Карты земного покрова

Карты земельного покрова — это инструменты, которые предоставляют жизненно важную информацию о землепользовании и структуре растительного покрова Земли. Они помогают разработке политики, городскому планированию , а также мониторингу лесов и сельского хозяйства. ^[1]^[2]

Систематическое картирование структуры земного покрова , включая обнаружение изменений, часто следует двум основным подходам:

Полевые исследования
Обработка спутниковых изображений дистанционного зондирования Земли . ^[3] Этот экономически эффективный подход использует несколько методов предварительной обработки изображений и обработки для точного картирования структуры земного покрова. Эти методы обнаруживают изменения в различных пространственных масштабах после серии симуляций машинного обучения и статистических приложений.

Предварительная обработка изображений обычно выполняется посредством радиометрических поправок, тогда как обработка изображений предполагает применение неконтролируемых или контролируемых классификаций и количественной оценки индексов растительности для создания карт земного покрова.

Контролируемая классификация

Контролируемая классификация — это система классификации, в которой пользователь создает серию случайно сгенерированных наборов обучающих данных или спектральных сигнатур, представляющих различные классы землепользования и растительного покрова (LULC), и применяет эти наборы данных в моделях машинного обучения для прогнозирования и пространственной классификации LULC. закономерности и оценить точность классификации.

Алгоритмы

несколько алгоритмов машинного обучения Для контролируемой классификации было разработано .

Классификация максимального правдоподобия (MLC) ^[4] – Этот подход классифицирует перекрывающиеся сигнатуры путем оценки вероятности изображения того, что пиксель с максимальной вероятностью соответствует определенному типу LULC. Он также зависит от среднего значения и ковариационной матрицы наборов обучающих данных и предполагает статистическую значимость пикселей изображения. ^[4]
Минимальное расстояние (МД) ^[4] – Форма контролируемой классификации, которая определяет границы принятия решений между пикселями изображения для классификации растительного покрова. ^[4] Границы решения формируются путем расчета среднего расстояния между пикселями классов и использования стандартного отклонения сгенерированных наборов обучающих данных для создания блока параллелепипеда .
Расстояние Махаланобис ^[5] – Система классификации, которая использует алгоритм евклидова расстояния для назначения классов земного покрова из набора наборов обучающих данных. ^[5]
Спектральный картограф-рыболов (SAM) ^[6] – Подход спектральной классификации изображений , который использует угловые измерения для определения взаимосвязи между двумя спектрами, рассматривая их как векторы в q -мерном пространстве, где q -размеры представляют количество полос. ^[6]
Дискриминантный анализ (DA) – система классификации, в которой алгоритм классификации разделяет группы тесно связанных пикселей изображения на классы, минимизируя дисперсию внутри классов и максимизируя дисперсию между классами в соответствии с правилом дискриминанта максимального правдоподобия.
Генетический алгоритм ^[7] – Система классификации, применяющая генетические принципы для выбора подходящих кластеров обучающих данных и их классификации под влиянием предикторов (полос спутниковых изображений). ^[7]
Подпространство ^[8]^[9] – Подход классификации, при котором классификатор создает низкоразмерные подпространства для каждого класса земного покрова, выбранного из кластера обучающих точек. Подход к созданию многомерного подпространства включает выполнение анализа главных компонент в обучающих точках. ^[8]^[9] Для минимизации ошибок классификации земного покрова существуют два типа алгоритмов подпространства: сжатие информации о признаках класса (CLAFIC). ^[10] и метод среднего обучающего подпространства (ALSM). ^[11]
Классификация параллелепипедов ^[12] – Классификатор пространства объектов, который назначает диапазон значений для каждого класса растительного покрова в каждом канале изображения и создает ограничивающие рамки , в которых для обучения классификатора выбираются пиксели из каждого класса растительного покрова. ^[12]
Мультиперцептронные искусственные нейронные сети (MP‑ANN) ^[13]^[14] – Система классификации, в которой классификатор использует ряд нейронных сетей или узлов для классификации земного покрова на основе обратного распространения обучающих выборок.
Машины опорных векторов (SVM) ^[15] – Подход к классификации, при котором классификатор использует опорные векторы для получения оптимальных границ решения, разделяющих два или более классов земного покрова.
Случайный лес (РФ) ^[16] – Подход, при котором классификатор использует бутстрепы для создания нескольких деревьев решений, которые классифицируют наборы обучающих данных на основе ряда полос спутниковых изображений. ^[16]
K -алгоритм ближайших соседей ( k ‑NN) ^[15] – Этот подход извлекает k ближайших выборок из наборов обучающих данных и классифицирует земной покров на основе расстояния между этими выборками.
Дерево решений (DT) ^[13] – Как и RF, DT представляет собой набор связанных узлов, которые разделяют обучающие выборки на набор кластеров земного покрова. ^[13] Его преимущества заключаются в том, что он быстро, легко строится и интерпретируется для небольших данных и хорошо исключает фоновую или неважную информацию. Недостаток этого подхода заключается в том, что он может привести к переоснащению , особенно для больших наборов данных.
Нечеткая кластеризация (FZ)

