Методы математического моделирования для распознавания и прогнозирования характеристик областей земной поверхности по мультиспектральным космическим изображениям тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат наук Игнатьев, Владимир Юрьевич

• Игнатьев, Владимир Юрьевич
• кандидат наук
• 2017

Оглавление диссертации кандидат наук Игнатьев, Владимир Юрьевич

Оглавление

ОГЛАВЛЕНИЕ_2

ВВЕДЕНИЕ

ГЛАВА 1. СОСТОЯНИЕ И ПЕРСПЕКТИВЫ РАЗВИТИЯ МОДЕЛЬНЫХ ПРЕДСТАВЛЕНИЙ АНАЛИЗА ДИНАМИКИ И ПРОГНОЗИРОВАНИЯ ХАРАКТЕРИСТИК ОБЛАСТЕЙ ЗЕМНОЙ ПОВЕРХНОСТИ ПО КОСМИЧЕСКИМ ИЗОБРАЖЕНИЯМ_14

1.1 Роль космических данных в прогнозировании_14

1.2 Прогнозирование по данным дистанционного зондирования_15

1.3 Задача дистанционного зондирования_18

1.3.1 Спутниковая система мониторинга окружающей среды_18

1.3.2 Космические средства при мониторинге Земли_20

1.4 Обработка мультиспектральных данных в задачах прогнозирования состояния областей земной поверхности_22

1.4.1 Географическая привязка изображений_23

1.4.2 Особенности мультиспектральных изображений_24

1.4.3 Оценка состояния различных типов подстилающей поверхности по мультиспектральным изображениям _25

1.5 Модели оценки и прогнозирования состояния областей земной поверхности

1.5.1 Классификация моделей и методов прогнозирования_29

1.6 Анализ методов оценки и прогнозирования характеристик, описывающих

состояние областей, на примере прогнозирования урожайности _32

1.6.1 Метод выявления года-аналога_36

1.6.2 Регрессионный метод_39

1.6.3 Метод прогнозирования урожайности на основе моделирования прироста биомассы растений_41

1.6.4 Итоги анализа и сопоставления методов прогнозирования урожайности _

ГЛАВА 2. РАЗРАБОТКА ЧИСЛЕННОГО МЕТОДА ПРОГНОЗИРОВАНИЯ СОСТОЯНИЯ ОБЛАСТЕЙ АНТРОПОГЕННОГО И ПРИРОДНОГО ВОЗДЕЙСТВИЯ ПО КОСМИЧЕСКИМ ИЗОБРАЖЕНИЯМ_45

2.1 Постановка задачи_47

2.2 Выбор данных ДЗЗ для решения задачи прогнозирования_51

2.2.1 Получение и предварительная обработка космических изображений_51

2.3 Выделение информативного сигнала из полученных данных_54

2.3.1 Метод выделения областей интереса на основе анализа динамики состояния объектов по сериям разновременных космических изображений_55

2.3.2 Детектирование растительности по сериям космических изображениях на основе анализа динамики вегетации_62

2.3.3 Метод уточнения карт растительности_70

2.4 Основная концепция разработанного метода_72

2.4.1 Сезонные и долгосрочные наблюдения_74

2.4.2 Процесс обучения _79

2.4.3 Процесс прогнозирования. _83

ГЛАВА 3. ПОСТРОЕНИЕ МОДЕЛЕЙ ПРОГНОЗА ПЛОДОРОДИЯ И

ПРОГНОЗИРОВАНИЕ УРОЖАЙНОСТИ РАЗЛИЧНЫХ СЕЛЬСКОХОЗЯЙСТВЕННЫХ КУЛЬТУР

3.1 Выбор информативных признаков состояния областей земной поверхности

87

3.1.1 Предикативный вектор, описывающий изменение состояния областей_87

3.1.2 Корреляция индексов состояния областей с их количественными характеристиками_91

3.2 Построение модели_93

3.2.1 Общий вид модели плодородия _93

3.3 Развитие модели плодородия с учетом специфики задачи_96

3.3.1 Базовая многомерная модель прогнозирования урожайности._96

3.3.2 Локальная многомерная модель для отдельных областей. _97

3.3.3 Модель с мультипликативной поправкой для областей. _98

3.3.4 Трендовая модель с мультипликативной поправкой для областей. _99

3.3.5 Использование метео-климатических данных для построения предикативного вектора_102

3.3.6 Рекомендации по применению разработанных моделей_103

ГЛАВА 4. АНАЛИЗ РЕЗУЛЬТАТОВ ПРИМЕНЕНИЯ ЧИСЛЕННОГО МЕТОДА ДЛЯ ПРОГНОЗИРОВАНИЯ УРОЖАЙНОСТИ РАЗЛИЧНЫХ ОБЛАСТЕЙ РФ И РАЗЛИЧНЫХ СЕЛЬСКОХОЗЯЙСТВЕННЫХ КУЛЬТУР_105

