенна, латинский гиперкуб (LHS) и последовательности Фауре. Ключевой эксперимент включал предсказание параметров настраиваемой задачи W-model с использованием регрессионных моделей, обученных на признаках ELA. Результаты показали, что модели, обученные и протестированные на данных, полученных одним и тем же методом выборки, показали наилучшие результаты, что подчеркивает отсутствие совместимости между различными методами выборки. Примечательно, что квазислучайные последовательности Фауре давали наименьшую ошибку регрессии, превосходя распространенные методы, такие как равномерное случайное распределение и LHS. Более того, перекрёстная проверка выявила, что модели, особенно обученные на последовательностях Фауре, демонстрировали значительное падение производительности при тестировании на данных, полученных любым другим методом, что подтверждает: стратегия выборки накладывает специфический «отпечаток» на данные признаков. Полученные результаты ставят под сомнение стандартное использование распространенных методов выборки в ELA. Точность моделей машинного обучения для выбора и настройки алгоритмов сильно зависит от метода выборки, используемой для извлечения признаков. Следовательно, для обеспечения точности критически важно соблюдать согласованность между методами выборки, используемыми на этапах обучения модели и её практического применения. Высокая производительность последовательностей Фауре указывает на то, что подобные последовательности являются перспективным направлением для будущих исследований в области создания более надёжных и точных моделей на основе ELA.

• РАСПОЗНАВАНИЕ ИЗОБРАЖЕНИЙ СЕЛЬСКОХОЗЯЙСТВЕННЫХ КУЛЬТУР, РАСТЕНИЙ И ЛЕСНЫХ МАССИВОВ

  И. Б. Аббасов , Ратнадип Р. Дешмух

  2020-10-11

  Аннотация ▼

  Представлен обзор некоторых исследований по проблеме распознавания изображе-
  ний сельскохозяйственных культур, растений и лесных массивов. В этих системах распо-
  знавания изображений используются различные методы предварительной обработки,
  компьютерного зрения, глубокого обучения. В последнее время увеличиваются системы
  распознавания на основе мобильных устройств, что повышает их доступность и широкое
  распространение. Рассмотрены статьи по распознаванию, классификации плодов и фрук-
  тов в садах, создание банка данных этих аграрных продуктов (яблоки, груши, киви) для
  оценки созревания и урожайности. Описаны работы посвященные автоматизации сбора
  урожая зерновых культур на примере работы уборочного комбайна с применением машин-
  ного зрения. Растениеводство играет важную роль при обеспечении кормов для животно-
  водства, анализированы статьи по распознаванию сельскохозяйственных растений на
  основе изображений листьев. Также по состоянию листьев картофельных кустов можно
  определить их болезни, оценить состояние почвы. Приведены работы по разработке мо-
  бильных систем контроля и распознавания процесса выращивания грибов на основе техно-
  логии «зеленый дом» для фермерских хозяйств. С помощью дистанционной диагностики
  можно анализировать и контролировать состояние поверхности суши и морей. Для дис-
  танционного экологического мониторинга ландшафта земной поверхности описаны рабо-
  ты по распознаванию, классификации лесных массивов, водных ресурсов с применением
  гиперспектрального анализа спутниковых изображений.