Алгоритмы обработки данных радиоволнового дистанционного зондирования поверхности Земли на основе искусственных нейронных сетей тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат технических наук Мансуров, Александр Валерьевич

• Мансуров, Александр Валерьевич
• кандидат технических наук
• 2006

Оглавление диссертации кандидат технических наук Мансуров, Александр Валерьевич

Введение.

Глава 1. Современные методы обработки радиолокационных и радиометрических данных дистанционного зондирования.

1.1. Принципы и задачи дистанционного зондирования поверхности Земли в радиодиапазоне.

1.1.1. Методы решения задач классификации.

1.1.2. Методы решения задач инверсии.

1.2. Методы решения задач обработки даннщ дистанционного зондирования на основе нейронных сетей

1.2.1. Задачи обработки данных дистанционного зондирования как слабо формализованные задачи.

1.2.2. Определение и принципы функционирования ИНС.

1.2.3. Нейросетевое решение задач обработки данных дистанционного зондирования.

1.3. Выводы.

Глава 2. Восстановление параметров почвенного покрова по данным радиометрического зондирования.

2.1. Общая концепция формирования алгоритма обработки данных ДЗ на основе ИНС

2.2. Модель радиоизлучательных и диэлектрических характеристик почвенного покрова.

2.3. Нейросетевое решение поставленной задачи.

2.4. Исследование свойств полученных нейросетевых решений.

2.5. Выводы.

Глава 3. Мониторинг сети оврагов с помощью нейронной сети по радиолокационным изображениям.

3.1. Овражная сеть как объект мониторинга.

3.2. Общая концепция решения задачи.

3.3. Нейросетевой мониторинг овражной сети.

3.4. Выводы.

Введение диссертации (часть автореферата) на тему «Алгоритмы обработки данных радиоволнового дистанционного зондирования поверхности Земли на основе искусственных нейронных сетей»

Актуальность темы исследования. Необходимость усиления контроля за глобальными процессами изменения климата, ростом негативного антропогенного воздействия на биосферу, а также потребности в прогнозировании природных и техногенных катастроф, в ведении хозяйственной деятельности выдвигают в качестве приоритетной задачи дистанционное зондирование природной среды. Ученые и специалисты многих стран активно разрабатывают • методики изучения Земли с использованием дистанционных измерений, совершенствуются и техническая база мониторинга, и методы интерпретации данных. Ключевая роль в этом процессе отводится системам обработки данных дистанционного зондирования (ДЗ) с применением многоканальных оптических, а также микроволновых измерительных систем и радиолокаторов с синтезированной апертурой (РСА).

Радиоволновые (радиолокационные и радиометрические) методы исследования земной поверхности являются перспективными, поскольку не зависят от естественной освещенности местности и состояния атмосферы. Наблюдения в радиоволновом диапазоне чувствительны к влажностным, геометрическим и диэлектрическим характеристикам объектов. Это делает возможным ведение мониторинга объектов и определение характеристик объектов, которые недоступны для оптических систем наблюдения. Один из последних выведенных на орбиту спутников - ALOS помимо сенсоров видимого и ИК-диапазона оборудован РСА PALSAR с разрешением от 10 до 100 м (L-диапазон). В 2007 году готовится к запуску спутник SMOS, имеющий на борту усовершенствованный радиометр L-диапазона для изучения влажности почв и солености океанов. Однако обработка результатов радиолокационных и радиометрических исследований является более сложной по сравнению с оптическими системами мониторинга и требует нетривиальных методик, адаптированных к физическим и техническим особенностям формирования данных. Также для повышения оперативности при мониторинге природных ресурсов необходимы новые методы экспресс-анализа и быстрой обработки данных ДЗ в режиме реального времени.

Одним из направлений дальнейшего совершенствования алгоритмов t обработки данных ДЗ является использование искусственных нейронных сетей, обладающих способностью реализовать широкий класс функций без априорных допущений о законах их распределения. На основе их обучения может быть обеспечено более точное и оперативное получение искомых параметров в реальном масштабе времени. Разработка эффективных алгоритмов, основанных на искусственных нейронных сетях, для выполнения задач подобного класса представляет собой актуальную проблему данного исследования.