4.1 Настройка моделей плодородия_105

4.1.1 Планирование численного эксперимента. Сбор данных для численного эксперимента _105

4.1.2 Численный эксперимент_107

4.1.3 Оценка точности прогноза_111

4.2 Сопоставление результатов прогнозирования урожайности с использованием разработанных моделей_112

4.2.1 Прогнозы с использованием модели 1. _113

4.2.2 Прогнозы с использованием модели 2. _113

4.2.3 Прогнозы с использованием модели 3. _114

4.2.4 Прогнозы с использованием модели 4. _115

4.2.5 Сравнение моделей._116

4.3 Оценка статистической значимости полученных прогнозов_117

4.4 Оценка применимости модели посредством процедуры кросс-валидации

4.5 Зависимость точности прогноза от момента прогнозирования и типа с/х

культуры

4.6 Уточнение параметров прогностической модели после расширения обучающих данных _123

4.6.1 Уточнение оптимального момента прогнозирования и состава вектора состояния растительности для расширенного вектора признаков. _124

4.6.2 Прогнозы с использованием уточнённой модели 1._128

4.6.3 Прогнозы с использованием уточнённой модели 2._129

4.6.4 Прогнозы с использованием уточнённой модели 3._130

4.6.5 Прогнозы с использованием уточнённой модели 4._131

ЗАКЛЮЧЕНИЕ_135

СПИСОК СОКРАЩЕНИЙ_137

СПИСОК ЛИТЕРАТУРЫ

Введение диссертации (часть автореферата) на тему «Методы математического моделирования для распознавания и прогнозирования характеристик областей земной поверхности по мультиспектральным космическим изображениям»

Введение

В работе рассматривается задача прогнозирования различных характеристик объектов внутри определённого класса (например, административных регионов РФ) по данным дистанционного зондирования (мультиспектральным аэрокосмическим изображениям). Основной идеей является использование долгосрочных наблюдений за состоянием объекта при обучении многомерных параметрических моделей и сезонных наблюдений при прогнозировании характеристик объектов. Такое структурирование данных обеспечивает увеличение размера обучающей выборки в сравнении с другими известными подходами, что позволяет повысить точность и статистическую значимость прогнозирования, сохраняя при этом надёжность работы моделей.

Актуальность темы. Постоянно увеличивающееся число сфер деятельности человека, в которых чрезвычайно важную роль играет использование данных ДЗЗ в силу их объективности и оперативности получения, приводит к росту спроса на методы и программные средства, позволяющие успешно решать актуальные задачи для каждой из областей. Такая востребованность ДДЗ в современном мире способствует запуску новых спутников и постоянному усовершенствованию методов автоматизированной обработки и анализа изображений дистанционного зондирования.

Среди наиболее востребованных и сложных задач, решаемых с использованием данных ДЗЗ, выделяются мониторинг, обнаружение чрезвычайных ситуаций и оценка их последствий, моделирование процессов окружающей среды и прогнозирование характеристик объектов на земной поверхности.

Одной из наиболее важных и интересных является задача прогнозирования характеристик объектов на земной поверхности по космическим изображениям. Примером является задача прогнозирования урожайности сельскохозяйственных культур в заданном пространственном масштабе.

Ключевыми моментами при прогнозировании урожайности на основе ДДЗ являются создание модели прогнозирования - определение аналитического вида прогностической функции и процесс обучения созданной модели на основе наземных наблюдений - поиск параметров модели наилучшим образом приближающих значения прогностической функции на множестве данных, выбранных для обучения.

Построение модели прогнозирования урожайности в большинстве случаев основывается либо на непосредственном моделировании процессов роста и созревания культуры, либо на использовании данных ДЗЗ в качестве предикторов прогностической функции совместно с данными наземных наблюдений. В качестве предикторов обычно используются, так называемые, индексы состояния растительности, которые имеют высокий коэффициент корреляции с состоянием исследуемого объекта на земной поверхности. Предложенные в данной работе модели прогнозирования используют новые индексы состояния растительности и являются усовершенствованием моделей второй группы.

Качество работы модели прогнозирования урожайности определяется выбором предикторов прогностической функции. В большинстве современных исследований по прогнозированию урожайности на основе данным ДЗЗ используются одноточечные (одномоментные измерения за период вегетации) индексы состояния растительности или набор одноточечных индексов, описывающих изменение параметров различной природы. В данной работе делается попытка использовать для обучения (построения) модели прогнозирования комплексный темпоральный индекс (несколько моментов наблюдения в течение всего периода вегетации), описывающий динамику изменения во времени состояния растительности.

