Анализ данных разновременной мультиспектральной аэрофотосъемки для обнаружения границ исторического антропогенного воздействия
Ключевые слова:
мультиспектральная съемка, текстурная сегментация, признаки Харалика, метод главных компонент, кластеризация, k-means, разновременные данные, период вегетации, вторичная сукцессияАннотация
В работе представлено применение алгоритма статистического анализа данных разновременной мультиспектральной аэрофотосъемки с целью выявления участков исторического антропогенного воздействия на природную среду. Исследуемый участок расположен на окраине поселка городского типа Знаменка (Знаменский район Тамбовской области) в лесостепной зоне с типичными черноземными почвами, где во второй половине XIX – начале XX вв. были расположены пашни. Признаком для выявления следов исторического антропогенного воздействия может быть растительность, возникшая в результате вторичной сукцессии на заброшенных участках. Отличительной особенностью такой растительности от окружающей природной среды является ее тип, возраст и плотность произрастания. Таким образом, задача обнаружения границ антропогенного воздействия по мультиспектральным изображениям сводится к задаче классификации растительности. Исходными данными являлись результаты разновременной мультиспектральной съемки в зеленом (Green), красном (Red), краевом красном (RedEdge) и ближнем инфракрасном (NIR) спектральных диапазонах. На первом этапе алгоритма предполагается вычисление текстурных признаков Харалика по данным мультиспектральной съемки, на втором этапе – уменьшение количества признаков методом главных компонент, на третьем – сегментация изображений на основе полученных признаков методом k-means. Эффективность предложенного алгоритма показана при сопоставлении результатов сегментации с эталонными данными исторических картографических материалов. Полученный результат сегментации отражает не только конфигурацию участков анотропогенно-преобразованной природной среды, но и особенности зарастания заброшенной пашни, поскольку исследование разновременных мультиспектральных снимков позволяет более полно охарактеризовать и учесть динамику наращивания фитомассы в разные периоды вегетации.
Литература
1. Бешенцев А.Н. Геоинформационное обеспечение мониторинга трансформации природных ландшафтов в бассейне оз. Байкал на основе ретроспективных картографических материалов // Аридные экосистемы. 2011. Т. 17. № 4 (49). С. 53–62.
2. Черепанова Е.С. Исторические аспекты освоения лесных территорий бассейна Верхней Камы и их последствия // Интерэкспо ГЕО-Сибирь. 2012. Т. 4. С. 37–41.
3. Чернов С.З. Рекомендуемые форматы исторических карт земельных дач средневековой России XIII-XVII вв. (по материалам древнего Радонежа) // Актуальные проблемы аграрной истории Восточной Европы X–XXI вв.: источники и методы исследования: материалы XXXII сессии симпозиума по аграрной истории Восточной Европы. Рязань: Ряз. гос. ун-т им. С.А. Есенина, 2012. С. 58–78.
4. Россия. Полное географическое описание нашего Отечества: настольная и дорожная книга для русских людей. Т.2: Среднерусская Черноземная область: Курская, Орловская, Тульская, Рязанская, Тамбовская, Воронежская и Пензенская губернии // СПб.: А.Ф. Девриен. 1902. 717 с.
5. Аврех А.Л., Канищев В.В. Естественно-исторические условия модернизации аграрного общества. Тамбовская губерния, XIX–XX вв. // Социальная история российской провинции в контексте модернизации аграрного общества в XVIII–XX вв. Тамбов. 2002. С. 3–17.
6. Канищев В.В. Экономика, демография, экология в контексте модернизации аграрного общества (Тамбовская губерния в XIX – начале XX в.) // Экономическая история: Ежегодник. 2002. М.: РОССПЭН. 2003. С. 513–530.
7. Цинцадзе Н.С. Демографические и экологические проблемы развития аграрного общества России во второй половине XIX – начале XX века в восприятии современников. Монография // Тамбов: Изд. дом ТГУ им. Г.Р. Державина. 2012. 286 с.
