Академический Документы
Профессиональный Документы
Культура Документы
УДК ___________
УТВЕРЖДАЮ
Руководитель УПО
___________ А.Т.Шахатова
«___» __________ 2022 г.
ОТЧЕТ
ПО НАУЧНО-ИССЛЕДОВАТЕЛЬСКОЙ РАБОТЕ МАГИСТРАНТА
ОБРАЗОВАТЕЛЬНАЯ ПРОГРАММА
7M07305 - «ДИСТАНЦИОННОЕ ЗОНДИРОВАНИЕ ЗЕМЛИ»
Заведующий кафедрой
МДиГ, к.т.н. доцент __________________ Е. Н. Хмырова
(подпись, дата)
Научный руководитель
д.т.н., доцент __________________ С.Г. Ожигин
(подпись, дата)
Магистрант
гр. ДЗЗМ-21-2 _________________ Д.Р. Валеев
(подпись, дата)
Караганда 2022 г.
Содержание
Введение 3
1. История становления ГК . 65
1.1 Методы геоинформационного картографирования 7
2 Анализ применения математической основы в ГК 8
2.1 Использование нейронных сетей для целей анализа данных ДЗЗ……11
2.2 Основные идеи метода анализа данных в ГИС с помощью
искусственных нейронных сетей
12
2.3 Искусственные нейронные сети (ANNs) 13
2.3.1 Функции активации 14
2.3.2 Использование ИНС в дистанционном зондировании 15
2.3.3 Классификация растительного покрова 15
2.3.4 Важнейшие вопросы применения ANNS 15
2.4 Проблема интеграции НС и ГИС 22
2.5 Реализация программн. комплекса для НС-анализа данных в ГИС 22
2.6 Структура и функции программной системы 24
3. Разработка методов создания автодорожных карт и их проблемных мест
на территории Карагандинской области 26
2
Введение
3
они имеют ограниченные возможности для интерпретации данных, а также
более восприимчивы к повреждениям.
Исходя из вышесказанного, дистанционное зондирование можно
рассматривать как движущую силу для ГИС. Он предоставляет данные, для
анализа которых мы используем ГИС (географическую информационную
систему).
Целью исследования является совершенствование методики
автоматизированного геоинформационного картографирования на основе
данных дистанционного зондирования Земли.
Предметом исследования является процесс формирования наборов
пространственных данных по материалам ДЗЗ для целей автоматизированного
геоинформационного картографирования.
Новизна исследования заключается в изменении правил цифрового
описания пространственных объектов, что позволяет создавать и обновлять
геоинформационную картографическую основу в сжатые сроки без ухудшения
качественных и количественных характеристик конечного продукта.
4
1 История становления ГК
5
В институт исследования систем окружающей среды (ESRI), который был
основан Джеком Данжермондом в 1969 году, шло постепенное развитие
растровых и векторных систем на базе теоретических идей и методов,
разработанных в Гарвардской лаборатории и других организациях. В начале 80-
х годов создана система ARC/INFO, в которой удачно реализованы идеи
Канадской ГИС о разделении информации о пространственной и атрибутивной
составляющих данных. ARC/INFO стала первым ГИС- и картографическим
пакетом, использующим преимущества персональных компьютеров.
На начальных этапах становления (во второй половине 80-х годов)
геоинформационное картографирование воспринималось как процесс
автоматизированного воспроизводства карт. Дальнейший этап развития связан
с разработкой теории и методов создания картографических баз данных и
математико-картографического моделирования, создания картографических
моделей как физических явлений, например, цифровых моделей рельефа
(ЦМР), так и моделей картографического изображения для представления карт
на стандартных листах АЦПУ универсальных ЭВМ. С этим периодом связаны
разработки первых автоматизированных картографических систем (АКС), к
числу которых относится и система "АКС-МГУ", созданная на кафедре
картографии географического факультета МГУ в 1987 г.