Актуальность разработки новых обобщённых методов автоматизированной обработки и анализа изображений дистанционного зондирования возрастает непосредственно для Российской Федерации, которая на сегодняшний день усиленными темпами наращивает свой космический потенциал. Об этом свидетельствует Федеральная космическая программа РФ на 2016-2025 гг. Целями данной программы являются:

1. запуск группировки искусственных спутников Земли для решения задач мониторинга окружающей среды (~ 30 КА);

2. создание всероссийского центра данных ДЗЗ - централизация процессов получения, хранения, обработки и поставки данных ДЗЗ на всей территории РФ.

Предложенный в данной работе обобщённый подход, позволяет прогнозировать значения характеристик объектов на земной поверхности в заданном пространственном масштабе, оценивать точность и значимость получаемых прогнозов.

Цель и задачи исследования. — создание метода и моделей прогнозирования характеристик областей на поверхности Земли по данным дистанционного зондирования в заданном пространственном масштабе;

— разработка метода выделения областей интереса на основе анализа динамики состояния объектов по разновременным сериям космических изображений;

— разработка методов валидации и верификации созданных моделей прогнозирования;

— исследования по выявлению наиболее информативных признаков состояния объектов и зависимости точности прогнозирования от момента совершения прогноза;

— экспериментальное исследование работоспособности предложенных методов и моделей для прогнозирования урожайности различных сельскохозяйственных культур для набора административных регионов РФ, установление возможности их практического применения.

Научная новизна данной работы заключается в том, что в результате проведенных автором исследований:

Разработан метод прогнозирования характеристик объектов на поверхности Земли по данным дистанционного зондирования в заданном пространственном масштабе.

Создан набор моделей прогнозирования характеристик объектов, принадлежащих к определённому классу процессов или явлений. Разработанные модели выполнены на примере прогнозирования урожайности сельскохозяйственных культур по данным долгосрочных наблюдений за состоянием вегетации. При построении моделей используется комплексный темпоральный индекс состояния вегетации, описывающий динамику изменения во времени состояния растительности, что позволяет значительно повысить заблаговременность осуществляемых прогнозов.

Разработан метод выделения областей интереса на основе анализа динамики состояния объектов по разновременным сериям космических изображений. Метод основан на статистическом анализе изменения состояния объектов по данным наблюдений за несколько лет (коллекция спутниковых изображений) с целью построения «трубки» допустимых траекторий индекса состояния пикселя изображения на периоде наблюдений в один год. Такой подход позволяет повысить качество детектирования растительности на спутниковых изображениях в сравнении с поточечной классификацией.

Теоретическая значимость работы заключается в разработке новых моделей и методов: метода прогнозирования характеристик областей земной поверхности по мультиспектральным космическим изображениям в заданном пространственном масштабе, метода выделения областей интереса на основе анализа динамики состояния объектов по разновременным сериям

космических изображений, а также набора моделей прогнозирования характеристик объектов, принадлежащих к определённому классу процессов или явлений.

Практическая ценность. Разработанные методы и модели могут быть применены в различных практических приложениях, в которых требуется прогнозирование, статистический анализ характеристик объектов на земной поверхности, классификация, сегментация по мультиспектральным аэрокосмическим изображениям. Программные модули могут быть использованы в составе систем мониторинга объектов нефтегазового комплекса и планирования для обеспечения продовольственной безопасности в региональном и государственном масштабах. Предложенный метод выделения областей интереса на основе анализа динамики состояния объектов может быть использован для выявления аномалий и последствий антропогенного воздействия на окружающую среду по мультиспектральным аэрокосмическим изображениям в авиационных и космических приложениях.

Методология и методы исследования. В диссертационной работе использовались методы математического моделирования, многомерной оптимизации и статистического анализа. Результаты расчетов сравнивались с результатами других авторов и экспериментов.

На защиту выносятся:

1. Метод прогнозирования характеристик областей земной поверхности по мультиспектральным космическим изображениям в заданном пространственном масштабе.

2. Метод выделения областей интереса на основе анализа динамики состояния объектов по разновременным сериям космических изображений.

3. Набор моделей прогнозирования характеристик объектов, принадлежащих к определённому классу процессов или явлений.

Обоснованность и достоверность результатов и выводов. Выводы диссертации обоснованы аналитическими расчетами и подтверждены данными численных экспериментов, полученными с помощью разработанных алгоритмов и комплекса программ. Теоретическую и методологическую основу проведенных разработок и исследований составили труды отечественных и зарубежных авторов в области обработки изображений и прогнозирования на основе данных ДЗЗ, а также технические решения, созданные и опубликованные в российских и зарубежных патентах и свидетельствах на изобретения РФ. Для анализа полученных результатов использовались методы статистической обработки данных.