8. Мониторинг биологического разнообразия лесов России: методология и методы // М.: Наука. 2008. 453 с.
9. Kalinina O., Goryachkin S.V., Lyuri D.I., et.al. Post-agrogenic development of vegetation, soils, and carbon stocks under self-restoration in different climatic zones of European Russia // Catena. 2015. vol. 129. pp. 18–29. DOI: 10.1016/j.catena.2015.02.016.
10. План Знаменской усадьбы и окрестных территорий // Государственный архив Тамбовской области. Ф. 29. Оп. 4. Д. 10052.
11. Kalinina O., Krause S.-E., Goryachkin S.V., et. al. Self-restoration of post-agrogenic chernozems of Russia: Soil development, carbon stocks, and dynamics of carbon pools // Geoderma. 2011. vol. 162. pp. 196–206. DOI: 10.1016/j.geoderma.2011.02.005.
12. Агроэкологическое состояние и перспективы использования земель России, выбывших из активного сельскохозяйственного оборота / под ред. Г.А. Романенко // М.: ФГНУ «Росинформагротех». 2008. 64 с.
13. Cao Y., Li G.L., Luo Y.K., et al. Monitoring of sugar beet growth indicators using wide-dynamic-range vegetation index (WDRVI) derived from UAV multispectral images // Computers and Electronics in Agriculture. 2020. vol. 171: 105331. DOI: 10.1016/j.compag.2020.105331.
14. Eng L.S., Ismail R., Hashim W., et al. Vegetation monitoring using UAV: a preliminary study // International Journal of Engineering & Technology. 2018. no.7. pp. 223–227. DOI: 10.14419/ijet.v7i4.35.22736.
15. Liu S., Marinelli D., Bruzzone L., et al. A review of change detection in multitemporal hyperspectral images: current techniques, applications, and challenges // IEEE Geo science and Remote Sensing Magazine. 2019. vol. 7. no. 2. pp. 140–158. DOI: 10.1109/MGRS.2019.2898520.
16. Wei Z., Gu X., Sun Q., et al. Analysis of the spatial and temporal pattern of changes in abandoned farmland based on long time series of remote sensing data // Remote Sensing. 2021. vol. 13(13): 2549. DOI: 10.3390/rs13132549.
17. Alonso L., Picos J., Armesto J. Forest Land Cover Mapping at a Regional Scale Using Multi-Temporal Sentinel-2 Imagery and RF Models // Remote Sensing. 2021. vol. 13(12): 2237. DOI: 10.3390/rs13122237.
18. Possoch M., Bieker S., Hoffmeister D., et al. Multi-temporal crop surface models combined with the rgb vegetation index from UAV-based images for forage monitoring in grassland // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2016. vol. XLI-B1. pp. 991–998. DOI:10.5194/isprsarchives-XLI-B1-991-2016.
19. Iersel W., Straatsma M., Middelkoop H., et al. Multitemporal classification of river floodplain vegetation using time series of UAV Images // Remote Sensing. 2018. vol. 10(7): 1144. DOI:10.3390/rs10071144.
20. Senf C., Leitão P.J., Pflugmacher D., et al. Mapping land cover in complex mediterranean landscapes using Landsat: improved classification accuracies from integrating multi-seasonal and synthetic imagery // Remote Sensing of Environment. 2015. vol. 156. pp. 527–536. DOI: 10.1016/j.rse.2014.10.018.
21. Simonetti D., Simonetti E., Szantoi Z., et. al. First results from the phenology-based synthesis classifier using Landsat 8 imagery // IEEE Geoscience and Remote Sensing Letters. 2015. vol. 12. no. 7. pp. 1496–1500 DOI: 10.1109/LGRS.2015.2409982.
22. Топографический межевой атлас Тамбовской губернии 1:84000 (1862) [Электронный ресурс] / Это Место. URL: http://www.etomesto.ru/karta5623 (дата обращения 12.07.2021 г.).
