RU2411468C1 - Способ оценки количественной характеристики зондируемой поверхности земли - Google Patents
Способ оценки количественной характеристики зондируемой поверхности земли Download PDFInfo
- Publication number
- RU2411468C1 RU2411468C1 RU2009135064/28A RU2009135064A RU2411468C1 RU 2411468 C1 RU2411468 C1 RU 2411468C1 RU 2009135064/28 A RU2009135064/28 A RU 2009135064/28A RU 2009135064 A RU2009135064 A RU 2009135064A RU 2411468 C1 RU2411468 C1 RU 2411468C1
- Authority
- RU
- Russia
- Prior art keywords
- earth
- neural network
- training
- data
- ground
- Prior art date
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
Изобретение относится к способам оценки состояния природных объектов по данным дистанционных измерений. В способе, включающем съемку поверхности земли с помощью средств дистанционного спектрального зондирования и выбор обучающих и тестовых участков с последующим обучением нейросети, проводят наземное исследование участков поверхности земли, получая наземные данные об искомой количественной характеристике исследуемой поверхности. Затем разделяют полученные по результатам наземных исследований данные на тестовые и обучающие, производят обучение нейросети для определения количественной характеристики. Используя полученные данные применяют обученную нейросеть для оценки количественной характеристики по результатам дистанционного зондирования земной поверхности в пределах всего снимка. Технический результат - создание способа, обеспечивающего оценку количественной характеристики быстро и с невысокими трудозатратами. 1 ил.
Description
Оценка количественных характеристик зондируемой поверхности на основании данных дистанционного зондирования и, в частности, растительности Земли - один из разделов тематической обработки данных дистанционного зондирования. До недавнего времени были известны два метода корректного решения этой задачи: метод инверсии, основанный на предположении о наличие инвариантных функций связи спектральных и количественных характеристик зондируемой поверхности, т.е. параметров состояния зондируемых объектов [1], и метод, базирующийся на использовании базы спектральных образов [2]. При ближайшем рассмотрении оба эти метода оказываются весьма близкими друг другу, отличающимися лишь способами технической реализации. В сущности, они выполняют процедуру минимизации основного функционала квадрата разности истинного и оцененного значений искомого параметра, что соответствует минимизации среднего риска при квадратичной функции потерь [3].
Указанные методы обладают двумя существенными недостатками: сложностью определения инвариантных функций связи спектральных и предметно-специфических характеристик зондируемых объектов, поскольку не все такие функции могут быть описаны строгими теоретическими моделями, а их экспериментальное оценивание требует весьма объемных материальных, временных и человеческих ресурсов; обращение многопараметрических моделей при обработке спектральных данных на обычных процессорных средствах крайне неэффективно, поскольку «…в настоящее время практически достигнут предел производительности однопроцессорных систем последовательной обработки данных» [2].
Решение проблемы повышения эффективности обработки данных дистанционного зондирования возможно с помощью привлечения для этих целей алгоритма искусственных нейронных сетей (нейросетей). Основное преимущество нейросетей - возможность значительного повышения скорости вычислений. В частности, для решения задачи оценки количественных характеристик зондируемой поверхности по спектральным данным могут применяться нейронные сети с прямой связью (feed-forward), обучаемые по методу обратного распространения ошибок (backpropagation). Используемым нейросетевым алгоритмом является перцептрон [4], а способ его обучения (метод обратного распространения ошибки) представляет собой градиентный алгоритм обучения, который используется для минимизации среднеквадратического отклонения текущего выхода и желаемого выхода нейросети.
Известен способ дистанционного зондирования земной поверхности, включающий съемку поверхности земли с помощью средств дистанционного спектрального зондирования, выбор обучающих и тестовых участков с последующим обучением нейросети [5]. Такой способ применяется для качественного определения характеристик зондируемой поверхности земли.
Недостатком известного способа является невозможность его применения для определения количественных характеристик, что требуется для решения многих практических хозяйственных задач, например для определения высоты растений на исследуемом участке земной поверхности.
Технической задачей настоящего изобретения является создание способа оценки количественных характеристик зондируемой поверхности на основании данных дистанционного зондирования и, в частности, количественных характеристик растительности на поверхности земли.
