Простейшая мера близости объектов — это квадрат евклидового расстояния между векторами значений их признаков, причем объекты тем ближе, чем меньше расстояние. Другая мера близости, естественно возникающая при обработке сигналов и изображений — квадрат коэффициента корреляции, чем он больше, тем ближе объекты. Задача интерполяция пространственно распределенных данных сводится к задаче построения функции по конечному набору значений заполнения пробелов в массиве данных по найденной функции. Заполнение пробелов в наборе данных дает возможность извлечь максимум информации из данных с учетом возможных ошибок измерений, неравномерную плотность сетки мониторинга. Временной анализ растровых изображений производится с целью мониторинга динамики природных и антропогенных процессов, происходящих на территории интереса.
В качестве исходных изображений для такого анализа обычно выступают последовательные во времени спутниковые снимки на одну и ту же территорию. Преимущество снимков заключается в их современности и достоверности. Динамика произошедших изменений оценивается путем сравнения и поиска различий между снимками различной давности. Не менее часто производится анализ временных рядов, который сводится к построению функций по конечным наборам значений и заполнению пробелов в таблицах. Среди задач, специфичных для обработки временных рядов, можно назвать следующие: аппроксимация функций по известным значениям переменных в разные моменты времени; прогноз значений с определенной заблаговременностью по известным функциям, определение необходимого объема прошлых данных, достаточных для предсказания будущего на конкретное время и с заданной точностью.
Типичнойоперацией временного анализаявляется прогноз. Решение такой задачи в целом не отличается от решения задачи по восполнению пробелов в слое на основе информации, заключенной в других слоях. Не менее часто встречается задача построения моделей поверхностей. Модель поверхности это изолинейное или 3d — изображение, генерированное по численным характеристикам на регулярных и нерегулярных сетках. Для визуализации данных, представленных в виде матрицы узловыхзначений сетки, необходимо подготовить полигональный слой, состоящийиз пикселов, размеры которых берутся в соответствии с размерами используемой сетки. Массив узлов сетки, подготовленный для визуализации, записывается в качестве файла базы данных ГИС — программы. При созданииполигонально-пиксельного слоятакая база загружается в качестве атрибутивной информации. После идентификации объектов слоя каждому пикселу присваивается значение определенного узла в качестве атрибутивной информации.
Далее определяется палитра, отражающая с помощью цветовой шкалы пикселов пространственное значение расчетного признака или явления по данной территории. Моделироваться могут как изображения действительного рельефа или непрерывного поля, современного или с учетом динамических изменений, так и воображаемые поверхности, построенные по одному или нескольким показателям, например, поверхность цен на землю, плотность дорожной сети или населения и т. п. В качестве примера на рис. 2.7 представлены изолинейное изображение и 3d — поверхности, построенные различными методами [21].
Изображения представляют собой суммарное содержание канцерогенных веществ (As, Be, Cr, Ni, Pb) в почве. Рис. 2.7 Поверхности, построенные различными методами3. ПРИМЕРЫ ИСПОЛЬЗОВАНИЯ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ ДЛЯ АНАЛИЗА ТЕРРИТОРИЙ ЮГА РОССИИСоздание слоев в геоинформационных системах, как уже говорилось, требует сочетания данных дистанционных методов с наземными полевыми исследованиями. Пример получения наземных данных по территории Ростовской области и Краснодарского края представлен на рис. 3.
1.Рис. 3.
1. Места экспедиционных исследований территории Ростовской области и Краснодарского края в 2012 г [22]Рассмотрим некоторые примеры различных задач, решаемых в рамках ГИС нейросетевыми методами. Известно, что динамика изменения ареалов распространения редких типов растительности может служить индикатором антропогенного воздействия на природу изучаемой территории. В работе [23] решена задача определения ареалов распространения 12-ти типов растительности по многоспектральным снимкам высокого разрешения спутника IKONOS. Архитектура использованного в этом случае нейронного классификатора представлена на рис. 3.
2. Входной слой содержит 4 нейрона, соответствующих 4-м спектральным каналам съемочной аппаратуры IKONOS; скрытый слой состоит из 25 или 50 нейронов; выходной — из 5−12 нейронов в зависимости от используемого алгоритма. Активационная функция нейронов — гиперболический тангенс. Для обучения нейронной сети на основе выбранных тестовых образцов использовался алгоритм обратного распространения ошибок. Рис. 3.
2. Архитектура нейронной сети [23]Задача биологического загрязнения, связанная с анализом динамики сорных трав, рассматривается в [22]. Всемирная экспансия такого агрессивного североамериканского сорного растения как амброзия полыннолистная угнетает и вытесняет местную растительность и со временем занимает господствующее положение в фитоценозах, образуя протяженные участки и на годы блокируя природную сукцессию. Распространение амброзии на огромных территориях во всем миреявляется следствием увеличения антропогенной нагрузки на экосистемы. В послевоенные годы распространение этого сорняка на Юге Украины и России на нарушенных военными действиями местообитаниях имело характер экологического взрыва, повлекшего значительные потери урожая возделываемых зерновых и пропашных культур. В качестве метода борьбы с амброзией был использован завезенный из Канады жук-листоед, который хорошо освоился с климатическими и погодными условиями Юга России и способствовал снижению плотности семян амброзии в почве. Оценка засоренности амброзией территории Ставропольского края была проведена по временной серии снимков, полученных со спутников Landsat 4−5 TM за период 1980—1990 гг. Результаты дешифрования космических снимков позволяют получить представление о динамике изменения пространственного распространения амброзии во второй половине 1980х гг.