Степень научной разработанности темы. Анализ и обработка данных дистанционного зондирования (ДЗ) в оптическом и радиодиапазоне включает в себя множество теорий и научных направлений, в частности, таких, как математическое моделирование, математическая и прикладная статистика, теория распространения радиоволн, распознавание образов. Классиками, внесшими большой вклад в исследования данной проблематики, можно считать таких ученых, как A.M. Шутко, А.Е. Башаринов, Н.А. Арманд, Ф. Улаби, Ш. Квиган и др. Исследователями разработаны основная научная база, методология и математический аппарат для разностороннего исследования результатов зондирования природной среды, предложены и реализованы алгоритмы обработки и интерпретации данных.

В последнее время активно развивается подход к обработке результатов зондирования с применением искусственных нейронных сетей (ИНС). Основные вопросы, связанные с теорией ИНС и практикой их применения, изложены в работах исследователей А.Н. Горбаня, А.И. Галушкина, Т. Cohonen, R. Hecht-Nielsen, С.М. Bishop и других. Прикладные задачи обработки данных ДЗ с помощью ИНС рассматриваются в трудах отечественных исследователей Л.Е. Назарова, Е.В. Заболотских, Л.М. Митник, Г.И. Бельчанского, И.В. Алпацкого, а также зарубежных - А.К Fung, K.S. Chen, Y. Tzeng, Y.A. Liou, F. Mattia, G. Pasquarielo и др. Повышенный интерес к применению ИНС в подобного рода задачах объясняется простотой и эффективностью, с которой нейронные сети выполняют функциональные | преобразования при обработке сигналов - зачастую при отсутствии определенного закона или модели, а также в условиях работы с зашумленными данными. В исследованиях современных авторов ИНС рассматривается как некий «черный ящик», который выдает нужный результат и сам никак в процесс обработки и исследования не вовлечен, что уменьшает прозрачность всего алгоритма для понимания, анализа и оптимизации его работы.

Объект исследования. Алгоритмы и методы обработки данных дистанционного зондирования, использующие в основе своей работы искусственные нейронные сети.

Предмет исследования. Разработка и исследование алгоритмов обработки радиометрических и радиолокационных данных дистанционного зондирования поверхности Земли с применением нейронных сетей.

Цель исследования - разработка алгоритмов восстановления температуры и влажности почвенного покрова, мониторинга овражной сети по данным дистанционного зондирования почвенного покрова в радиоволновом диапазоне с применением искусственных нейронных сетей.

Основные задачи исследования:

1. Анализ методик применения нейросетевых компонент в составе алгоритмов обработки данных дистанционного зондирования;

2. Разработка методики применения нейросетевых алгоритмов для обработки данных дистанционного зондирования земных покровов с целью получения оптимального рещения;

3. Разработка и апробация основанного на искусственной нейронной сети алгоритма определения влажности и температуры почвенного покрова по данным радиометрического дистанционного зондирования;

4. Разработка и апробация алгоритма определения овражной сети по радиолокационному изображению при помощи искусственной нейронной сети.

Методы исследования. Для реализации цели и задач работы используются: методы нейроинформатики, методы математического моделирования и оптимизации, математического моделирования взаимодействия электромагнитных волн с почвенным покровом, имеющим геометрические и диэлектрические неоднородности, методы вейвлет-анализа.

Научная новизна работы:

1. Разработан нейросетевой способ определения неоднородности распределения влаги в приповерхностном слое почвы по данным многоканальных измерений в СВЧ-диапазоне;

2. Впервые предложен базирующийся на ИНС и вейвлет-анализе метод выделения овражной сети на радиолокационном изображении;

3. Экспериментально показано преимущество РЛИ SIR-C (L-диапазон) с поляризацией HV над РЛИ JERS-1 (L-диапазон) с поляризацией НН при нейросетевом определении овражной сети на радиолокационных изображениях;

4. Сформированы подходы к анализу работы предложенных алгоритмов и адаптации их к конкретной задаче.

Практическая значимость работы. Разработанные алгоритмы обработки данных дистанционного зондирования земных покровов в радиодиапазоне могут быть использованы в сельском хозяйстве, для оперативной обработки данных зондирования и контроля земельных ресурсов, для наполнения баз данных ГИС при интеграции результатов в геоинформационные системы, а также при решении различных задач обработки данных дистанционного зондирования Земли.