23. Карта РККА 1:100000 (1935-1941) [Электронный ресурс] / Это Место. URL: http://www.etomesto.ru/karta2027 (дата обращения 12.07.2021 г.).
24. Самодуров И. Краткое описание имения графа Павла Сергеевича Строганова, Тамбовской губернии и уезда, при селе Знаменском-Кариан. М.: типо-лит. т-ва И.Н. Кушнерев и К°. 1895. 19 с.
25. Xie Q., Dash J., Huang W., et al. Vegetation indices combining the red and red-edge spectral information for leaf area index retrieval // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2018. vol. 11. no. 5. pp. 1482–1493. DOI: 10.1109/JSTARS.2018.2813281.
26. Кондратьев К.Я., Федченко П.П. Спектральная отражательная способность и распознавание растительности // Л.: Гидрометеоиздат. 1982. 215 с.
27. Roy P.S. Spectral reflectance characteristics of vegetation and their use in estimating productive potential // Proceedings of the Indian Academy of Sciences (Plant Science). 1989. vol. 99. no 1. P. 59 – 81. DOI: 10.1007/BF03053419.
28. Govender M., Chetty K., Bulcock H. A review of hyperspectral remote sensing and its application in vegetation and water resource studies // Water SA. 2007. vol. 33. no. 2. pp. 145–151. DOI:10.4314/wsa.v33i2.49049.
29. Sharma A., Kaur D., Gupta A., et. al. Application and Analysis of Hyperspectal Imaging // IEEE International Conference on Signal Processing, Computing and Control (ISPCC 2k19). 2019. pp. 30–35. DOI: 10.1109/ ISPCC48220.2019.8988436.
30. Гонсалес Р., Вудс Р. Цифровая обработка изображений // М.: Техносфера. 2006. 1072 с.
31. Gao J., Li H., Han Z., et. al. Aircraft Detection in Remote Sensing Images Based on Background Filtering and Scale Prediction // PRICAI 2018: Trends in Artificial Intelligence. Lecture Notes in Computer Science. 2018. vol. 11012. pp. 604–616. DOI: /10.1007/978-3-319-97304-3_46.
32. Andriyanov N.A, Vasiliev K.K., Dement'ev V.E. Analysis of the efficiency of satellite image sequences filtering // Journal of Physics: Conference Series. 2018. vol.1096: 012036. DOI: 10.1088/1742- 6596/1096/1/012036.
33. Bannari, A., Morin, D., Bonn, F, et. al. A review of vegetation indices // Remote Sensing Reviews. 1995. vol. 13. no.1. pp. 95–120. DOI: 10.1080/02757259509532298.
34. Черепанов А.С. Вегетационные индексы // Geomatics. 2011. №2. С. 98 – 102.
35. Haralick R.M., Shanmugam K., Dinstein I. Textural features for image classification // IEEE Transactions on Systems, Man, and Cybernetics. 1973. vol. SMC-3. no. 6. pp. 610–621. DOI: 10.1109/TSMC.1973.4309314.
36. Feng Q., Liu J., Gong J. UAV Remote Sensing for Urban Vegetation Mapping Using Random Forest and Texture Analysis // Remote Sensing. 2015. vol. 7. pp. 1074–1094. DOI: 10.3390/rs70101074.
37. Kwak G.-H., Park N.-W. Impact of Texture Information on Crop Classification with Machine Learning and UAV Images // Applied Science. 2019. vol. 9: 643. DOI: 10.3390/app9040643.
38. Dian Y., Li Z., Pang Y. Spectral and texture features combined for forest tree species classification with airborne hyperspectral imagery // Journal of the Indian Society of Remote Sensing. 2015. vol. 43. pp. 101–107. DOI: 10.1007/s12524-014-0392-6.
39. Bekkari A., Idbraim S., Elhassouny A., et. al. SVM and Haralick features for classification of high resolution satellite images from urban areas // ICISP 2012: Image and Signal Processing. Lecture Notes in Computer Science. 2012. vol. 7340. pp. 17–26. DOI: 10.1007/978-3-642-31254-0_3.