Апробация работы. Основные результаты диссертации докладывались на следующих конференциях:

— 4-м международном семинаре «Извлечение информации из изображений. Теория и приложения» (IMTA-4), Барселона, 2013; тема доклада - "Analysis of large long-term remote Sensing image sequence for agricultural yield forecasting".

— Международной конференция по «Компьютерной графике, визуализации, компьютерному зрению и обработке изображений» (CGVCVIP-2013), Прага, 2013; тема доклада - "Trainable method for predicting characteristics of land surface objects".

— 9-ой международной конференции по «Интеллектуальному анализу данных» (DMIN-13) - Лас-Вегас, 2013; тема доклада - "Efficiency of crop yield forecasting depending on the moment of prediction based on large remote sensing data set".

— 10-ой, 11-ой, 12-ой всероссийских открытых конференциях «Современные проблемы дистанционного зондирования Земли из космоса» - Москва, 2012, 2013, 2014; темы докладов - «Прогнозирование урожайности на основе многолетних космических наблюдений за динамикой развития вегетации», «Уточнение нелинейной регрессионной модели прогнозирования урожайности по данным спутникового мониторинга», «Усовершенствование модели прогнозирования урожайности по данным спутникового мониторинга».

— Международной научной конференция «Открытия и достижения науки» (МДК-2015-03) - Москва, 2015; тема доклада - «Анализ динамики вегетации растительности в импактных районах по космическим изображениям».

Публикации. Материалы диссертации опубликованы в 9 печатных работах, из них 3 статьи в журналах из списка ВАК [19, 45, 59], 1 статья индексируется в "SCOPUS" [45], 2 статьи индексируются в "Web of Science" [45, 59].

Личный вклад автора. Содержание диссертации и основные положения, выносимые на защиту, отражают персональный вклад автора в опубликованные работы. Личный вклад в работах с соавторами заключается в следующем: [19] - разработка метода прогнозирования урожайности по космическим данным ДЗЗ; [59] - усовершенствование метода и моделей прогнозирования урожайности с целью повышения точности и заблаговременности прогнозов; [45] - разработка обобщённого метода прогнозирования характеристик объектов на земной поверхности по мультиспектральным космическим изображениям и его программная реализация; проведение вычислительных экспериментов по всем работам [19, 45, 59]. Все представленные в диссертации результаты получены лично автором.

Структура и объём диссертации. Диссертация состоит из введения, обзора литературы, 4 глав, заключения, списка сокращений и библиографии. Общий объём диссертации 156

страниц, из них 107 страниц текста, 45 рисунков и 9 таблиц. Библиография включает 223 наименований на 18 страницах.

Краткая характеристика содержания работы. Диссертация включает в себя четыре

главы.

Глава 1 представляет собой обзор состояния методов и моделей прогнозирования характеристик объектов на земной поверхности по данным ДЗЗ. Описывается роль космических данных при прогнозировании. Рассматриваются особенности обработки мультиспектральных изображений при совместном использовании спутниковых данных с разных сенсоров и данных наземных наблюдений. Проводится анализ методов и моделей прогнозирования урожайности.

В Главе 2 рассмотрена задача построения метода прогнозирования характеристик областей на поверхности Земли по данным ДЗЗ в заданном пространственном масштабе.

Описывается класс явлений (процессов), для которых целесообразно использование предлагаемого подхода, тем самым определяются границы применимости метода. Формулируется критерий оценки качества прогнозирования, состоящий из 5 пунктов. Ставится задача разработки метода для прогнозирования характеристик объектов на земной поверхности, удовлетворяющего всем пунктам критерия. Описываются основные принципы выбора и систематизации данных ДЗЗ при прогнозировании состояния объектов на земной поверхности.

Решение задачи прогнозирования по данным ДЗЗ основывается на выявлении закономерностей по многолетним периодическим наблюдениям. После чего выявленные закономерности применяются к сезонным наблюдениям для текущего года. Такой подход требует предварительного планирования, которое определяет выбор исходных данных, в том числе выбираются конкретный тип спутниковых изображений для использования, продолжительность многолетних и сезонных наблюдений, области интереса.

Разработанный метод прогнозирования предполагает наличие коллекции изображений ДЗЗ, которые регистрируют состояние объектов на земной поверхности в течение продолжительного промежутка времени - нескольких лет. Все изображения структурируются в многослойные датасеты по признаку области интереса. Датасет представляет собой многослойное изображение, каждый слой которого соответствует наблюдению, проведённому в определенный момент времени, то есть объединение спутниковых изображений происходит вдоль оси времени в порядке его увеличения внутри одного года.