Неконтролируемая классификация

Неконтролируемая классификация — это система классификации, в которой отдельные или группы пикселей автоматически классифицируются программным обеспечением без применения пользователем сигнатурных файлов или обучающих данных. Однако пользователь определяет количество классов, для которых компьютер будет автоматически генерировать, группируя похожие пиксели в одну категорию с помощью алгоритма кластеризации. Эта система классификации в основном используется в районах, где нет полевых наблюдений или предварительных знаний о доступных типах земельного покрова.

Алгоритмы

Метод итеративного самоорганизующегося анализа данных (ISODATA). В этом подходе классификатор автоматически группирует ряд тесно связанных пикселей изображения в кластеры, а затем вычисляет средние значения кластеров и классифицирует земной покров на основе серии повторяющихся итераций.
K - означает кластеризацию ^[17] – Подход, при котором компьютер автоматически извлекает k характеристик земного покрова из спутниковых изображений и классифицирует общее изображение на основе рассчитанных средних значений извлеченных характеристик.

Классификация индексов растительности

Классификация индексов растительности представляет собой систему, в которой два или более спектральных диапазонов объединяются с помощью определенных статистических алгоритмов для отражения пространственных свойств растительного покрова.

Большинство этих индексов используют соотношение между красным и ближним инфракрасным (NIR) диапазонами спутниковых изображений для определения свойств растительности. Было разработано несколько индексов растительности; ученые применяют их с помощью дистанционного зондирования для эффективной классификации лесного покрова и моделей землепользования.

Эти спектральные индексы используют две или более полос для точного определения поверхностной отражательной способности объектов суши, тем самым повышая точность классификации. ^[18]^[19]

Индексы растительности

Нормализованный разностный вегетационный индекс (NDVI) ^[20]^[21] – Определяется как соотношение между красным и ближним инфракрасным (NIR) диапазонами спутниковых изображений. Он рассчитывается как:

{\text{NVDI}}={({\text{NIR}}-{\text{Red}}) \over ({\text{NIR}}+{\text{Red}})}

Этот индекс измеряет зеленость растительности, его значения варьируются от -1 до 1. Высокие значения NDVI представляют собой густой растительный покров, умеренные значения NDVI представляют собой скудный растительный покров, а низкие значения NDVI соответствуют территориям без растительности (например, бесплодным или голым землям). ^[22]

Улучшенный вегетационный индекс (EVI) ^[23] – Определяется как соотношение между красным, ближним ИК- и синим диапазонами с коэффициентом усиления (G), поправочным коэффициентом яркости почвы (L) и атмосферных аэрозолей (C). поправочными коэффициентами ^[24]^[25] Он рассчитывается как:

G\times {({\text{NIR}}-{\text{Red}}) \over ({\text{NIR}}+C_{1}\times {\text{Red}}-C_{2}\times {\text{Blue}}+L)}

обычно со значениями по умолчанию L = 0,5 и G = 2,5.

Индекс растительности с поправкой на почву (SAVI) ^[26] – Определяется как соотношение между значениями красного и ближнего ИК-диапазона с поправочным коэффициентом яркости почвы (L). Он рассчитывается как:

{\text{SAVI}}=(1+L)\times {({\text{NIR}}-{\text{Red}}) \over ({\text{NIR}}+{\text{Red}}+L)}

Индекс тени навеса (SI) – определяется как квадратный корень из красной и зеленой полос спутниковых изображений. Он оценивает различные теневые узоры лесных пологов в зависимости от возраста, структуры и состава, а также легко отличает густые леса от травы и голых земель. ^[27]^[28] Он рассчитывается как:

{\text{SI}}={\sqrt[{}]{(256-{\text{Green}})\times (256-{\text{Red}})}}

где красный и зеленый находятся в диапазоне от 0 до 256.

развитой Индекс растительности (AVI) – используется для дифференциации лесного покрова от лугов и голых земель. Он рассчитывается как:

{\text{AVI}}={\sqrt[{3}]{({\text{NIR}}+1)\times ({\text{256}}-{\text{Red}})\times ({\text{NIR}}-{\text{Red}})}}

где красный находится в диапазоне от 0 до 256.