40. Rodarmel C., Shan J. Principal component analysis for hyperspectral image classification // Surveying and Land Information Systems. 2002. vol. 62. no. 2, pp. 115–122.
41. Rejichi S., Chaabane F. Feature extraction using PCA for VHR satellite image time series spatial-temporal classification // IEEE International Geoscience and Remote Sensing Symposium (IGARSS). 2015. pp. 485-488. DOI: 10.1109/IGARSS.2015.7325806.
42. Zlobina A.G., Shaura A.S., Zhurbin I.V., et al. Algorithm for statistical analysis of multispectral survey data to identify the anthropogenic impact of the 19th century on the natural environment // Pattern Recognition and Image Analysis. 2021. vol. 31. no. 2. pp. 344–354. DOI: 10.1134/S1054661821020176.
43. Khalid S., Khalil T., Nasreen S. A survey of feature selection and feature extraction techniques in machine learning // Science and Information Conference. 2014. pp. 372–378. DOI: 10.1109/SAI.2014.6918213.
44. Popescu M.C., Sasu L.M. Feature extraction, feature selection and machine learning for image classification: A case study // 2014 International Conference on Optimization of Electrical and Electronic Equipment (OPTIM). 2014. pp. 968–973. DOI: 10.1109/OPTIM.2014.6850925.
45. Ulaby F.T., Kouyate F., Brisco B., et al. Textural Information in SAR Images // IEEE Transactions on Geoscience and Remote Sensing. 1986. vol. GE-24. no. 2. pp. 235–245. DOI:10.1109/TGRS.1986.289643.
46. Jolliffe I.T. Principal Components Analysis. 2nd ed. // N.Y.: Springer-Verlag New York Inc. 2002. 487 p.
47. Kang, B., Jung H., Jeong H., et al. Characterization of three-dimensional channel reservoirs using ensemble Kalman filter assisted by principal component analysis // Petroleum Science. 2020. vol. 17. pp. 182–195. DOI: 10.1007/s12182-019-00362-8.
48. Artoni F., Delorme A., Makeig S. Applying dimension reduction to EEG data by principal component analysis reduces the quality of its subsequent independent component decomposition // NeuroImage. 2018. vol. 175. pp. 176–187. DOI: 10.1016/j.neuroimage.2018.03.016.
49. Huang Z. Extensions to the k-means algorithm for clustering large data sets with categorical values // Data mining and knowledge discovery. 1998. vol. 2. pp. 283–304.
50. Jain A.K. Data clustering: 50 years beyond k-means // Pattern Recognition Letters. 2010. vol. 31. pp. 651–666. DOI: 10.1016/j.patrec.2009.09.011.
2. Черепанова Е.С. Исторические аспекты освоения лесных территорий бассейна Верхней Камы и их последствия // Интерэкспо ГЕО-Сибирь. 2012. Т. 4. С. 37–41.
3. Чернов С.З. Рекомендуемые форматы исторических карт земельных дач средневековой России XIII-XVII вв. (по материалам древнего Радонежа) // Актуальные проблемы аграрной истории Восточной Европы X–XXI вв.: источники и методы исследования: материалы XXXII сессии симпозиума по аграрной истории Восточной Европы. Рязань: Ряз. гос. ун-т им. С.А. Есенина, 2012. С. 58–78.
4. Россия. Полное географическое описание нашего Отечества: настольная и дорожная книга для русских людей. Т.2: Среднерусская Черноземная область: Курская, Орловская, Тульская, Рязанская, Тамбовская, Воронежская и Пензенская губернии // СПб.: А.Ф. Девриен. 1902. 717 с.
5. Аврех А.Л., Канищев В.В. Естественно-исторические условия модернизации аграрного общества. Тамбовская губерния, XIX–XX вв. // Социальная история российской провинции в контексте модернизации аграрного общества в XVIII–XX вв. Тамбов. 2002. С. 3–17.