Техническим результатом является создание способа, обеспечивающего получение необходимых количественных характеристик исследуемой поверхности земли быстро и с невысокими трудозатратами в результате отказа от трудоемкой процедуры определения инвариантных функций связи за счет осуществления обучения нейронной сети по известным обучающим участкам, расположенным в пределах обрабатываемого изображения зондируемой поверхности.
Поставленная задача и необходимый технический результат достигаются тем, что в известном способе оценки количественной характеристики зондируемой поверхности земли с использованием нейросети, включающем съемку поверхности земли с помощью средств дистанционного спектрального зондирования, выбор обучающих и тестовых участков с последующим обучением нейросети, проводят наземное исследование участков подлежащей зондированию поверхности земли, получая наземные данные об искомой количественной характеристике исследуемой поверхности. Полученные по результатам наземных исследований данные разделяют на тестовые и обучающие, производят обучение нейросети для определения количественной характеристики, используя полученные данные. Затем обученную нейросеть применяют для оценки количественных характеристик по результатам дистанционного зондирования земной поверхности.
На чертеже приводится последовательность действий для оценки количественной характеристики зондируемой поверхности.
Реализация предлагаемого способа осуществляется следующим образом. Производится съемка поверхности с помощью средств дистанционного зондирования земли (ДЗЗ), например с помощью гиперспектрометра. Параллельно выполняют наземное исследование участков зондируемой поверхности и получают наземные данные об искомой количественной характеристике. Затем выбирают участки зондируемой поверхности с заранее известными параметрами (ответами нейросети).
Для обучения нейросети наземные данные разделяют на обучающие и тестовые. После этого производят обучение нейросети с целью использования ее для определения искомой количественной характеристики по данным ДЗЗ. По обучающим участкам выполняют настройку (обучение) нейросети, то есть ее внутренние параметры (веса) подбираются так, чтобы ошибка определения искомых характеристик растительности была минимальна. Одновременно осуществляют контроль точности определения указанных характеристик на тестовых участках. Процесс обучения можно наблюдать на графиках зависимости упомянутых ошибок от шага обучения.
Как правило, кривая зависимости ошибки от шага обучения на обучающих участках убывает. Кривая зависимости ошибки на тестовых данных может как убывать, так и возрастать. Убывание означает успешное протекание процесса обучения, а возрастание означает так называемое переобучение сети. Может случиться так, что обе ошибки будут возрастать или сильно осциллировать. Это означает отсутствие успешного обучения сети.
При стабилизации ошибки на тестовых участках (или снижении величины ошибки ниже заранее заданного порогового значения) процесс настройки сети прекращают, поскольку это означает, что процесс обучения нейросети успешно завершен.
Подобный контроль обучения позволяет определить, когда сеть настроилась на искомую количественную характеристику. В случае успешного обучения также оказывается известна ошибка определения количественной характеристики на тестовых участках. После обучения нейросеть применяют для определения искомой количественной характеристики в пределах всего снимка данных ДЗЗ.
Математические операции при реализации предлагаемого способа таковы.
Пусть имеется обучающая выборка {xi}, i=1,…,k; здесь xi - векторы из пространства RN. В качестве таких векторов используют спектры i-тых пикселей спектральной съемки. Обозначим yi=yi(xi) - численное значение исследуемой характеристики i-того пиксела. Предполагается, что для элементов выборки априорно известны значения оцениваемой количественной характеристики {yi}, i=1,…,k. Задача состоит в том, чтобы построить аппроксимацию неизвестной зависимости y=y(x) для любой точки из ее области определения, которая обозначена как X. Множество X состоит из полного набора рассматриваемых векторов (спектров зондируемой поверхности) RN.
Нейросеть, обычно называемая в литературе персептроном (однослойным персептроном) с n нейронами скрытого слоя, реализует следующую аппроксимацию искомой зависимости:
где aj - вектор той же размерности, что и вектор x, Cj и bj - числа, выражение aj·x означает скалярное произведение. Функция σ - так называемая сигмоидная функция:
σ(z)=(1+e-z)-1.
Числа Cj и bj и вектора aj подбираются в процессе обучения персептрона (в теории нейросетей эти параметры называются весами). Само обучение производится по набору {xi}, {yi}, i=1,…,k путем минимизации выражения среднеквадратичной ошибки аппроксимации, а именно функционала
Как известно, наиболее распространенными методами минимизации функционалов указанного типа являются хорошо известные градиентные методы.