Индекс голой почвы (BSI) ^[29]^[27] – Определяется как соотношение между ближним ИК-диапазоном, красным и синим диапазонами спутниковых изображений. Он измеряет количество голой почвы и поэтому увеличивается с уменьшением плотности леса. ^[27]^[28] Он рассчитывается как:

{\text{BSI}}={({\text{NIR}}+{\text{Green}})-{\text{Red}} \over ({\text{NIR}}+{\text{Green}})+{\text{Red}}}

Нормализованный дифференциальный индекс воды (NDWI) ^[30] – Разработан для количественного определения содержания воды в растениях и других элементах земной системы с использованием коротковолнового инфракрасного излучения (SWIR). Он рассчитывается как:

{\text{NDWI}}={{\text{NIR}}-{\text{SWIR}} \over {\text{NIR}}+{\text{SWIR}}}

Нормализованный дифференциальный индекс накопления (NDBI) ^[31] – Разработан для количественной оценки застроенных территорий на спутниковых изображениях. Он рассчитывается как:

{\text{NDBI}}={{\text{SWIR}}-{\text{NIR}} \over {\text{SWIR}}+{\text{NIR}}}

См. также

Ссылки

^ Весселс, Конрад Дж.; Рейерс, Белинда; ван Яарсвельд, Альберт С.; Резерфорд, Майк К. (апрель 2003 г.). «Определение потенциальных зон конфликта между преобразованием земель и сохранением биоразнообразия на северо-востоке Южной Африки» . Сельское хозяйство, экосистемы и окружающая среда . 95 (1): 157–178. дои : 10.1016/s0167-8809(02)00102-0 . ISSN 0167-8809 .
^ Гебхардт, Штеффен; Верманн, Тило; Руис, Мигель; Маэда, Педро; Бишоп, Джесси; Шрамм, Матиас; Копейниг, Рене; Картус, Оливер; Кельндорфер, Йозеф; Рессл, Райнер; Сантос, Лусио (30 апреля 2014 г.). «MAD-MEX: Автоматический сквозной мониторинг земного покрова для мексиканской программы REDD-MRV с использованием всех данных Landsat» . Дистанционное зондирование . 6 (5): 3923–3943. Бибкод : 2014RemS....6.3923G . дои : 10.3390/rs6053923 . ISSN 2072-4292 .
^ Крэкнелл, Мэтью Дж.; Ридинг, Аня М. (февраль 2014 г.). «Геологическое картирование с использованием данных дистанционного зондирования: сравнение пяти алгоритмов машинного обучения, их реакция на изменения в пространственном распределении обучающих данных и использование явной пространственной информации» . Компьютеры и геонауки . 63 : 22–33. Бибкод : 2014CG.....63...22C . дои : 10.1016/j.cageo.2013.10.008 . ISSN 0098-3004 .
^ Перейти обратно: ^а ^б ^с ^д Пресса, Форекс. «Анализ метода контролируемой классификации спутниковых изображений» . {{cite journal}}: Для цитирования журнала требуется |journal= ( помощь )
^ Перейти обратно: ^а ^б Хан, Умайр; Миналлах, Насру; Джунаид, Ахмад; Гюль, Кашаф; Ахмад, Насир (декабрь 2015 г.). «Классификация параллелепипедов и Махаланобиса на основе расстояний для идентификации лесного хозяйства в Пакистане» . 2015 Международная конференция по новым технологиям (ICET) . ИИЭЭ . стр. 1–6. дои : 10.1109/icet.2015.7389199 . ISBN 978-1-5090-2013-3 . S2CID 38668604 .
^ Перейти обратно: ^а ^б Крузе, ФА; Лефкофф, AB; Бордман, JW; Хайдебрехт, КБ; Шапиро, AT; Барлун, ПиДжей; Гетц, AFH (1993). «Система обработки спектральных изображений (SIPS) — интерактивная визуализация и анализ данных спектрометрического изображения» . Материалы конференции AIP . 283 . АИП: 192–201. Бибкод : 1993AIPC..283..192K . дои : 10.1063/1.44433 .
^ Перейти обратно: ^а ^б Маулик, Уджвал; Бандйопадхьяй, Сангамитра (сентябрь 2000 г.). «Техника кластеризации на основе генетических алгоритмов» . Распознавание образов . 33 (9): 1455–1465. Бибкод : 2000PatRe..33.1455M . дои : 10.1016/s0031-3203(99)00137-5 . ISSN 0031-3203 .