6. Канищев В.В. Экономика, демография, экология в контексте модернизации аграрного общества (Тамбовская губерния в XIX – начале XX в.) // Экономическая история: Ежегодник. 2002. М.: РОССПЭН. 2003. С. 513–530.
7. Цинцадзе Н.С. Демографические и экологические проблемы развития аграрного общества России во второй половине XIX – начале XX века в восприятии современников. Монография // Тамбов: Изд. дом ТГУ им. Г.Р. Державина. 2012. 286 с.
8. Мониторинг биологического разнообразия лесов России: методология и методы // М.: Наука. 2008. 453 с.
9. Kalinina O., Goryachkin S.V., Lyuri D.I., et.al. Post-agrogenic development of vegetation, soils, and carbon stocks under self-restoration in different climatic zones of European Russia // Catena. 2015. vol. 129. pp. 18–29. DOI: 10.1016/j.catena.2015.02.016.
10. План Знаменской усадьбы и окрестных территорий // Государственный архив Тамбовской области. Ф. 29. Оп. 4. Д. 10052.
11. Kalinina O., Krause S.-E., Goryachkin S.V., et. al. Self-restoration of post-agrogenic chernozems of Russia: Soil development, carbon stocks, and dynamics of carbon pools // Geoderma. 2011. vol. 162. pp. 196–206. DOI: 10.1016/j.geoderma.2011.02.005.
12. Агроэкологическое состояние и перспективы использования земель России, выбывших из активного сельскохозяйственного оборота / под ред. Г.А. Романенко // М.: ФГНУ «Росинформагротех». 2008. 64 с.
13. Cao Y., Li G.L., Luo Y.K., et al. Monitoring of sugar beet growth indicators using wide-dynamic-range vegetation index (WDRVI) derived from UAV multispectral images // Computers and Electronics in Agriculture. 2020. vol. 171: 105331. DOI: 10.1016/j.compag.2020.105331.
14. Eng L.S., Ismail R., Hashim W., et al. Vegetation monitoring using UAV: a preliminary study // International Journal of Engineering & Technology. 2018. no.7. pp. 223–227. DOI: 10.14419/ijet.v7i4.35.22736.
15. Liu S., Marinelli D., Bruzzone L., et al. A review of change detection in multitemporal hyperspectral images: current techniques, applications, and challenges // IEEE Geo science and Remote Sensing Magazine. 2019. vol. 7. no. 2. pp. 140–158. DOI: 10.1109/MGRS.2019.2898520.
16. Wei Z., Gu X., Sun Q., et al. Analysis of the spatial and temporal pattern of changes in abandoned farmland based on long time series of remote sensing data // Remote Sensing. 2021. vol. 13(13): 2549. DOI: 10.3390/rs13132549.
17. Alonso L., Picos J., Armesto J. Forest Land Cover Mapping at a Regional Scale Using Multi-Temporal Sentinel-2 Imagery and RF Models // Remote Sensing. 2021. vol. 13(12): 2237. DOI: 10.3390/rs13122237.
18. Possoch M., Bieker S., Hoffmeister D., et al. Multi-temporal crop surface models combined with the rgb vegetation index from UAV-based images for forage monitoring in grassland // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2016. vol. XLI-B1. pp. 991–998. DOI:10.5194/isprsarchives-XLI-B1-991-2016.
19. Iersel W., Straatsma M., Middelkoop H., et al. Multitemporal classification of river floodplain vegetation using time series of UAV Images // Remote Sensing. 2018. vol. 10(7): 1144. DOI:10.3390/rs10071144.
20. Senf C., Leitão P.J., Pflugmacher D., et al. Mapping land cover in complex mediterranean landscapes using Landsat: improved classification accuracies from integrating multi-seasonal and synthetic imagery // Remote Sensing of Environment. 2015. vol. 156. pp. 527–536. DOI: 10.1016/j.rse.2014.10.018.
