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. 2010. Т. 7. №4. С. 112-117

Определение с помощью нейросетевого алгоритма количественных характеристик зондируемой поверхности, используя данные многоспектральной и радиолокационной съемки Земли

А.А. Ильин1, В.В. Егоров 2, А.П. Калинин3, И.Д. Родионов4
1 Научно технический центр «Реагент», 119991 Москва, ул. Косыгина, д.4
2 Институт космических исследований РАН, 117997 Москва, Профсоюзная 84/32
3 Институт Проблем Механики им. А.Ю. Ишлинского РАН, 19526 Москва, проспект Вернадского 101, корп. 1
4 Институт химической физики им. Н.Н. Семенова РАН, 119991 Москва, ул. Косыгина, д.4
Предложено использование алгоритма нейронных сетей, обеспечивающего эффективную реализацию мето-
дов определения количественных характеристик зондируемой поверхности, используя данные многоспек-
тральной и радиолокационной съемки Земли. Полученные по результатам наземных исследований данные
разделялись на тестовые и обучающие, по которым производилось обучение нейросети для последующего
решения обратной задачи. Проверка работоспособности разработанных методов показала их высокое каче-
ство - точность классификации составила 0,98, а величина среднеквадратичной ошибки оценки биометриче-
ских параметров конопли находилась в пределах 3-6%.
Ключевые слова: многоспектральная съемка, дистанционное зондирование, нейронная сеть, обучение, ве- рификация, точность, данные in situ
Полный текст

Список литературы:

  1. Галушкин А.И. Нейрокомпьютеры и их применение. Сб. докладов Пятой всерос. конф.// М.: Радио и связь. 1999, 484 с.
  2. Morton J. Canty. Image analysis, classification and change detection in remote sensing: with algorithms for ENVI/IDL // CRC Press Tailor & Francis group. 2007. P. 143-202
  3. Saich P., Lewis P., Disney M., Thackrah, G. Comparison of HyMap/E-SAR data with models for optical reflectance and microwave scattering from vegetation canopies // Proc. Int. Symp. Retrieval of Bio- and Geophysical parameters from SAR data for Land Applications. Sheffield Sept. 2001 (ESA SP-475, Jan. 2000).
  4. Lewis P. Three-dimensional plant modelling for remote sensing simulation studies using the Botanical Plant Modelling System // Agronomie: Agriculture and Environment.1999. V.19. No.3-4. P.185-210.
  5. Нильсон Т, Кууск А. Приближенные аналитические формулы для расчета коэффициентов спектральной яркости сельскохозяйственной растительности // Исслед. Земли из космоса. 1984. № 5. С. 76-83.
  6. Oh Yisok, Hong Jin-Young, Lee Sung-Hwa. A simple microwave backscattering model for vegetation canopies // J. of the Korea electromagnetic engineering soc. 2005. V. 5. № 4. P. 183-188.