^ Перейти обратно: ^а ^б Сунь, Вэйвэй; Ма, Джун; Ян, Банда; Ду, Бо; Чжан, Лянпэй (июнь 2017 г.). «Метод факторизации неотрицательной матрицы Пуассона с ограничением кластеризации подпространства параметров для извлечения конечных членов в гиперспектральных изображениях» . Журнал фотограмметрии и дистанционного зондирования ISPRS . 128 : 27–39. Бибкод : 2017JPRS..128...27S . дои : 10.1016/j.isprsjprs.2017.03.004 . ISSN 0924-2716 .
^ Перейти обратно: ^а ^б Сунь, Вэйвэй; Ду, Бо; Сюн, Шаолун (01 мая 2017 г.). «Количественная оценка субпиксельного покрытия поверхностных вод в городской среде с использованием фракции с низким альбедо по изображениям Landsat» . Дистанционное зондирование . 9 (5): 428. Бибкод : 2017RemS....9..428S . дои : 10.3390/rs9050428 . ISSN 2072-4292 .
^ Гюльмезоглу, М. Билгинер; Джафаров, Вакиф; Эдизкан, Рифат; Баркана, Аталай (апрель 2007 г.). «Общевекторный подход и его сравнение с другими методами подпространства при наличии достаточных данных» . Компьютерная речь и язык . 21 (2): 266–281. дои : 10.1016/j.csl.2006.06.002 . ISSN 0885-2308 .
^ Лааксонен, Йорма; Оя, Эркки (1996), Мальсбург, Кристоф; Зеелен, Вернер; Форбрюгген, Ян К.; Сендхофф, Бернхард (ред.), «Выбор измерений подпространства и метод усредненного обучения подпространства в классификации рукописных цифр» , Искусственные нейронные сети — ICANN 96 , том. 1112, Берлин, Гейдельберг: Springer Berlin Heidelberg, стр. 227–232, doi : 10.1007/3-540-61510-5_41 , ISBN 978-3-540-61510-1 , получено 13 апреля 2021 г.
^ Перейти обратно: ^а ^б Мэй Сян; Чи-Ченг Хунг; Минь Фам; Бор-Чен Го; Коулман, Т. (2005). «Классификатор мультиспектральных изображений в виде параллелепипеда с использованием генетических алгоритмов» . Слушания. 2005 Международный симпозиум IEEE по геонаукам и дистанционному зондированию, 2005. IGARSS '05 . Том. 1. Сеул, Корея: IEEE . стр. 482–485. дои : 10.1109/IGARSS.2005.1526216 . ISBN 978-0-7803-9050-8 . S2CID 37014767 .
^ Перейти обратно: ^а ^б ^с Бейчер, А.; Мёллер, AB; Греве, Миннесота (октябрь 2019 г.). «Искусственные нейронные сети и классификация дерева решений для прогнозирования классов дренажа почвы в Дании» . Геодерма . 352 : 351–359. Бибкод : 2019Geode.352..351B . doi : 10.1016/j.geoderma.2017.11.004 . ISSN 0016-7061 . S2CID 134063283 .
^ СИЛЬВА, Леонардо Перейра и; Ксавье, Ана Паула Кампос; да Силва, Ришар Маркес; САНТОС, Селсу Аугусто Гимарайнш (март 2020 г.). «Моделирование изменения растительного покрова на основе искусственной нейронной сети для полузасушливого речного бассейна на северо-востоке Бразилии» . Глобальная экология и охрана природы . 21 : e00811. дои : 10.1016/j.gecco.2019.e00811 . ISSN 2351-9894 .
^ Перейти обратно: ^а ^б Ло, КП; Чой, Джинму (июль 2004 г.). «Гибридный подход к картированию землепользования/покрова городских территорий с использованием изображений Landsat 7 Enhanced Thematic Mapper Plus (ETM+)» . Международный журнал дистанционного зондирования . 25 (14): 2687–2700. Бибкод : 2004IJRS...25.2687L . дои : 10.1080/01431160310001618428 . ISSN 0143-1161 . S2CID 129129271 .
^ Перейти обратно: ^а ^б Меллор, Эндрю; Хейвуд, Эндрю; Стоун, Кристина; Джонс, Саймон (4 июня 2013 г.). «Эффективность случайных лесов в оперативных условиях для классификации склерофилловых лесов на большой территории» . Дистанционное зондирование . 5 (6): 2838–2856. Бибкод : 2013RemS....5.2838M . дои : 10.3390/rs5062838 . ISSN 2072-4292 .
^ Аббас, А.; Миналла, Н.; Ахмад, Н.; Абид, С.; Хан, М. Алгоритмы кластеризации K-means и ISODATA для классификации растительного покрова с использованием дистанционного зондирования. Синдский университет. Рез. Ж. СУРЖ (научный сер.) 2016, 48, 315–318.
^ Цо, Брандт; Мазер, Пол М. (2001). Методы классификации данных дистанционного зондирования . Абингдон, Великобритания: Тейлор и Фрэнсис . дои : 10.4324/9780203303566 . ISBN 978-0-203-35581-7 .