Поскольку объекты на изображении зачастую представлены вместе с прилегающей к их границам территории, то для выделения информативного сигнала разработан специальный

метод выделения областей интереса на основе анализа динамики состояния объектов по сериям разновременных космических изображений. Суть метода заключается в следующем: для каждого пикселя многослойного изображения, которое описывает наблюдения за состоянием области интереса в течение одного года, строится «разрез» в направлении оси времени. Данный разрез рассматривается как вектор состояния территории, соответствующей одному пикселю. Процедура классификации пикселей многослойного изображения осуществляется с использованием построенной заранее «трубки» допустимых траекторий индекса состояния области интереса. В процессе классификации компоненты вектора состояния пикселя рассматриваются как точки некоторой кривой, которая относится к интересующему классу, если кривая динамики состояния попадает в «трубку» допустимых траекторий по заданному критерию. Данный метод также позволяет отбраковывать «битые» пиксели изображения, которые, например, могут являться результатом постобработки спутникового изображения для устранения влияния атмосферы.

Сформулирована основная концепция метода прогнозирования, которая оперирует такими понятиями как сезонные и долгосрочные наблюдения. Разработанный метод прогнозирования состояния характеристик областей на поверхности Земли по данным ДЗЗ в заданном пространственном масштабе состоит в том, что наблюдения за состоянием области интереса накапливается в течение нескольких лет (не менее 5), образуя долгосрочные наблюдения. Сезонные наблюдения входят в состав долгосрочных наблюдений, обладают фиксированной продолжительностью внутри одного года и описываются вектором состояния

/ \п

гП

т р

области интереса Уг — (\\,...,I . Для прогнозирования характеристик области интереса

используется набор параметрических моделей, заранее обученных на данных долгосрочных наблюдений. Прогнозирование осуществляется посредством подстановки вектора состояния

\П,

области для тестовых лет — '",..., У ^ |

^ < VI,..., ум I в модель прогнозирования.

В главе 3 строятся математические модели, описывающие процесс изменения состояния областей земной поверхности, и приводятся рекомендации по применению созданных моделей. В качестве примера полученные модели применяются для прогнозирования урожайности сельскохозяйственных культур.

В главе также рассматриваются физические основы для прогнозирования характеристик областей на поверхности Земли по данным ДЗЗ. Описан выбор информативных признаков для формирования предикативного вектора состояния областей.

В основе всех построенных моделей плодородия лежит зависимость между состоянием растительности в вегетационный период и собранным урожаем. Другими словами, если состояние растительности хорошее на протяжении всего периода роста, то вероятность получить хороший урожай увеличивается. В том же случае, если в какой-либо промежуток произрастания состояние растительность отклонилось в сторону ухудшения, то вероятность получить хороший урожай уменьшается.

Урожай определённой культуры на заданной территории должен достаточно достоверно предсказываться функцией, параметрами которой являются усреднённые (по этой территории) значения вегетационных индексов в течение роста и созревания сельскохозяйственной культуры. Чем полнее история изменения индексов, тем точнее можно предсказывать урожай. На базе этой идеи и предположения о том, что вариативность изменений урожая по отношению к амплитуде мала, выводится общий вид прогностической функции линейной многомерной параметрической модели. Эксперименты с общей линейной моделью показали, что для повышения точности и значимости прогнозов необходимо учитывать специфику решаемой задачи, делая дополнительные априорные предположения об объектах, характеристики которых прогнозируются.

В результате экспериментов с описанной многомерной моделью и накопленными данными выяснилось, что точность модели можно существенно улучшить, добавив в модель нелинейные члены и адаптировав ее к структуре имеющихся данных ДЗЗ. Итеративные изменения начальной модели описаны ниже и условно обозначены следующим образом: модель 1: Базовая многомерная модель;

модель 2: Локальная многомерная модель для отдельных областей; модель 3: Модель с мультипликативной поправкой для областей; модель 4: Трендовая модель с мультипликативной поправкой для областей. Предлагается новый предикативный вектор на основе комбинации температурного и вегетационного индексов состояния растительности, учитывающий наблюдения в дневное и ночное время суток.

В Главе 4 представлены анализ результатов применения метода для прогнозирования урожайности различных областей РФ и различных сельскохозяйственных культур. Методы и модели были реализованы на языке Matlab, часть процедур предварительной обработки изображений, включая структурирование данных в датасеты и геопривязку, выполнены на языке ГОL 8.0.

Обучение моделей проводится с использованием алгоритмов многомерной оптимизации. Результатом прогнозирования является ожидаемое значение урожайности сельскохозяйственных культур для различных территорий. Проводится анализ применимости моделей с помощью процедуры кросс-валидации. Оценивается значимость полученных прогнозов. Получены и проанализированы графики зависимости точности прогнозирования от продолжительности сезонных наблюдений и момента прогнозирования.