21. Simonetti D., Simonetti E., Szantoi Z., et. al. First results from the phenology-based synthesis classifier using Landsat 8 imagery // IEEE Geoscience and Remote Sensing Letters. 2015. vol. 12. no. 7. pp. 1496–1500 DOI: 10.1109/LGRS.2015.2409982.
22. Топографический межевой атлас Тамбовской губернии 1:84000 (1862) [Электронный ресурс] / Это Место. URL: http://www.etomesto.ru/karta5623 (дата обращения 12.07.2021 г.).
23. Карта РККА 1:100000 (1935-1941) [Электронный ресурс] / Это Место. URL: http://www.etomesto.ru/karta2027 (дата обращения 12.07.2021 г.).
24. Самодуров И. Краткое описание имения графа Павла Сергеевича Строганова, Тамбовской губернии и уезда, при селе Знаменском-Кариан. М.: типо-лит. т-ва И.Н. Кушнерев и К°. 1895. 19 с.
25. Xie Q., Dash J., Huang W., et al. Vegetation indices combining the red and red-edge spectral information for leaf area index retrieval // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2018. vol. 11. no. 5. pp. 1482–1493. DOI: 10.1109/JSTARS.2018.2813281.
26. Кондратьев К.Я., Федченко П.П. Спектральная отражательная способность и распознавание растительности // Л.: Гидрометеоиздат. 1982. 215 с.
27. Roy P.S. Spectral reflectance characteristics of vegetation and their use in estimating productive potential // Proceedings of the Indian Academy of Sciences (Plant Science). 1989. vol. 99. no 1. P. 59 – 81. DOI: 10.1007/BF03053419.
28. Govender M., Chetty K., Bulcock H. A review of hyperspectral remote sensing and its application in vegetation and water resource studies // Water SA. 2007. vol. 33. no. 2. pp. 145–151. DOI:10.4314/wsa.v33i2.49049.
29. Sharma A., Kaur D., Gupta A., et. al. Application and Analysis of Hyperspectal Imaging // IEEE International Conference on Signal Processing, Computing and Control (ISPCC 2k19). 2019. pp. 30–35. DOI: 10.1109/ ISPCC48220.2019.8988436.
30. Гонсалес Р., Вудс Р. Цифровая обработка изображений // М.: Техносфера. 2006. 1072 с.
31. Gao J., Li H., Han Z., et. al. Aircraft Detection in Remote Sensing Images Based on Background Filtering and Scale Prediction // PRICAI 2018: Trends in Artificial Intelligence. Lecture Notes in Computer Science. 2018. vol. 11012. pp. 604–616. DOI: /10.1007/978-3-319-97304-3_46.
32. Andriyanov N.A, Vasiliev K.K., Dement'ev V.E. Analysis of the efficiency of satellite image sequences filtering // Journal of Physics: Conference Series. 2018. vol.1096: 012036. DOI: 10.1088/1742- 6596/1096/1/012036.
33. Bannari, A., Morin, D., Bonn, F, et. al. A review of vegetation indices // Remote Sensing Reviews. 1995. vol. 13. no.1. pp. 95–120. DOI: 10.1080/02757259509532298.
34. Черепанов А.С. Вегетационные индексы // Geomatics. 2011. №2. С. 98 – 102.
35. Haralick R.M., Shanmugam K., Dinstein I. Textural features for image classification // IEEE Transactions on Systems, Man, and Cybernetics. 1973. vol. SMC-3. no. 6. pp. 610–621. DOI: 10.1109/TSMC.1973.4309314.
36. Feng Q., Liu J., Gong J. UAV Remote Sensing for Urban Vegetation Mapping Using Random Forest and Texture Analysis // Remote Sensing. 2015. vol. 7. pp. 1074–1094. DOI: 10.3390/rs70101074.