на территории первичного выпуска полосатого амброзиевого листоеда. На рис. 3.3 приведен слой ГИС, отражающий риск засоренности амброзией в Азовском районе Ростовской области.Рис. 3.
3. Карта рисков засоренности амброзией в Азовском районе Ростовской области.
Временной анализ посевных площадей был выполнен в [24]. В основе анализа использовались снимки американского природно-ресурсного спутника Landsat за 2007 и 2011 годы. В результате проведенной классификации с применением нейросетевых алгоритмов были обнаружены нарушения чередования культур на полях севооборота — рис. 3.
4.Рис. 3.
4. Структура посевных площадей по результатам классификации снимков Landsat в 2007 (вверху) и 2011 (снизу) [ 24]Работа [24] посвящена решению одной из наиболее актуальных задач для Юга России — выделению посевных площадей подсолнечника в севообороте и оценке состояния посевов в предуборочной стадии. Важность и актуальность поставленной задачи в экономике региона заключается в том, что подсолнечник является, с одной стороны, основной производственной культурой в структуре товарного сельскохозяйственного производства Юга России, а с другой, — неисполнение хозяйствами структуры севооборота подсолнечника приводит к потере плодородия пашни. Мониторинг посевов подсолнечника проводился по спектральным каналам красного 0,62−0,67 мкм и ближнеинфракрасного 0,84−0,88 мкм диапазонов спектрорадиометра MODIS спутника Терра. с 250- метровым пространственным разрешением, полученные в период с июня по июль 2006 г. — рис. 3.
5. Рис. 3.
5. Композитный снимок со спутника Terra, синтезированный из трех каналов электромагнитного спектра.
Анализ последовательных съемок с достаточно большими временными интервалами позволяет решить задачу идентификации посевов подсолнечника в разных фазах вегетации. Технология обработки космических снимков Ставропольского края представлена на рис. 3.
4.Рис. 3.
6. Ставропольский край на снимке LANDSAT (а); Кировский район Ставропольского края на снимке TERRA, пространственное разрешение 250 м (б); векторный слой обрабатываемых полей Кировского района (в); выделение посевных площадей подсолнечника на основе тестовой обучающей выборки (г).Пример определения породного состава леса по снимкам со спутника Landsat представлен на рис. 3.
7. Рис. 3.
7. Пример определения породного состава леса по снимкам со спутника LandsatПример распознавания образов с помощью нейросети применительно к снимкам высокого пространественного разрешения приведен в [25]. Анализ такого масштаба позволяет проводить детальный мониторинг городских территорий: промышленной инфраструктуры, строительства, селитебных районов и др. Однако, вследствие крупного масштаба анализируемых изображений на первый план выходят трудности, связанные с различием внешнего вида одного и того же объекта наразных изображениях вследствие смены ракурса, изменения освещения и собственной изменчивости объекта. Ключевая идея работы [25] состоит в распознавания объектов по их энергии в различных частотных интервалах. Разработанная и программно реализованнаянейросетевая технологиястроит частотное распределение энергий объектов, видимыхна аэрокосмических снимках. На первом шаге на изображении выделяется эталон для распознавания других аналогичных объектов. Вторым шагом строится нейронная сеть, топология которой имеет вид, представленный на рис. 3.
8.Рис. 3.
8. Архитектура сети [25]Исходные данные, подаваемые на входной слой, представляют собой значения интенсивностей пикселей изображения. В скрытом слое вычисляется энергетический спектр, а на его выходе сумма произведений значений долей энергии и весовых коэффициентов. На слое распознавания вычисляется ошибка распознавания (относительная среднеквадратическая погрешность) относительно желаемого отклика. Результат работы описанного алгоритма представлен на рис. 3.
9.Рис. 3.
9. Результат классификации нейросети [25]ЗАКЛЮЧЕНИЕВ процессе проведенного обзора можно сделать вывод, что многие задачи, такие как комплексная оценка территорий, определение главных факторов и причин текущей ситуации, прогноз возможных последствий, планирование стратегических решений и сценариев их реализации лежат за пределами возможностей традиционных ГИС-технологий. Нейронные сети, встроенные в существующие геоинформационные пакеты, претендуют на то, чтобы стать универсальным аппаратом, решающим разные специфические задачи из разных проблемных областей. Такая универсальность обуславливается возможностью нейросетей усваивать разнородные по содержанию физической природы, структуре и представлению геоданные — о ландшафте, природных ресурсах, окружающей среде, погоде и климате, об инфраструктуре и т. д. Это многоуровневые данные с различной степенью де-тализации от сведений о земельных участках, городах и регионах, до описания стран, континентов, климата или геодинамики континентальных плит. Представленные в реферате примеры убедительно показывают перспективность синтеза нейросетевых технологий с возможностями ГИС. Интеграция НС в контур ГИС позволит создавать следующие поколения нейросетевых ГИС, которые будут не только представлять данные, но станут мощным инструментом принятия решений по широкому классу задач, связанных с территориально-распределенными процессами окружающего мира.
