Определение с помощью нейросетевого алгоритма количественных характеристик зондируемой поверхности, используя данные гиперспектральной съемки Земли

Оценка количественных характеристик зондируемой поверхности на основании данных дистанционного зондирования и, в частности, растительности Земли – один из важнейших разделов тематической обработки данных дистанционного зондирования. До недавнего времени были известны два метода корректного решения этой задачи. Первый - метод инверсии, основанный на предположении о наличие инвариантных функций связи спектральных и количественных характеристик зондируемой поверхности. Второй метод базируется на использовании базы спектральных образов. Указанные методы обладают существенными недостатками: сложностью определения инвариантных функций связи спектральных и количественных характеристик зондируемых объектов, а их экспериментальное оценивание требует весьма объемных материальных, временных и человеческих ресурсов.
Решение проблемы повышения эффективности обработки данных дистанционного зондирования возможно с помощью привлечения для этих целей алгоритма искусственных нейронных сетей. Основное преимущество нейросетей – возможность значительного повышения скорости вычислений. Используемым нейросетевым алгоритмом является перцептрон, а способ его обучения - метод обратного распространения ошибки. Полученные по результатам наземных исследований данные разделяют на тестовые и обучающие, производят обучение нейросети для определения количественной характеристики. Обученную нейросеть применяют для оценки количественных характеристик по результатам дистанционного зондирования земной поверхности.
Проверка работоспособности разработанных программ проведена на имеющихся данных спутникового и авиационного дистанционного зондирования поверхности Земли и данных in situ. Определялось проективное покрытие лесных массивов Московской области путем обработки данных гиперспектральной и радиолокационной съемок, а также их совместной обработки. Также определялись характеристики растительности (проективное покрытие, высота растений и т.п.) на основе гиперспектрального мониторинга посевов наркосодержащих культур в Пензенской области.
Работа выполнена при финансовой поддержке Федерального агентства по науке и инновациям.