37. Kwak G.-H., Park N.-W. Impact of Texture Information on Crop Classification with Machine Learning and UAV Images // Applied Science. 2019. vol. 9: 643. DOI: 10.3390/app9040643.
38. Dian Y., Li Z., Pang Y. Spectral and texture features combined for forest tree species classification with airborne hyperspectral imagery // Journal of the Indian Society of Remote Sensing. 2015. vol. 43. pp. 101–107. DOI: 10.1007/s12524-014-0392-6.
39. Bekkari A., Idbraim S., Elhassouny A., et. al. SVM and Haralick features for classification of high resolution satellite images from urban areas // ICISP 2012: Image and Signal Processing. Lecture Notes in Computer Science. 2012. vol. 7340. pp. 17–26. DOI: 10.1007/978-3-642-31254-0_3.
40. Rodarmel C., Shan J. Principal component analysis for hyperspectral image classification // Surveying and Land Information Systems. 2002. vol. 62. no. 2, pp. 115–122.
41. Rejichi S., Chaabane F. Feature extraction using PCA for VHR satellite image time series spatial-temporal classification // IEEE International Geoscience and Remote Sensing Symposium (IGARSS). 2015. pp. 485-488. DOI: 10.1109/IGARSS.2015.7325806.
42. Zlobina A.G., Shaura A.S., Zhurbin I.V., et al. Algorithm for statistical analysis of multispectral survey data to identify the anthropogenic impact of the 19th century on the natural environment // Pattern Recognition and Image Analysis. 2021. vol. 31. no. 2. pp. 344–354. DOI: 10.1134/S1054661821020176.
43. Khalid S., Khalil T., Nasreen S. A survey of feature selection and feature extraction techniques in machine learning // Science and Information Conference. 2014. pp. 372–378. DOI: 10.1109/SAI.2014.6918213.
44. Popescu M.C., Sasu L.M. Feature extraction, feature selection and machine learning for image classification: A case study // 2014 International Conference on Optimization of Electrical and Electronic Equipment (OPTIM). 2014. pp. 968–973. DOI: 10.1109/OPTIM.2014.6850925.
45. Ulaby F.T., Kouyate F., Brisco B., et al. Textural Information in SAR Images // IEEE Transactions on Geoscience and Remote Sensing. 1986. vol. GE-24. no. 2. pp. 235–245. DOI:10.1109/TGRS.1986.289643.
46. Jolliffe I.T. Principal Components Analysis. 2nd ed. // N.Y.: Springer-Verlag New York Inc. 2002. 487 p.
47. Kang, B., Jung H., Jeong H., et al. Characterization of three-dimensional channel reservoirs using ensemble Kalman filter assisted by principal component analysis // Petroleum Science. 2020. vol. 17. pp. 182–195. DOI: 10.1007/s12182-019-00362-8.
48. Artoni F., Delorme A., Makeig S. Applying dimension reduction to EEG data by principal component analysis reduces the quality of its subsequent independent component decomposition // NeuroImage. 2018. vol. 175. pp. 176–187. DOI: 10.1016/j.neuroimage.2018.03.016.
49. Huang Z. Extensions to the k-means algorithm for clustering large data sets with categorical values // Data mining and knowledge discovery. 1998. vol. 2. pp. 283–304.
50. Jain A.K. Data clustering: 50 years beyond k-means // Pattern Recognition Letters. 2010. vol. 31. pp. 651–666. DOI: 10.1016/j.patrec.2009.09.011.
Опубликован
2022-03-15
Как цитировать
Шаура, А. С., Злобина, А. Г., Журбин, И. В., & Баженова, А. И. (2022). Анализ данных разновременной мультиспектральной аэрофотосъемки для обнаружения границ исторического антропогенного воздействия. Информатика и автоматизация, 21(2), 427-453. https://doi.org/10.15622/ia.21.2.8
Раздел
Искусственный интеллект, инженерия данных и знаний
Copyright (c) Александр Сергеевич Шаура, Анна Григорьевна Злобина
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями: Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале. Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале. Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).