^ Шабан, Массачусетс; Дикшит, О. (январь 2001 г.). «Улучшение классификации городских территорий за счет использования текстурных особенностей: пример города Лакхнау, Уттар-Прадеш» . Международный журнал дистанционного зондирования . 22 (4): 565–593. Бибкод : 2001IJRS...22..565D . дои : 10.1080/01431160050505865 . ISSN 0143-1161 . S2CID 128572668 .
^ Петторелли, Натали; Вик, Джон Олав; Мистеруд, Атле; Гайяр, Жан-Мишель; Такер, Комптон Дж.; Стенсет, Нильс Хр. (сентябрь 2005 г.). «Использование спутниковых данных NDVI для оценки экологической реакции на изменение окружающей среды» . Тенденции в экологии и эволюции . 20 (9): 503–510. дои : 10.1016/j.tree.2005.05.011 . ISSN 0169-5347 . ПМИД 16701427 .
^ Петторелли, Натали; Гайяр, Жан-Мишель; Мистеруд, Атле; Дункан, Патрик; Хр. Стенсет, Нильс; Делорм, Дэниел; Ван Лаэр, Гай; Тойго, Кэрол; Кляйн, Франсуа (март 2006 г.). «Использование показателя продуктивности растений (NDVI) для определения ключевых периодов продуктивности животных: случай косули» . Ойкос . 112 (3): 565–572. дои : 10.1111/j.0030-1299.2006.14447.x . ISSN 0030-1299 .
^ Вегманн М., Лейтнер Б., Дех С. (2016) Дистанционное зондирование и ГИС для экологов: использование программного обеспечения с открытым исходным кодом. Pelagic Publishing, Эксетер, Великобритания
^ Цзян, З.; Уэте, А.; Дидан, К.; Миура, Т. (15 октября 2008 г.). «Разработка двухполосного улучшенного индекса растительности без синей полосы» . Дистанционное зондирование окружающей среды . 112 (10): 3833–3845. Бибкод : 2008RSEnv.112.3833J . дои : 10.1016/j.rse.2008.06.006 . ISSN 0034-4257 .
^ Хуэй Цин Лю; Уэте, А. (март 1995 г.). «Модификация NDVI на основе обратной связи для минимизации фонового фона и атмосферного шума» . Транзакции IEEE по геонаукам и дистанционному зондированию . 33 (2). ИИЭР : 457–465. дои : 10.1109/36.377946 . ISSN 0196-2892 . S2CID 28380065 .
^ Сюэ, Джинжу; Су, Баофэн (23 мая 2017 г.). «Важные индексы растительности дистанционного зондирования: обзор разработок и приложений» . Журнал датчиков . 2017 : 1–17. дои : 10.1155/2017/1353691 .
^ Уэте, Арканзас (август 1988 г.). «Индекс растительности с поправкой на почву (SAVI)» . Дистанционное зондирование окружающей среды . 25 (3): 295–309. Бибкод : 1988RSEnv..25..295H . дои : 10.1016/0034-4257(88)90106-х . ISSN 0034-4257 .
^ Перейти обратно: ^а ^б ^с Рикимару, Р.; Рой, PS; Миятаке, С. (2002). «Картирование плотности покрова тропических лесов». Тропическая экология . 43 : 39–47.
^ Перейти обратно: ^а ^б Бэйнс, Джек (январь 2004 г.). «Оценка плотности лесного покрова в сильно изменчивом ландшафте с использованием данных Landsat и программного обеспечения FCD Mapper» . Австралийское лесное хозяйство . 67 (4): 247–253. дои : 10.1080/00049158.2004.10674942 . ISSN 0004-9158 . S2CID 84900545 .
^ Рикимару, А., 1999. Концепция модели отображения FCD и полуэкспертной системы. Руководство пользователя картографа FCD. Международная организация тропической древесины и Японская ассоциация зарубежных консультантов по лесному хозяйству. стр 90.
^ Гао, Бо-цай (декабрь 1996 г.). «NDWI — нормализованный разностный индекс воды для дистанционного зондирования растительной жидкой воды из космоса» . Дистанционное зондирование окружающей среды . 58 (3): 257–266. Бибкод : 1996RSEnv..58..257G . дои : 10.1016/s0034-4257(96)00067-3 . ISSN 0034-4257 .
^ Жа, Ю.; Гао, Дж.; Ни, С. (январь 2003 г.). «Использование нормализованного индекса разности при автоматическом картировании городских территорий на основе изображений ТМ» . Международный журнал дистанционного зондирования . 24 (3): 583–594. Бибкод : 2003IJRS...24..583Z . дои : 10.1080/01431160304987 . ISSN 0143-1161 . S2CID 129599221 .