Для определения количественной характеристики зондируемой поверхности оказалось эффективным произвести предварительное масштабирование спектральной информации. Эта стандартная процедура заключатся в переходе от векторов {xi} к векторам {zi}, i=1,…,k с элементами
где - l-тая компонента вектора xi (l-тый спектральный канал), - l-тая компонента вектора zi, , - максимальное и минимальное значения l-ого спектрального канала по всему обучающему набору {xi}. Для удобства работы в качестве n+1 компоненты в векторе zi всегда добавляется единичный элемент:
После указанных процедур выражение (1) оказалось возможным заменить на
где векторы aj имеют ту же размерность, что и вектор z. Обучение персептрона работе производится хорошо известным методом обратного распространения ошибки.
Способ оценки количественной характеристики зондируемой поверхности на основании спектральных данных был апробирована на примере решения задач оценки характеристик лесов Московской области по данным гиперспектральной и радиолокационной съемки, а также определения биометрических характеристик наркосодержащих растений по данным гиперспектральной информации, полученной при зондировании поверхности земли с самолета.
Источники информации
1. Б.М.Балтер, В.В.Егоров. Статистическая оценка состояния природных объектов по данным дистанционных измерений // Исслед. Земли из космоса, 1981. № 3, с. 46-55.
2. Козодеров В.В., Кондранин Т.В., Казанцев О.Ю. и др. Обработка и интерпретация данных гиперспектральных аэрокосмических измерений для дистанционной диагностики природно-техногенных объектов // Исслед. Земли из космоса, 2009, №2.
3. Бакут П.А., Большаков Б.М., Герасимов А.А. и др. Вопросы статистической теории радиолокации / Под ред. Г.П.Тартаковского. М.: Советское радио, 1964. Т.2, 1071 с.
4. Галушкин А.И. Нейрокомпьютеры и их применение. Сб. докладов Пятой Всерос. конф. М.: Радио и связь, 1999, 484 с.
5. Morton J. Canty, Image analysis, classification and change detection in remote sensing: with algorithms for ENVI/IDL, CRC Press Tailor & Francis group, 2007, pages 143-202.
Claims (1)
- Способ оценки количественной характеристики зондируемой поверхности земли с использованием нейросети, включающий съемку поверхности земли с помощью средств дистанционного спектрального зондирования, выбор обучающих и тестовых участков с последующим обучением нейросети, отличающийся тем, что параллельно выполняют наземное исследование участков зондируемой поверхности земли, получая наземные данные об искомой количественной характеристике исследуемой поверхности, разделяют полученные по результатам наземных исследований данные на тестовые и обучающие, производят обучение нейросети для определения количественной характеристики, используя полученные наземные данные, после чего применяют обученную нейросеть для оценки количественных характеристик по результатам дистанционного зондирования земной поверхности в пределах всего снимка данных дистанционного спектрального зондирования.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2009135064/28A RU2411468C1 (ru) | 2009-09-21 | 2009-09-21 | Способ оценки количественной характеристики зондируемой поверхности земли |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2009135064/28A RU2411468C1 (ru) | 2009-09-21 | 2009-09-21 | Способ оценки количественной характеристики зондируемой поверхности земли |
Publications (1)
Publication Number | Publication Date |
---|---|
RU2411468C1 true RU2411468C1 (ru) | 2011-02-10 |
Family
ID=46309328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2009135064/28A RU2411468C1 (ru) | 2009-09-21 | 2009-09-21 | Способ оценки количественной характеристики зондируемой поверхности земли |
Country Status (1)
Country | Link |
---|---|
RU (1) | RU2411468C1 (ru) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2747044C1 (ru) * | 2020-06-15 | 2021-04-23 | Российская Федерация, от имени которой выступает ФОНД ПЕРСПЕКТИВНЫХ ИССЛЕДОВАНИЙ | Программно-аппаратный комплекс, предназначенный для обучения и (или) дообучения алгоритмов обработки аэрокосмических изображений местности с целью обнаружения, локализации и классификации до типа авиационной и сухопутной техники |