Основной причиной прогресса в ГК с начала 90-х годов явилось бурное
развитие электронно-вычислительной техники, и особенно персональных
компьютеров (ПК), а также возрастание ее доступности во всем мире. Если
прежде основные усилия были направлены на получение цифровых карт и
обработку больших объемов информации, то теперь, освободившись от
необходимости программирования рутинных процедур управления вводом и
выводом данных, картографы переключились на методы анализа,
проектирования и составления, создания и использования карт в ГИС, базах
данных и знаний, экспертных системах.
Основные отличительные особенности систем геоинформационного
картографирования и ГИС содержатся в подсистемах хранения, обработки и
вывода информации. Они связаны с содержанием базы данных и набором
программ для моделирования, анализа и отображения информации с целью
создания карт. Цифровая картографическая информация организуется в
картографические БД (КБД). Они представляют упорядоченное множество
взаимосвязанных цифровых карт – цифровая модель карты, созданная путем
цифрования картографических источников, фотограмметрической обработки
данных дистанционного зондирования, цифровой регистрации данных полевых
съемок или иным способом; в отличие от цифровых пространственных данных
в ГИС и цифровых моделей местности.
6
1.1 Методы геоинформационного картографирования
7
2 Анализ применения математической основы в геоинформационном
картографировании
Геоинформационное картографирование – это есть результат
взаимодействия общей информатики и картографии (рисунок 1). Точнее она
новое интегрированное научное направление, которое находится на
перекрестке таких направлений как автоматизированная картография и
дистанционное зондирование, аэрокосмические снимки, включая цифровую
фотограмметрию и дешифрирование и геоинформатика.
8
Выразим z с помощью матриц:
z 11 z 12 z 13 … … … … … . z 1 n
Z = z 21 z 22 z 23 … … … … . z 2 n
zm1 zm2 zm 3 … … … zmn
z 11 z 12 z 13 … … … … … . z 1 n
Z2 = 21
z z 22 z 23 … … … … . z 2 n
zm1 zm2 zm 3 … … … zmn
9
Следовательно, координаты x, y можем выразить как следущие уравнения по
коэффициентам Sx, Sy:
x=Sxi ; y= Syj . (11)
Когда со использованием типичных информационных основ, как например,
топографической информационной основы определенного масштаба,
обрабатываем тематические информационные базы данных, то функция (5)
примет вид:
Z1=1E1(x,y),
Z2=2E2(x,y),
Zr=rEr(x,y). (12)
Следовательно, выражения (6-12) и есть та новая функция, которая
применима в геоинформационной картографии, основываясь на традиционных
картографических алгоритмах.
X1
X2
Y
Xn
10
2.1 Использование нейронных сетей для целей анализа данных
дистанционного зондирования земли
11
Рисунок 1. Количество исследований с использованием ANNs при анализе
изображений с дистанционным зондированием, о которых сообщалось в
литературе за период с 1990-2005 гг.
2.2 Основные идеи метода анализа данных в ГИС с помощью искусственных
нейронных сетей
12
нескольких исследованиях сообщалось, что ANNS превосходят другие методы.
Таким образом, превосходство подхода ANN не так очевидно, как ожидалось
при поверхностном рассмотрении, и требуется более глубокое изучение.
13
Рисунок 2 – Анатомия искусственного нейрона.
14
Рисунок 3. Функции активации: (а) пороговая, (б) кусочно‐линейная, (в)
логистическая (сигмоидальная) и (г) гиперболическая.
где a>0 - параметр наклона; чем больше значение a, тем круче кривая.
15
Из-за отсутствия предположений о данных, многие классификации
растительного покрова используют данные от различных датчиков, таких как
оптические и радарные изображения, текстуры и вспомогательные данные.
Текстура включается различными способами: (i) предварительно вычисленная
информация о текстуре для каждого пикселя, которая подается в ANN вместе
со спектральной информацией или (ii) включение соседней спектральной
информации с использованием скользящего окна.
Вспомогательной информацией, наиболее часто используемой в настоящее
время, являются топографические переменные, полученные из цифровой
модели рельефа. Другими переменными являются координаты
(широта/долгота) и расстояние до побережья и почвы. Были предприняты
некоторые попытки разработать классификаторы, основанные на синергизме
между ANNS и системами, основанными на знаниях.