На защиту выносятся следующие положения:

1. Базирующийся на искусственной нейронной сети алгоритм определения влажности и температуры почвенного покрова по данным радиометрического дистанционного зондирования в режиме реального времени;

2. Предложенный алгоритм определения влажности и температуры почвенного покрова дает возможность находить неоднородность распределения влаги в приповерхностном 5-сантиметровом слое почвы при многоканальных измерениях в микроволновом диапазоне (4 и более каналов) на разных частотах и двух поляризациях;

3. Алгоритм выделения овражной сети по радиолокационным изображениям, полученным с помощью радаров с синтезированной апертурой с использованием искусственной нейронной сети и методов вейвлет-анализа;

4. Разработанный алгоритм выделения овражной сети выполняет классификацию наиболее точно при использовании радиолокационных изображений в диапазоне L и поляризации HV для аппарата SIR-C.

Апробация работы. Результаты диссертационного исследования докладывались, обсуждались и изложены на следующих конференциях: международной конференции молодых ученых и студентов «Актуальные проблемы современной науки» (Самара, 2000); международной конференции студентов, аспирантов и молодых ученых по фундаментальным наукам «Ломоносов-2003» (Москва, 2003); всероссийской конференции «Дистанционное зондирование поверхности Земли и атмосферы» (Иркутск, 2003); 4-й международной конференции молодых учёных и студентов «Актуальные проблемы современной науки» (Самара, 2003); международной научной конференции «Татищевские чтения: актуальные проблемы науки и практики» (Тольятти, 2004) и на XII Всероссийском семинаре «Нейроинформатика и ее приложения» (Красноярск, 2004).

Публикации. По теме диссертации опубликовано 11 работ, в том числе 5 - в научных журналах и сборниках научных трудов.

Объем и структура диссертации. Диссертация состоит из введения, главы с обзором литературы и описанием существующих методов и технологий исследования и обработки данных ДЗ, двух глав с описанием собственных исследований, заключения и списка литературы. Общий объем диссертации составляет 125 страниц, работа содержит 25 рисунков и 9 таблиц. Список литературы содержит 137 цитируемых источников отечественных и зарубежных авторов.

Заключение диссертации по теме «Математическое моделирование, численные методы и комплексы программ», Мансуров, Александр Валерьевич

Результаты работы разработанных и апробированных в ходе диссертационного исследования алгоритмов обработки данных дистанционного зондирования в радиодиапазоне свидетельствуют о перспективности и целесообразности дальнейших изысканий в получении новых методик получения достоверных результатов в условиях оперативной обработки данных мониторинга земной поверхности перспективными радиоволновыми методами.

Список литературы диссертационного исследования кандидат технических наук Мансуров, Александр Валерьевич, 2006 год

1. Космическое землеведение / под ред.'В.А. Садовничего М.: Изд-во МГУ, 1992.-269 с.

2. Филатов В.И. Новые направления в геоинформатике // Информация и космос. 2004. - №2. - с. 1.

3. Spaceborne Synthetic Aperture Radar: Current Status and Future Directions. NASA Technical Memorandum 4679. National Aeronautics and Space Administration. Scientific and Technical Information Office. 1995.

4. Кашкин В.Б. Автоматизированная обработка изображений. Космические средства контроля окружающей среды. Красноярск: ИПЦ КГТУ, 2000. -199 с.

5. Поляков В.М. Дистанционное зондирование природной среды радиофизическими методами: Конспект лекций / Под ред. Б.А. Розанова. -М.: Изд-во МГТУ, 1995. 104 с.

6. Лукьяненко Д.Н. Классификация земных покровов по радиолокационным изображениям на основе методов статистического текстурного анализа: Автореф. дис. канд.-техн. наук. Барнаул: Изд-во АлтГТУ, 2000.-20 с.

7. Иберла К. Факторный анализ. М.: Статистика, 1980. - 398 с.

8. Искусственный интеллект; В 3 кн. Кн.2 Модели и методы; Справочник /Под ред. Д.А. Поспелова. М.: Радио и связь, 1990. - 304 с.

9. Прэтт У. Цифровая обработка изображений: Пер. с англ. Кн.1. М.: Мир, 1982.-312 с.

10. Прэтт У. Цифровая обработка изображений: Пер. с англ. Кн.2. М.: Мир, 1982.-480 с.