Приводятся результаты вычислительных экспериментов с набором моделей, описанных в главе 3. Проводятся две серии экспериментов с различным количеством областей интереса и продолжительность долгосрочных наблюдений.

Глава 1. Состояние и перспективы развития модельных представлений анализа динамики и прогнозирования характеристик областей земной поверхности по космическим

изображениям

На сегодняшний день методы дистанционного зондирования являются наиболее перспективными и быстро развивающимися в сфере осуществления мониторинга характеристик различных объектов и областей на земной поверхности [161].

1.1 Роль космических данных в прогнозировании

Достоинством методов ДЗЗ является относительно низкая ресурсозатратность по сравнению с другими подходами. В качестве источников спутниковой информации можно использовать базы данных со свободным доступом через интернет, хранящие обширные коллекции спутниковых изображений. Еще одним преимуществом методов дистанционного зондирования является высокая оперативность наблюдений за территориями с широким пространственным охватом. Особое место принадлежит методам спутникового мониторинга, которые позволяют получать информацию о состоянии объектов земной поверхности в широком спектральном диапазоне. Доступность данных и возможность обрабатывать изображения с пространственным разрешением от нескольких километров до дециметра в долгосрочных временных сериях является определяющим фактором для большого круга практических задач [10].

Регистрируемые сенсором спутника параметры объектов, получаемые из данных дистанционного зондирования Земли (ДЗЗ), используются в ряде методов для оценки и прогнозирования характеристик областей земной поверхности (которые не могут быть получены непосредственно из данных ДЗЗ). Эти методы успешно апробированы для решения таких задач, как прогнозирование ожидаемого урожая [19, 45, 59, 173-175], оценка

экологического состояния окружающей среды [12, 13, 24], изучение и прогнозирование стихийных бедствий [27].

Большинство методов, предложенных в этих исследованиях, позволяют решать проблему только для определенного типа явлений. Сложность реализации и большое количество входных данных приводят к необходимости создания обобщенных методов и программных средств обработки космической информации [12, 13, 18], которые обладают универсальностью и применимы для различных задач прогнозирования.

1.2 Прогнозирование по данным дистанционного зондирования

Решение задачи прогнозирования базируется на одном из фундаментальных постулатов физики, который был сформулирован К. Шенноном: основные закономерности, наблюдавшиеся в прошлом, сохраняются в будущем [58]. Поиск и формализация закономерностей исследуемого процесса являются этапами решения задачи прогнозирования. Поскольку речь идет о прошлом и будущем, то очевидно присутствие в явном или неявном виде временного параметра. Рассмотрим основные понятия прогнозирования.

Определение 1.1. Прогноз - это процесс или результат предсказания тех или иных фактов, событий, явлений, величин, которые станут известны лишь в будущем по отношению к моменту времени, в котором создается прогноз. Под прогнозом также иногда понимают модель будущего события, явления и т. п.

Определение 1.2. Прогнозирование - это процесс (часто основанный на научном исследовании) по расчёту прогноза или разработке прогнозной модели.

В узком смысле под прогнозированием понимают предсказание будущих значений временного ряда на основе его значений в прошлом, и, возможно, дополнительной информации. Такую дополнительную информацию представляют влияющие на ситуацию внешние факторы.

Отдельно стоят методы прогнозирования, разработанные специально для финансовой сферы, поскольку в их основе лежат внутренние закономерности в появлении значений параметров процесса или объекта на определённом временном промежутке, то есть без учёта внешних факторов. Активные исследования в этой прикладной области привели к появлению ряда именных моделей прогнозирования - модели Брауна [115, 116], Хольта [138], Хольта-Уинтерса [218], Тейла-Вейджа [207].

С развитием техники, компьютерных технологий и усовершенствования вычислительных машин становится возможным обработка большого количества данных. Актуальность задачи предсказания становится очевидной для прогнозирования долговечности объектов (приборов, деталей) [66], прогноза погоды и климатических условий, природных катастроф и т.д. После запуска первого спутника с установленной аппаратурой для осуществления съемки поверхности Земли в различных спектральных диапазонах появляется необходимость в интеграции космических данных в существующие модели и методы прогнозирования и в разработке новых методов и моделей.

Определение 1.3. Прогностическая функция описывает аналитический вид зависимости между набором предикторов и прогнозируемым значением.

Определение 1.4. Предиктор - независимая переменная прогностической функции, на основании значений которой совершается прогнозирование. В качестве набора предикторов могут выступать как параметры непосредственно объекта (процесса), характеристики которого прогнозируются, так и параметры сторонних объектов (процессов), связанных с прогнозируемым значением.

Список литературы диссертационного исследования кандидат наук Игнатьев, Владимир Юрьевич, 2017 год

Список литературы

1 Азгальдов, Г. Г. Экспертные методы в оценке качества товаров / Г. Г. Азгальдов, Э. П.