16
классификация, размешивание, поиск биофизических параметров, обнаружение
изменений и объединение данных, среди прочего. Однако применение ANNS в
дистанционном зондировании сопряжено с некоторыми ограничениями,
которые не были полностью устранены.
Еще одна трудность, с которой сталкиваются при использовании многих
моделей ANN, заключается в определении подходящих характеристик для
обучающих данных, архитектуры сети (количество уровней и узлов) и метода,
позволяющего избежать перетренированности. Существует большое
количество правил, часто противоречивых, но нет стандарта, который помог бы
в выборе таких параметров. Часто требуется несколько экспериментов, чтобы
определить параметры, которые дают наилучшие результаты.
Несмотря на то, что был накоплен достаточный опыт в использовании
ANNS для обработки изображений с дистанционным зондированием, все еще
необходимы испытания, ориентированные на желаемую задачу, прежде чем
использовать их регулярно в оперативных проектах. Применение ANNS в
дистанционном зондировании все еще находится в стадии разработки;
необходимо протестировать больше типов сетей, стратегий проектирования и
обучения. В этом аспекте большой опыт можно получить из других областей
знаний, связанных с обработкой сигналов и изображений, таких как обработка
медицинских или промышленных изображений. Однако ограничения при
внедрении ANNS в программное обеспечение дистанционного зондирования
являются серьезным препятствием для разработки практического рутинного
применения ANNs в этой области.
17
ML состоит из нескольких этапов, и каждый шаг должен быть тщательно
спланирован (рисунок 1).
В последние годы применение алгоритмов машинного обучения резко
возросло в Г.И.С. и дистанционном зондировании. Он имеет широкий спектр
применений, от разработки моделей, основанных на энергии, до оценки
разжижения почвы и установления связи между качеством воздуха и
смертностью.
Другие примеры включают качественную и количественную оценку данных
датчиков спутниковых снимков для оценки качества воздуха в региональном и
городском масштабе, машина опорных векторов подход к коэффициентам
продольной дисперсии в естественных потоках, кризисное управление,
стихийные бедствия, линейное программирование для планирования орошения,
глобальное изменение климата и прогноз погоды, состояние оценки точности
классификации растительного покрова, загрязнители воздуха и источники,
связанные с воздействием на здоровье, обнаружение поселений особенности
такие, как извлечение участков дорог/хайвеев и канав, выявление болезней
сельскохозяйственных культур и оценка их урожайности, построение индексов
растительности, реагирование на стихийные бедствия и вспышки болезней.
Кроме того, исследователи / пользователи получают выгоду от
общедоступных наборов данных дистанционного зондирования, используя
которые они могут разрабатывать, тестировать и запускать свои модели ML для
их исследования. Большинство наборов данных дистанционного зондирования
являются глобальными и беспристрастными это еще больше упрощает рабочий
процесс при построении точных моделей ML в этой области.
Кроме того, исследования на основе дистанционного зондирования не
прекращаются из-за стихийных бедствий или неожиданных аварий. Здесь, в
этой статье, мы обсуждаем наиболее популярные контролируемые модели ML
(классификация и регрессия) в G.I.S. и дистанционном зондировании.
Мотивацией для написания этой статьи является что модели машинного
обучения обеспечивают более высокую точность, чем традиционные
параметрические классификаторы, особенно для сложных данных со многими
предикторными переменными. Таким образом, статья может стать
руководством для тех, кто заинтересованв использовании моделей ML в своих
проектах, основанных на G.I.S. и дистанционном зондировании. В этом
документе представлен общий обзор 4 контролируемых непараметрических
моделей ML, которые могут быть использованы в большинстве проектов,
основанных на G.I.S. и дистанционном зондировании.
Мы обсуждаем классификацию (наивный Байес (NB), машина опорных
векторов (SVM), случайный Лес (RF), Деревья решений (DT)) и регрессионные
модели (Случайный лес (RF), поддержка Векторная машина (SVM), линейная,
Граф и Пуассон) здесь. Биномиальные и многоклассовые модели
классификации более распространены в проектах, основанных на ГИС и
дистанционном зондировании. Если классификация состоит из двух классов,
18
классификатор называется биномиальным; если существует более двух классов,
категория является многоклассовой.