[1] Весселс, Конрад Дж.; Рейерс, Белинда; ван Яарсвельд, Альберт С.; Резерфорд, Майк К. (апрель 2003 г.). «Определение потенциальных зон конфликта между преобразованием земель и сохранением биоразнообразия на северо-востоке Южной Африки» . Сельское хозяйство, экосистемы и окружающая среда . 95 (1): 157–178. дои : 10.1016/s0167-8809(02)00102-0 . ISSN 0167-8809 .

[2] Гебхардт, Штеффен; Верманн, Тило; Руис, Мигель; Маэда, Педро; Бишоп, Джесси; Шрамм, Матиас; Копейниг, Рене; Картус, Оливер; Кельндорфер, Йозеф; Рессл, Райнер; Сантос, Лусио (30 апреля 2014 г.). «MAD-MEX: Автоматический сквозной мониторинг земного покрова для мексиканской программы REDD-MRV с использованием всех данных Landsat» . Дистанционное зондирование . 6 (5): 3923–3943. Бибкод : 2014RemS....6.3923G . дои : 10.3390/rs6053923 . ISSN 2072-4292 .

[3] Крэкнелл, Мэтью Дж.; Ридинг, Аня М. (февраль 2014 г.). «Геологическое картирование с использованием данных дистанционного зондирования: сравнение пяти алгоритмов машинного обучения, их реакция на изменения в пространственном распределении обучающих данных и использование явной пространственной информации» . Компьютеры и геонауки . 63 : 22–33. Бибкод : 2014CG.....63...22C . дои : 10.1016/j.cageo.2013.10.008 . ISSN 0098-3004 .

[:0-4] Перейти обратно: ^а ^б ^с ^д Пресса, Форекс. «Анализ метода контролируемой классификации спутниковых изображений» . {{cite journal}}: Для цитирования журнала требуется |journal= ( помощь )

[:4-5] Перейти обратно: ^а ^б Хан, Умайр; Миналлах, Насру; Джунаид, Ахмад; Гюль, Кашаф; Ахмад, Насир (декабрь 2015 г.). «Классификация параллелепипедов и Махаланобиса на основе расстояний для идентификации лесного хозяйства в Пакистане» . 2015 Международная конференция по новым технологиям (ICET) . ИИЭЭ . стр. 1–6. дои : 10.1109/icet.2015.7389199 . ISBN 978-1-5090-2013-3 . S2CID 38668604 .

[:5-6] Перейти обратно: ^а ^б Крузе, ФА; Лефкофф, AB; Бордман, JW; Хайдебрехт, КБ; Шапиро, AT; Барлун, ПиДжей; Гетц, AFH (1993). «Система обработки спектральных изображений (SIPS) — интерактивная визуализация и анализ данных спектрометрического изображения» . Материалы конференции AIP . 283 . АИП: 192–201. Бибкод : 1993AIPC..283..192K . дои : 10.1063/1.44433 .

[:6-7] Перейти обратно: ^а ^б Маулик, Уджвал; Бандйопадхьяй, Сангамитра (сентябрь 2000 г.). «Техника кластеризации на основе генетических алгоритмов» . Распознавание образов . 33 (9): 1455–1465. Бибкод : 2000PatRe..33.1455M . дои : 10.1016/s0031-3203(99)00137-5 . ISSN 0031-3203 .

[:7-8] Перейти обратно: ^а ^б Сунь, Вэйвэй; Ма, Джун; Ян, Банда; Ду, Бо; Чжан, Лянпэй (июнь 2017 г.). «Метод факторизации неотрицательной матрицы Пуассона с ограничением кластеризации подпространства параметров для извлечения конечных членов в гиперспектральных изображениях» . Журнал фотограмметрии и дистанционного зондирования ISPRS . 128 : 27–39. Бибкод : 2017JPRS..128...27S . дои : 10.1016/j.isprsjprs.2017.03.004 . ISSN 0924-2716 .

[:8-9] Перейти обратно: ^а ^б Сунь, Вэйвэй; Ду, Бо; Сюн, Шаолун (01 мая 2017 г.). «Количественная оценка субпиксельного покрытия поверхностных вод в городской среде с использованием фракции с низким альбедо по изображениям Landsat» . Дистанционное зондирование . 9 (5): 428. Бибкод : 2017RemS....9..428S . дои : 10.3390/rs9050428 . ISSN 2072-4292 .

