Архив
Том 21, 2024
Том 20, 2023
Том 19, 2022
Том 18, 2021
Том 17, 2020
Том 16, 2019 г.
Том 15, 2018 г.
Том 14, 2017 г.
Том 13, 2016 г.
Том 12, 2015 г.
Том 11, 2014 г.
Том 10, 2013 г.
Том 9, 2012 г.
Том 8, 2011 г.
Том 7, 2010 г.
Выпуск 6, 2009 г.
Выпуск 5, 2008 г.
Выпуск 4, 2007 г.
Выпуск 3, 2006 г.
Выпуск 2, 2005 г.
Выпуск 1, 2004 г.
Поиск
Найти:
Подписка/отписка
на рассылку новостей
Ваш e-mail:
ISSN 2070-7401 (Print), ISSN 2411-0280 (Online)
Современные проблемы дистанционного зондирования Земли из космоса
физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений
и объектов

  

Современные проблемы дистанционного зондирования Земли из космоса. 2008. В.5. Т.1. С. 40-48

Оценка точности распознавания почвенно-растительных объектов по данным гиперспектрального зондирования и сканера ИСЗ QuickBird

Б.М. Балтер 1, Д.В. Воронцов2, В.В. Егоров 1, А.А. Ильин 2, А.П. Калинин 3, А.Г. Орлов 2, И.Д. Родионов 4, И.П. Родионова4
1 Институт космических исследований РАН, 117997, Москва, ул. Профсоюзная, 84/32
2 ЗАО Научно-технический центр Реагент, 119991, Москва, ул. Косыгина, 4
3 Институт проблем механики РАН, 119991, Москва, ул. Косыгина, 4
4 Институт химической физики им. Н.Н. Семенова РАН, 119991, Москва, ул. Косыгина, 4
Рассматриваются задачи обработки гиперспектральных данных и оценки точности распознавания
почвенно-растительных объектов по данным гиперспектрального зондирования с борта авианосителя и
сканера ИСЗ QuickBird. В качестве метода классификации с обучением был выбран метод максимума
правдоподобия (МП) с возможностью установки порога отказа от классификации и весов объектов. Ме-
тод МП позволяет планировать показатели точности путем выбора соответствующих весов объектов и
порога отказа от классификации. Показано, что метод МП дает на обучающих участках по большинству
показателей стабильно более высокую точность для гиперспектрометра, чем для сканера. При переходе
от обучающих участков к большой территории сканер теряет точность заметно быстрее, чем гиперспек-
трометр. Данные гиперспектрометра более устойчивы, чем данные сканера, к ошибкам в определении
обучающих участков.
Полный текст

Список литературы:

  1. Балтер Б.М., Егоров В.В., Ильин А.А. и др. Оценка возможностей гиперспектральной съемки для дистанционного обнаружения заданного типа растительности. Препринт ИКИ РАН Пр-2134. 2007. 30 с.
  2. Непобедимый С.П., Родионов И.Д., Воронцов Д.В. и др. Гиперспектральное дистанционное зондирование Земли //Доклады Академии наук. 2004. Том 397. №1. C. 45-48.
  3. Балтер Д.М., Белов А.А., Воронцов Д.В. и др. Проект спутникового гиперспектрометра, предназначенного для малого космического аппарата // Исслед. Земли из космоса. 2007. №2. C. 43-55.
  4. Воронцов Д.В., Егоров В.В., Калинин А.П. и др. Принципы обработки гиперспектральной информации и результаты летных испытаний прототипа авиационного гиперспектрометра // Вестник МГТУ им. Н.Э. Баумана. Сер. «Приборостороение», 2006, №4. С.27-37.
  5. Калинин А.П., Орлов А.Г., Родионов И.Д. Авиационный гиперспектрометр // Вестник МГТУ им. Н.Э.Баумана. Сер. «Приборостороение», 2006, №3. С.11-24.
  6. Kohonen T. Self-organization and associative memory. Series in Information Sciences. V. 8. Berlin: Springer verlag, 1984.