19
большинстве/среднем из подмоделей. Многочисленные исследования
показывают, что количество деревьев, как правило, не оказывает
существенного влияния на итоговую точность классификации R.F., если их
количество достаточно велико (Kulkarni & Lowe, 2016). Это связано с тем, что,
когда количество деревьев в классификаторе невелико, прогнозирование
точности увеличивается по мере добавления дополнительных деревьев.
Тем не менее, точность имеет тенденцию к снижению при большом
количестве деревьев. Некоторые общие примеры проектов, которые могут быть
решены с помощью R.F. алгоритм включает в себя: классификацию
растительного покрова землепользования, извлечение признаков, таких как
участки канав, дороги, поселения или объекты, представляющие интерес,
обнаружение объектов, таких как породы деревьев, транспортное средство,
идентификацию видов, таких как тигры, слоны, виды птиц, насекомые,
классификацию местообитаний и проекты, связанные с моделированием, такие
как подверженные наводнениям / засухе, основная среда обитания,
классификация типов почв, болезней, сорняков, модели, связанные с климатом
и погодой, и их прогнозирование.
Линейная регрессия
Эти модели являются наиболее популярными исследовательскими моделями
в Г.И.С. и дистанционном зондировании. Линейная регрессия помогает выявить
и оценить взаимосвязь между двумя или более факторами / ковариатами, когда
мы используем силу пространства в нашем анализе, используя характеристики
расстояния, например, влияние расстояния до воды при выборе среды
обитания. Существует 3 типа линейной регрессии, обычно используемые в
проектах, основанных на ГИС и дистанционном зондировании. Это
непрерывное (гауссово), логистическое распределение и распределение
Пуассона. Распределение должно быть нормальным для линейной регрессии
распределения по Гауссу. Его также называют непрерывным, потому что
зависимая переменная может принимать широкий диапазон значений, таких как
температура, количество осадков и диаметр дерева. Если зависимая переменная
распределена неправильно, мы можем изменить ее на двоичные значения с
помощью функции реклассификации. Бинарные также известны как модели
20
логистической регрессии, которые строят модели только с двумя выходами:
прохождение / сбой, наличие / отсутствие. Мы используем модели регрессии
подсчета/Пуассона, если зависимыми переменными являются
подсчеты/количество вхождений события. Зависимая переменная не может
иметь отрицательных или десятичных значений. Эти модели обычно
используются для моделирования распределения видов и понимания
закономерностей событий.
21
22
2.4 Проблема построения и использования нейросетевых моделей в ГИС
23
• Импорт картографических композиций созданных в ГеоГраф 1.1 и
ГеоГраф 1.5.
• Функции векторного не топологического редактора для
косметических слоев ГеоГраф 1.5.
• Масштабирование карты.
• Варьирование объектным составом карты.
• Создание тематических слоев.
• Оверлейные операции.
• Изменение способа отображения объектов (цвет, тип линии и т.п.), в
том числе и определение символогии через значения атрибутов, то есть
синхронизация визуализации с изменениями в базах данных;
2) атрибутивные операции:
• Связь таблиц атрибутов со слоями карты.
• Работа с таблицами атрибутивных данных.
• Получение данных об объектах слоя.
• Возможность опрашивать через карту в режиме реального времени
базы данных. Формально состоит из блока работы с картой, блока работы
с таблицами и блока "легенды". Физически ГИС-объект встроен в
подсистему.
2. Подсистема получения и подготовки данных позволяет получать из
карты данные в удобном для нейросетевой обработки виде и производить
некоторую предобработку.
3. Подсистема нейросетевой обработки данных (нейроимитатор)
предназначена для построения моделей ИНС и решения с помощью ИНС
задач ГИС.
Задачи, решаемые нейроимитатором в рамках данной работы: 1)
автоматизированное решение задач ГИС на основе нейросетевой
парадигмы.
26
3. Разработка методов создания автодорожных карт и их проблемных мест
на территории Карагандинской области
27