[10] Гюльмезоглу, М. Билгинер; Джафаров, Вакиф; Эдизкан, Рифат; Баркана, Аталай (апрель 2007 г.). «Общевекторный подход и его сравнение с другими методами подпространства при наличии достаточных данных» . Компьютерная речь и язык . 21 (2): 266–281. дои : 10.1016/j.csl.2006.06.002 . ISSN 0885-2308 .

[11] Лааксонен, Йорма; Оя, Эркки (1996), Мальсбург, Кристоф; Зеелен, Вернер; Форбрюгген, Ян К.; Сендхофф, Бернхард (ред.), «Выбор измерений подпространства и метод усредненного обучения подпространства в классификации рукописных цифр» , Искусственные нейронные сети — ICANN 96 , том. 1112, Берлин, Гейдельберг: Springer Berlin Heidelberg, стр. 227–232, doi : 10.1007/3-540-61510-5_41 , ISBN 978-3-540-61510-1 , получено 13 апреля 2021 г.

[:9-12] Перейти обратно: ^а ^б Мэй Сян; Чи-Ченг Хунг; Минь Фам; Бор-Чен Го; Коулман, Т. (2005). «Классификатор мультиспектральных изображений в виде параллелепипеда с использованием генетических алгоритмов» . Слушания. 2005 Международный симпозиум IEEE по геонаукам и дистанционному зондированию, 2005. IGARSS '05 . Том. 1. Сеул, Корея: IEEE . стр. 482–485. дои : 10.1109/IGARSS.2005.1526216 . ISBN 978-0-7803-9050-8 . S2CID 37014767 .

[:2-13] Перейти обратно: ^а ^б ^с Бейчер, А.; Мёллер, AB; Греве, Миннесота (октябрь 2019 г.). «Искусственные нейронные сети и классификация дерева решений для прогнозирования классов дренажа почвы в Дании» . Геодерма . 352 : 351–359. Бибкод : 2019Geode.352..351B . doi : 10.1016/j.geoderma.2017.11.004 . ISSN 0016-7061 . S2CID 134063283 .

[14] СИЛЬВА, Леонардо Перейра и; Ксавье, Ана Паула Кампос; да Силва, Ришар Маркес; САНТОС, Селсу Аугусто Гимарайнш (март 2020 г.). «Моделирование изменения растительного покрова на основе искусственной нейронной сети для полузасушливого речного бассейна на северо-востоке Бразилии» . Глобальная экология и охрана природы . 21 : e00811. дои : 10.1016/j.gecco.2019.e00811 . ISSN 2351-9894 .

[:1-15] Перейти обратно: ^а ^б Ло, КП; Чой, Джинму (июль 2004 г.). «Гибридный подход к картированию землепользования/покрова городских территорий с использованием изображений Landsat 7 Enhanced Thematic Mapper Plus (ETM+)» . Международный журнал дистанционного зондирования . 25 (14): 2687–2700. Бибкод : 2004IJRS...25.2687L . дои : 10.1080/01431160310001618428 . ISSN 0143-1161 . S2CID 129129271 .

[:3-16] Перейти обратно: ^а ^б Меллор, Эндрю; Хейвуд, Эндрю; Стоун, Кристина; Джонс, Саймон (4 июня 2013 г.). «Эффективность случайных лесов в оперативных условиях для классификации склерофилловых лесов на большой территории» . Дистанционное зондирование . 5 (6): 2838–2856. Бибкод : 2013RemS....5.2838M . дои : 10.3390/rs5062838 . ISSN 2072-4292 .

[17] Аббас, А.; Миналла, Н.; Ахмад, Н.; Абид, С.; Хан, М. Алгоритмы кластеризации K-means и ISODATA для классификации растительного покрова с использованием дистанционного зондирования. Синдский университет. Рез. Ж. СУРЖ (научный сер.) 2016, 48, 315–318.

[18] Цо, Брандт; Мазер, Пол М. (2001). Методы классификации данных дистанционного зондирования . Абингдон, Великобритания: Тейлор и Фрэнсис . дои : 10.4324/9780203303566 . ISBN 978-0-203-35581-7 .

[19] Шабан, Массачусетс; Дикшит, О. (январь 2001 г.). «Улучшение классификации городских территорий за счет использования текстурных особенностей: пример города Лакхнау, Уттар-Прадеш» . Международный журнал дистанционного зондирования . 22 (4): 565–593. Бибкод : 2001IJRS...22..565D . дои : 10.1080/01431160050505865 . ISSN 0143-1161 . S2CID 128572668 .