11. Цифровая обработка телевизионных и компьютерных изображений. -М.: Международный центр научной и технической информации, 1997. -212 с.

12. Shapiro L., Stockman G. Computer Vision. Prentice-Hall, Upper Saddle River, N.J., 2000.

13. Классификация и кластер: Тр. науч. семинара, г. Мэдисон, 3-5 мая 1976 г. / Ред. Дж. Райзин. М. Мир, 1980. - 389 с.

14. Фукунага К. Введение в статистическую теорию распознавания образов. -М.: Наука, 1979.-368 с.

15. Oliver С., Quegan S. Understanding Synthetic Aperture Radar Images. Boston. Artech House, 1998.

16. Ulaby F., Moore R., Fung A. Microwave Remote Sensing: Active and Passive. Washington. Artech House, 1986. Vol.3.

17. Lopes A., Nezry E., Touzi R., Laur H. Structure Detection and Statistical Adaptive Speckle Filtering in SAR Images // International Journal of Remote Sensing. 1993. V. 14. NO. 9. pp. 1735-1758.

18. Dai M., Peng C., Chan A., Loguinov D., Bayesian Wavelet Shrinkage With Edge Detection for SAR Image Despeckling // IEEE Trans. Geosci. Remote Sens. 2004. V.42. NO. 8. pp. 1642 1648.

19. Zhang J., Cheng X., Liu J. A specie reduction algorithm by soft-thresholding based on wavelets filters for SAR images // Proceedings of the 4th International Conference on Signal Processing, 1998, pp. 1469-1472.

20. Askne J. Remote Sensing Using Microwaves. Goteborg, Sweden. Department of Radio and Space Science, Chalmers University of Technology, 2002.

21. Chiang H.C., Moses R.L., Potter L.C. Model-Based Classification of Radar Images // IEEE Trans, on Information Theory. 2000. V.46. NO. 5. pp. 1842 -1854.

22. Fjortoft R., Sery F., Ducrot D., Lopes A.,. Segmentation, Filtering and Classification of SAR Images // Proc. VIII Latin American Symposium on Remote Sensing (SELPER'97), 1-7 November, 1997, Merida, Venezuela.

23. Mejail M., Jacobo J., Frery A., Bustos 0. Classification of SAR Images Using a General and Tractable Multiplicative Model // International Journal of Remote Sensing. 2003. V. 24. NO. 18. pp. 3565-3582.

24. Derrode S., Pieczynski W. Unsupervised signal and image segmentation using pairwise Markov chains // IEEE Trans. On Signal Processing. 2004. V.52. NO. 9. pp. 2477-2489.

25. Fjortoft R., Delignon Y., Pieczynski W., Sigelle M., Tupin F. Unsupervised Classification of Radar Images Using Hidden Markov Chains and Hidden Markov Random Fields // IEEE Trans. Geosci. Remote Sens. 2003. V.41. NO. 3. pp. 675-686.

26. Davidson G., Ouchi K., Saito G.,. Polarimetric Classification using Expectation Methods // Proc. Polarimetric and Interferometric SAR Workshop 2002, CRL, Tokyo, 2002.

27. Karathanassi V., Dabboor M. Land Cover Classification Using E-sar -Polarimetric Data // Proc. XXth ISPRS Congress, 12-23 July 2004 Istanbul, Turkey, pp. 280-286.

28. Keshava N., Moura J. Terrain Classification in Polarimetric SAR using Wavelet Packets // Proc. International Conference on Acoustics, Speech, and Signal Processing (ICASSP), 21-24 April, 1997, Munich, Germany. Vol. 1, pp. 555-558.

29. Le Moine J., Laporte N., Netanyahu N. Enhancement of tropical land cover mapping with wavelet-based fusion and unsupervised clustering of SAR and Landsat image dataV/Ргос. SPIE Vol. 4541. p. 190-198.

30. Ferro-Famil L., Reigber A., Pottier E., Boerner W.M. Scene Characterization Using Sub-Aperture Polarimetric SAR Data Analysis // IEEE Trans. Geosci. Remote Sens. 2003. V.41. NO. 10. pp. 2264 2276.

31. Тихонов A.H., Арсенин В.Я. Методы решения некорректных задач. М.: Наука, 1979.-285 с.