RU2747214C1 (ru) * | 2020-06-10 | 2021-04-29 | Российская Федерация, от имени которой выступает ФОНД ПЕРСПЕКТИВНЫХ ИССЛЕДОВАНИЙ | Программно-аппаратный комплекс, предназначенный для обучения и (или) дообучения алгоритмов обработки аэрофотоснимков видимого и дальнего инфракрасного диапазонов с целью обнаружения, локализации и классификации строений вне населенных пунктов |
RU2763215C2 (ru) * | 2020-04-10 | 2021-12-28 | Общество с ограниченной ответственностью "Яндекс Беспилотные Технологии" | Способы и системы формирования обучающих данных для нейронной сети |
-
2009
- 2009-09-21 RU RU2009135064/28A patent/RU2411468C1/ru active
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2763215C2 (ru) * | 2020-04-10 | 2021-12-28 | Общество с ограниченной ответственностью "Яндекс Беспилотные Технологии" | Способы и системы формирования обучающих данных для нейронной сети |
RU2747214C1 (ru) * | 2020-06-10 | 2021-04-29 | Российская Федерация, от имени которой выступает ФОНД ПЕРСПЕКТИВНЫХ ИССЛЕДОВАНИЙ | Программно-аппаратный комплекс, предназначенный для обучения и (или) дообучения алгоритмов обработки аэрофотоснимков видимого и дальнего инфракрасного диапазонов с целью обнаружения, локализации и классификации строений вне населенных пунктов |
RU2747044C1 (ru) * | 2020-06-15 | 2021-04-23 | Российская Федерация, от имени которой выступает ФОНД ПЕРСПЕКТИВНЫХ ИССЛЕДОВАНИЙ | Программно-аппаратный комплекс, предназначенный для обучения и (или) дообучения алгоритмов обработки аэрокосмических изображений местности с целью обнаружения, локализации и классификации до типа авиационной и сухопутной техники |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mandel et al. | A hierarchical Bayesian SED model for Type Ia supernovae in the optical to near-infrared | |
Caves et al. | Quantitative comparison of the performance of SAR segmentation algorithms | |
Svendsen et al. | Joint Gaussian processes for biophysical parameter retrieval | |
Gregg et al. | Skill assessment in ocean biological data assimilation | |
US11965946B2 (en) | Machine learning based processing of magnetic resonance data, including an uncertainty quantification | |
CN106940219B (zh) | 一种在轨运行的宽波段卫星遥感器的光谱响应获取方法 | |
EP2616838B1 (en) | Processing sar imagery | |
Durande et al. | Fast determination of coarse-grained cell anisotropy and size in epithelial tissue images using Fourier transform | |
Blix et al. | Gaussian process sensitivity analysis for oceanic chlorophyll estimation | |
Barkataki et al. | Classification of soil types from GPR B scans using deep learning techniques | |
Fedeli | Microwave tomography with LSTM-based processing of the scattered field | |
RU2411468C1 (ru) | Способ оценки количественной характеристики зондируемой поверхности земли | |
Budyn et al. | Characterisation of small embedded two-dimensional defects using multi-view Total Focusing Method imaging algorithm | |
Wu et al. | Designing multi-task convolutional variational autoencoder for radio tomographic imaging | |
Hojjati et al. | Next generation strong lensing time delay estimation with Gaussian processes | |
Alagialoglou et al. | A learnable model with calibrated uncertainty quantification for estimating canopy height from spaceborne sequential imagery | |
Barkataki et al. | Estimation of soil moisture from GPR data using artificial neural networks | |
Chernitsov et al. | Construction of confidence regions in the problem of asteroid orbit determination | |
Bergstrom et al. | Understanding the relationship between image quality and convolutional neural network performance | |
Zérah et al. | Physics-constrained deep learning for biophysical parameter retrieval from Sentinel-2 images: inversion of the PROSAIL model | |
US20130332111A1 (en) | Generating information conditional on mapped measurements | |
Aucejo et al. | Bayesian formulations for force reconstruction problems | |
Ekmekci et al. | Quantifying generative model uncertainty in posterior sampling methods for computational imaging | |
Paasche | Post‐inversion integration of Disparate Tomographic Models by Model Structure Analyses | |
Dapkus et al. | A study of supervised combined neural-network-based ultrasonic method for reconstruction of the spatial distribution of material properties |