Райхман.- М.: Экономика, 1974. - 151 с.

2 Анохин, А.Н. Методы экспертных оценок: учебное пособие / А. Н . Анохин. - Обнинск:

издательство обнинского института атомной энергетики, 1996. - 148 с.

3 АО «ИСС» им. академика М.Ф. Решетнёва» [Электронный ресурс] // Режим доступа:

https://www.iss-reshetnev.ru/

4 Ашихмина, Т.Я. Экологический мониторинг: учебное пособие / Т. Я Ашихмина. -

Академический Проспект, 2005. - 416 с.

5 Балабанов, В. И. Навигационные технологии в сельском хозяйстве. Координатное земледелие:

учебное пособие для высших учебных заведений / В. И. Балабанов [и др.]. - Москва: РГАУ-МСХА имени К.А. Тимирязева, 2013. - 26 с.

6 Барталев, С.А. Создание системы дистанционного мониторинга земель агропромышленного

комплекса России (СДМЗ АПК) / С.А. Барталев, Е.А. Лупян, А.А. Нестеренко, И.Ю. Савин // Сборник тезисов 7-ой всероссийской открытой ежегодной конференции «Современные проблемы дистанционного зондирования Земли из космоса», Москва. -2009. - С.4.

7 Батырева, О.В. Расчет значимости коэффициента множественной корреляции и выбор

оптимального числа предсказателей / О.В. Батырева // Метеорология и гидрология. -1969. - № 3. - С. 49-57.

8 Белорусцева, Е. В. Мониторинг состояния сельскохозяйственных угодий Нечерноземеной

зоны Российской Федерации / Е. В. Белорусцева // Современные проблемы дистанционного зондирования Земли из космоса. - 2012. - Т.9. - №1. - С. 57-64.

9 Блинова, К. Ф. Ботанико-фармакогностический словарь: справочное пособие / К.Ф. Блинова

[и др.]. - М.: Высшая школа, 1990. - 36 а

10 Болсуновский, М.А. Перспективные направления развития дистанционного зондирования

Земли из космоса / М.А. Болсуновский // Геоматика. - 2009. - № 2. - С.12-15.

11 Бондур, В.Г. Актуальность и необходимость космического мониторинга природных пожаров

в России / В.Г. Бондур // Вестник отделения наук о Земле РАН. - 2010. - Т. 2. - С. 1-16.

12 Бондур, В.Г. Аэрокосмические методы и технологии мониторинга нефтегазоносных

территорий и объектов нефтегазового комплекса / В.Г. Бондур // Исследование Земли из космоса. - 2010. - № 6. - С. 3-17.

13 Бондур, В.Г. Аэрокосмический мониторинг объектов нефтегазового комплекса / В.Г. Бондур.

- М.: Научный мир, 2012. - 558 с.

14 Бондур, В.Г. Космические методы и технологии мониторинга и прогнозирования эмиссий

вредных примесей в атмосферу при лесных и торфяных пожарах / В.Г. Бондур [и др.] // Материалы итоговой конференции по результатам выполнения мероприятий ФЦП «Исследования и разработки по приоритетным направлениям развития научно-технологического комплексного России на 2007-2013 годы» за 2012 год по приоритетному направлению «Рациональное природопользование», Москва. - 2012. -С. 33-34.

15 Бондур, В.Г. и др. Разработка алгоритма оценки степени деградации почвы по

мультиспектральным изображениям / В.Г. Бондур [и др.] // Известия Южного федерального университета. Технические науки. - 2012. - Т. 131. - № 6. - С. 130-134.

16 Бондур, В.Г. Космический мониторинг природных пожаров / В.Г Бондур // Вестник

Российского фонда фундаментальных исследований. - 2011. - №2-3. - С. 78-94.

17 Бондур, В.Г. Космический мониторинг природных пожаров в России в условиях аномальной

жары 2010 г. / В.Г Бондур // Исследование Земли из космоса. - 2011. - № 3. - С. 3-13.

18 Бондур, В.Г. Современные подходы к обработке больших потоков гиперспектральной и

многоспектральной аэрокосмической информации / В.Г Бондур // Исследование Земли их космоса. - 2014. - №1. - С.3-17.

19 Бондур, В.Г. Метод прогнозирования урожайности по космическим наблюдениям за

динамикой развития вегетации / В.Г. Бондур, К.Ю. Гороховский, В.Ю. Игнатьев, А.Б. Мурынин, Е.В. Гапонова // Известия вузов. Геодезия и аэрофотосъемка. - 2013. - № 6. -С. 61-68.

