Развитие алгоритмического и программного обеспечения метода локально-адаптивной классификации LAGMA для решения задач спутникового картографирования земного покрова

Картографирование земного покрова имеет большое значение для различных областей человеческой деятельности, например для решения задач лесного и сельского хозяйства. На данный момент для построения карт земного покрова больших территорий практически единственным возможным источником данных является дистанционное зондирование. В связи с этим необходима разработка эффективных методов классификации типов земного покрова по спутниковым данным.
Современные методы классификации включают множество подходов, например кластеризацию, методы деревьев решений, нейронные сети и другие. Но все эти методы предполагают неизменность сигнатур каждого класса для классифицируемого множества. При этом для многих типов земного покрова характерна пространственная вариативность их спектральных характеристик.
Для учета пространственной изменчивости характеристик земного покрова разработан метод локально-адаптивной классификации LAGMA. Метод предусматривает разбиение области классификации на клетки, в каждой из которых строится свой классификатор по локальной выборке. Если выборка в клетке мала, метод агрегирует выборку из соседних клеток до тех пор, пока она не окажется достаточной для построения классификатора. Затем локальный классификатор используется для осуществления классификации для всех пикселов данной клетки.
В данной работе представлена улучшенная версия программного комплекса, LAGMA. Программный комплекс поддерживает классификацию изображений методом максимального правдоподобия и обеспечивает высокую производительность вычислений при классификации земного покрова больших территорий. Комплекс поддерживает параллельные вычисления, что дает прирост производительности пропорционально числу параллельно выполняемых потоков.
Программный комплекс также обеспечивает возможность вывода ряда дополнительных характеристик, включая сигнатуры классификатора (среднее и ковариации для метода максимального правдоподобия), значения разделимости классов (евклидово расстояние, расстояние Джеффриса-Матуситы или дивергенцию между классами), расстояний Махаланобиса для каждого пиксела от центра соответствующего ему класса.
Перспективы дальнейшего развития комплекса LAGMA предполагают включение в него ряда других методов классификации, включая нейронные сети, метод случайного леса и метод опорных векторов. Возрастающее время обучения классификатора для каждого из этих алгоритмов может потребовать дополнительной разработки метода частичного переобучения классификатора при малых изменениях опорной выборки.