[20] Петторелли, Натали; Вик, Джон Олав; Мистеруд, Атле; Гайяр, Жан-Мишель; Такер, Комптон Дж.; Стенсет, Нильс Хр. (сентябрь 2005 г.). «Использование спутниковых данных NDVI для оценки экологической реакции на изменение окружающей среды» . Тенденции в экологии и эволюции . 20 (9): 503–510. дои : 10.1016/j.tree.2005.05.011 . ISSN 0169-5347 . ПМИД 16701427 .

[21] Петторелли, Натали; Гайяр, Жан-Мишель; Мистеруд, Атле; Дункан, Патрик; Хр. Стенсет, Нильс; Делорм, Дэниел; Ван Лаэр, Гай; Тойго, Кэрол; Кляйн, Франсуа (март 2006 г.). «Использование показателя продуктивности растений (NDVI) для определения ключевых периодов продуктивности животных: случай косули» . Ойкос . 112 (3): 565–572. дои : 10.1111/j.0030-1299.2006.14447.x . ISSN 0030-1299 .

[22] Вегманн М., Лейтнер Б., Дех С. (2016) Дистанционное зондирование и ГИС для экологов: использование программного обеспечения с открытым исходным кодом. Pelagic Publishing, Эксетер, Великобритания

[23] Цзян, З.; Уэте, А.; Дидан, К.; Миура, Т. (15 октября 2008 г.). «Разработка двухполосного улучшенного индекса растительности без синей полосы» . Дистанционное зондирование окружающей среды . 112 (10): 3833–3845. Бибкод : 2008RSEnv.112.3833J . дои : 10.1016/j.rse.2008.06.006 . ISSN 0034-4257 .

[24] Хуэй Цин Лю; Уэте, А. (март 1995 г.). «Модификация NDVI на основе обратной связи для минимизации фонового фона и атмосферного шума» . Транзакции IEEE по геонаукам и дистанционному зондированию . 33 (2). ИИЭР : 457–465. дои : 10.1109/36.377946 . ISSN 0196-2892 . S2CID 28380065 .

[25] Сюэ, Джинжу; Су, Баофэн (23 мая 2017 г.). «Важные индексы растительности дистанционного зондирования: обзор разработок и приложений» . Журнал датчиков . 2017 : 1–17. дои : 10.1155/2017/1353691 .

[26] Уэте, Арканзас (август 1988 г.). «Индекс растительности с поправкой на почву (SAVI)» . Дистанционное зондирование окружающей среды . 25 (3): 295–309. Бибкод : 1988RSEnv..25..295H . дои : 10.1016/0034-4257(88)90106-х . ISSN 0034-4257 .

[:10-27] Перейти обратно: ^а ^б ^с Рикимару, Р.; Рой, PS; Миятаке, С. (2002). «Картирование плотности покрова тропических лесов». Тропическая экология . 43 : 39–47.

[:11-28] Перейти обратно: ^а ^б Бэйнс, Джек (январь 2004 г.). «Оценка плотности лесного покрова в сильно изменчивом ландшафте с использованием данных Landsat и программного обеспечения FCD Mapper» . Австралийское лесное хозяйство . 67 (4): 247–253. дои : 10.1080/00049158.2004.10674942 . ISSN 0004-9158 . S2CID 84900545 .

[29] Рикимару, А., 1999. Концепция модели отображения FCD и полуэкспертной системы. Руководство пользователя картографа FCD. Международная организация тропической древесины и Японская ассоциация зарубежных консультантов по лесному хозяйству. стр 90.

[30] Гао, Бо-цай (декабрь 1996 г.). «NDWI — нормализованный разностный индекс воды для дистанционного зондирования растительной жидкой воды из космоса» . Дистанционное зондирование окружающей среды . 58 (3): 257–266. Бибкод : 1996RSEnv..58..257G . дои : 10.1016/s0034-4257(96)00067-3 . ISSN 0034-4257 .

[31] Жа, Ю.; Гао, Дж.; Ни, С. (январь 2003 г.). «Использование нормализованного индекса разности при автоматическом картировании городских территорий на основе изображений ТМ» . Международный журнал дистанционного зондирования . 24 (3): 583–594. Бибкод : 2003IJRS...24..583Z . дои : 10.1080/01431160304987 . ISSN 0143-1161 . S2CID 129599221 .

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]

[14]

[15]

[16]

[17]

[18]

[19]

[20]

[21]

[22]

[23]

[24]

[25]

[26]

[27]

[28]

[29]

[30]

[31]