ЛИТЕРАТУРА
Курепина Н.Л., Курепина М. В. Проблемы эколого-экономической безопасности аридных территорий Юга России // Вестник ЮРГТУ (НПИ). 2012. N 2. C.
162−165Федеральная служба государственной статистики [Электронный ресурс] / Официальный сайт. — Режим доступа:
http://www.gks.ru, свободный. — Загл. с экрана. Экологический рейтинг региона [Электронный ресурс] / Сайт «Зеленый патруль». — Режим доступа:
http://www.greenpatrol.ru/ecoreiting, свободный. — Загл. с экрана.
Антошкина Е.В., Мищенко А. А., Таховская С. А. Антропогенное воздействие на геологическую среду города Краснодара //Тезисы VI Международной конференции. Экономика и здоровье человека. Краснодар, 2001. С. 6.
Устойчивое развитие сельских территорий как фактор обеспечения экономической безопасности. / Ю. С.
Богзыков, Б. А. Гольдварг и др. Под общ.
ред. Н. Л. Курепиной. — Элиста: АПП Джангар, 2009.
— 270 с. Ефремов Ю. В., Чередниченко Л. И. Современноерельефообразова-ние в бассейне реки Кубань. Краснодар: Издательство Кубанского госуниверситета. 111с. Бекух З. А., Нагалевский Ю. Я., Щеглова З. П. Развитие техногенного подтопления на территории Кубано-Приазовской низменности //Вестник КРГО. Вып.
2. Ч. 2. Краснодар, 2000. С.
3−12. Борисов В. И. Реки Кубани. Краснодар: Книжное издательство, 1978.
Вергунов А.П. Архитектурно-ландшафтная организация крупного города. JI.: Стройиздат, 1982. 135 с. Владимиров В. В., Микулина Е. М., Яргина З. Н. Город и ландшафт. М.: Мысль, 1986. 236 с. Антошкина Е. В. Эколого-геоморфологическая оценка городских территорий на юге России: На примере г.
Краснодара. Диссертация. 2002. 260 с. Ежов А. А., Шумский С. А. Нейрокомпьютинг и его применения в экономике и бизнесе.
М 1998.
Гаскаров Д. В. Интеллектуальные информационные системы: учебник для вузов. — М.: Высшая школа, 2003. — 431 с. Ясницкий Л. Н.
Введение
в искусственный интеллект: учебное пособие для студ. высш. учеб.
заведений. — М.: Академия, 2005. — 176 с. Гонсалес Р., Вудс Р. Цифровая обработка изображений. — М.: Техносфера, 2006. -.
1072 с. Грузман И. С. Цифровая обработка изображений в информационных системах. Учебное пособие. — Новосибирск, 2000. — 166 c. Горбань А. Н. Обучение нейронных сетей. М.: СП Пара.
Граф, 1990. 160 с. 2. Горбань А. Н., Россиев Д. А. Нейронные сети на персональном компьютере. Новоси-бирск: Наука, 1996. 276 с.
Питенко А. А. Нейросетевой анализ в ГИС. // Автореф. дисс. канд. техн. наук 05.
13.16, Красноярск, 2000.
Добрынин Д., Савельев. А. Нейронные технологии для тематического дешифрирования ДДЗ. // Гис-Обозрение, № 1, 1999, стр.
12−14.
http://www.scanex.ru/. Kemp, L.D., Bonham-Carter, G.F., Raines, G.L. and Looney, C.G., 2001, Arc-SDM: Arcview extension for spatial data modelling using weights of evidence, logistic regression, fuzzy logic and neural network analysis.
http://ntserv.gis.nrcan.gc.ca/sdm/. Архипова О. Е., Качалина Н. А., Тютюнов Ю. В., Ковалев О. В. Оценка засоренности антропогенных фитоценозов на основе данных дистанционного зондирования Земли (На примере амброзии полыннолистной) //Исследование земли из космоса. 2014. — № 6. ;
С. 15−26Гамбарова Е. М. Обучение нейронного классификатора для распознавания объектов на снимках, полученных со спутника IKONOS //Нейроинформатика, 2008. том 3. — № 1. — С.13−24Повх В.И., Гарбузов Г. П., Шляхова Л. А. Оценка структуры посевов подсолнечника в Ставропольском крае по данным дистанционного зондирования спектрорадиометра MODIS //Современные проблемы дистанционного зондирования Земли из космоса. М. 2006.
Т.
2. С. 381−386.Жиляков Е. Г., Лихошерстный А. Ю. Метод нейросетевого распознавания объектов на аэрокосмических изображениях земной поверхности //Научные ведомости белгородского государственного университета. Серия: История. Политология. Экономика. Информатика.
Выпуск № 13−1 (108). — том 19. — 2011.
— С. 117−125.