32. Тихонов А.Н., Самарский А.А. Уравнения математической физики. М.: Наука, 1977.-736 с.

33. Тихонов А.Н., Гончарский А.В., Степанов В.В., Ягола А.Г. Регуляризирующие алгоритмы и априорная информация. М.: Наука, 1983.-200 с.

34. Цыпкин Я.З. Основы информационной теории идентификации. — М.: Наука, 1984.-320 с.

35. Левин М.Л., Рытов С.М. Теория равновесных тепловых флуктуации в » электродинамике. -М.: Наука, 1967. 308 с.

36. Рытов С.М. Теория электрических флуктуаций и теплового излучения. -М.: Изд-во Академии наук СССР, 1953. 232 с.

37. Комаров С.А., Миронов В.Л. Микроволновое зондирование почв. -Новосибирск: Научно-издательский центр СО РАН, 2000 289 с.

38. Шутко A.M. СВЧ-радиометрия водной поверхности и почвогрунтов. -М.: Наука, 1984.-189 с.

39. Башаринов А.Е., Гурвич А.С., Егоров С.Т. Радиоизлучение Земли как планеты. М.: Наука, 1974. - 207с.

40. Fung А.К., Zongqian L., Chen K.S. Backscattering from a Randomly Rough Dielectric Surface // IEEE Trans. Geosci. Remote Sens. 1992. V.30. NO. 2. pp. 356-369.

41. Современная радиолокация (анализ, расчет и проектирование систем). -М.: Советское радио, 1969. 705 с.

42. Liou Y.A., England A.W. Annual Temperature and Radiobrightness Signatures for Bare Soils // IEEE Trans. Geosci. Remote Sens. 1996. V.34. NO. 4. pp. 981-990.

43. Liou Y.A., Galantowicz J.F., England A.W. A Land Surface Process / Radiobrightness Model with Coupled Heat and Moisture Transport for Prairie Grassland // IEEE Trans. Geosci. Remote Sens. 1999. V.37. NO. 4. pp. 18481 1859.

44. Mironov V.L., Dobson M.C., Kaupp V.H., Komarov S.A., Kleshchenko V.N. Generalized refractive mixing dielectric model for moist soils // IEEE Trans. Geosci. Remote Sens. 2004. V.42. NO. 4. pp. 773 785.

45. Jackson T.J. Measuring Surface Soil Moisture Using Passive Microwave Remote Sensing//Hydrological Processes. 1993. VOL. 7, pp. 139-152.

46. Kerr Y.H., Waldteufel P., Wigneron J.-P., Martinuzzi J., Font J., Berger M. Soil moisture retrieval from space: the Soil Moisture and Ocean Salinity (SMOS) mission // IEEE Trans. Geosci. Remote Sens. 2001. V.39. NO. 8. pp. 1729-1735.

47. King R.L., Younan N.H., Ramnath V.K. Estimation of Soil Moisture using RADARSAT Repeat-passes // Proc. IEEE International Geoscience andRemote Sensing Symposium (IGARSS'03), July 21-25, 2003, Toulouse, France, Vol. I, pp. 327-329.

48. Le Hegarat-Mascle S., Zribi M., Alem F., Weisse A., Loumagne C. Soil moisture estimation from ERS/SAR data: toward an operational methodology // IEEE Trans. Geosci. Remote Sens. 2002. V.40. NO. 12. pp. 2647 2658.

49. Wickel A. J., Jackson T. J., Wood E.F. Multitemporal monitoring of soil moisture with RADARS AT SAR during the 1997 Southern Great Plains hydrology experiment // Int. J. Remote Sensing. 2001. vol. 22. no. 8. pp. 1571-1583.

50. Moghaddam M., Lucas R.M. Quantifying the Biomass of Australian Subtropical Woodlands Using SAR Inversion Models // Proc. IEEE International Geoscience and Remote Sensing Symposium (IGARSS'03), July 21 25,2003, Toulouse, France, Vol. Ill, pp. 1619-1621.

51. Эндрю А. Искусственный интеллект. M.: Мир, 1985. - 264 с.

52. Sarle,W.S. Neural Network FAQ, part 1-7: introduction, periodic posting to the Usenet newsgroup comp.ai.neural-nets ftp://ftp.sas.com/pub/neural/FAQ.html.61.