22.Тематичне картування за даними дз. Вегетаційні індекси.

Найбільшого застосування ідеологія створення індексів набула в задачах виділення різних типів рослинності. Вегетаційні індекси: RVI= ƍ_біч/ ƍ_ч ; ƍ_і= а_і DN+b_і ; NDVI= (ƍ_біч - ƍ_ч )/( ƍ_біч + ƍ_ч ) – нормалізований вегетаційний індекс, що набув більш широкого застосування в помірних широтах. Діапазон змін [-1; 1], а ƍ[0; 1].За низькою щільності рослинного покриву оптимальним є індекс, з урахуванням відбиваючої здатності грунту. SAVI= ((ƍ_біч - ƍ_ч )(1+ L)) / (ƍ_біч + ƍ_ч + L), L – інперичний коєфіцієнт, Призначений вираховувати впливу спектра лі відбиваючої поверхні L= 0,5. Наступний індекс, що враховує вплив атмосфери EVI= G((ƍ_біч - ƍ_ч)/ (ƍ_біч + C₁ ƍ_ч + C₂ƍ_бл +L)), де G, C₁, C₂, L – визначаються імперично для певного типу апаратури і певної території. Ортогональний вегетаційний індекс PVI= КОРЕНЬ[(ƍ_{ч грунт} - ƍ_{ч росл})² +(ƍ_{біч грунт} – ƍ_{біч росл})²] . Для умови без наявності рослинності:

Для умови наявності рослинності:

На разі в практиці обробки ДЗЗ регулює ієрахічний підхід до інтерпретації даних , що полягає у послідовному розділенні всієї розкрутності даних на невелику кількість(зазвичай 2 класи). Наприклад, на першому рівні PVI розділили на рослин. і безрослин., на 2 – хвойні, змішані, листяні.

23.Автоматизована класифікація даних дз.

Класифікація – роділення усієї сукупності вхідних даних на скінченну кількість класів(локальних груп), що певним чином відокремлена у просторі ознак. n – к- сть спектральних каналів, які подаються зйомкою

Х={Х1, Х2, ….. ,Хn}.Компонентами вектора Х виступають значення спектральної яскравості зареєстрована в різних спектральних каналах. Отже, кожна точка місцевості може бути охарактеризована n – вимірним вектором ознак, де ознаки – значення спектральної яскравості яка зазначена в n спектральних каналах. Простір ознак має вимірність, що визначається кількістю спектральних каналів в яких проводиться зйомка. У випадку мультиспектральна зйомка має приблизно 7 каналів. Методи класифікації даних умовно можна розділити на 2 великі групи: евристичні(непараметричні), аналітично- обґрунтовані(параметричні). Методи класифікації поділяються на 2 групи: навчання, без навчання(кластер – велика к- сть алгоритмів, які більшість базуються на принципі мінімальної відстані, або мін. Дисперсії об’єктів всередині класів і при одночасній максимальній дисперсії). У випадку класифікації із навчання крім набору вхідних даних яким необхідно розкласифікувати будується допоміжний набір даних – навчальна множина (для кожного елемента цієї множини ми знаємо його належність до класу). Отже параметри системи розпізнавання задаються не довільним чином(як у випадку кластеризації), а підбираються на основі навчальної множини. Приклади системи розпізнавання і навчання: оптимальний байсівський класифікатор(будується на теорії ймовірностей); штучні нейронні мережі(метод зворотнього розповсюдження помилки); метод опорних векторів(метод рішаючи векторів).