20 Бондур, В.Г. Космический метод прогноза землетрясений на основе анализа динамики

систем линеаментов / В.Г. Бондур, А.Т. Зверев // Исследование Земли из космоса. - 2005.

- № 3. - С. 37-52.

21 Бондур, В.Г. Метод прогнозирования землетрясений на основе линеаментного анализа

космических изображений / В.Г. Бондур, А.Т. Зверев // Доклады академии наук. - 2005. -Т. 402. - №1. - С. 98-105.

22 Бондур, В.Г. Метод прогнозирования землетрясений по результатам линеаментного анализа

космических изображений / В.Г. Бондур, А.Т. Зверев // Известия ВУЗов. Геодезия и аэрофотосъемка. - 2005. - № 1. - С. 76-83.

23 Бондур, В.Г. Оценка сейсмической опасности на основе анализа современной динамики

линеаментных систем, выделяемых по космическим изображениям / В.Г. Бондур, А.Т. Зверев // Материалы Международной конференции «Современная геодинамика недр и эколого-промышленная безопасность объектов нефтегазового комплекса». РГУ им. И.М. Губкина, Москва. - 2005. - С. 4.

24 Бондур, В.Г., Крапивин, В.Ф. Космический мониторинг тропических циклонов / В.Г. Бондур,

В.Ф. Крапивин. - М.: Научный мир, 2014. - 508 с.

25 Бондур, В.Г. Методы аэрокосмической диагностики лесных экосистем / В.Г. Бондур, В.Ф.

Крапивин, И.И. Потапов // Экологические системы и приборы. - 2010. - № 3. - С.17-26.

26 Бондур, В.Г. Развитие технологии диагностики лесных экосистем / В.Г. Бондур, В.Ф.

Крапивин, И.И. Потапов // Экологическая экспертиза. - 2012. - № 3. - С. 3-16.

27 Бондур, В.Г. Мониторинг и прогнозирование природных катастроф / / В.Г. Бондур, В.Ф.

Крапивин, В.П. Савиных. - М.: Научный мир, 2009. - 692 с.

28 Бондур, В.Г. Прогнозирование фазовых переходов в системе «океан-атмосфера» / В.Г.

Бондур, В.Ф. Крапивин, В.Ю. Солдатов, И.И. Потапов // Проблемы окружающей среды и природных ресурсов. - 2010. - №5. - С. 82-93.

29 Бондур, В.Г. Алгоритм расчета степени деградации почвы / В.Г. Бондур, А.А. Рихтер, А.Б.

Мурынин // Материалы международной заочной научной конференции «Технические науки в России и за рубежом (II)», Москва. - 2012. - С. 8-13.

30 Бондур, В.Г. Разработка модели трансформации городов на основе принципов экоразвития с

использованием технологий космического мониторинга / В.Г. Бондур, В.С. Тикунов // Сборник статей научно-технической конференции «Построение экологически чистых городов на основании инноваций. Евразийский экономический форум». - 2013. - С. 5963.

31 Бондур, В.Г. Анализ текстуры радиолокационных изображений растительности / В.Г.Бондур,

Т.Н. Чимитдоржиев // Известия ВУЗов «Геодезия и аэрофотосъемка». - 2008. - № 5.- С. 914.

32 Бондур, В.Г. Дистанционное зондирование растительности оптико-микроволновыми

методами/ В.Г.Бондур, Т.Н. Чимитдоржиев // Известия ВУЗов «Геодезия и аэрофотосъемка». - 2008. - № 6. - С. 64-73.

33 Бухарина, И.Л. Анализ содержания фотосинтетических пигментов в листьях древесных

растений в условиях городской среды (на примере г. Набережные Челны) / И.Л. Бухарина, П.А. Кузьмин, И.И. Гибадулина // Вестник удмуртского университета. - 2013. - № 6. - Вып. 1. - С. 20-25.

34 Воробьев, В.Е. Анализ динамики вегетации растительности в импактных районах по

космическим изображениям / В.Е. Воробьев, В.Ю. Игнатьев, А.Б. Мурынин // Материалы международной научной конференция МДК-2015-03. - М.: Издательский центр Русальянс «Сова». - 2015. - С. 165-176.

35 Воронин, Е.А. Компьютеризация сельскохозяйственного производства / Е.А. Воронин,

Т.И.Воловник, Н.Л. Катасонова, В.Т. Сергованцев. - М.: Колос, 2003. - 272 с.

36 Воронина, В.Ф. Особенности атмосферной циркуляции в годы с высокой и низкой

урожайностью картофеля в Приморье / В.Ф. Воронина, А.И. Худякова // Труды ДВНИГМИ. - 1979. - Вып. 85. - С. 62-69.

37 Гавриловская, Н.В. Разработка алгоритма определения года-аналога для оценки

урожайности зерновых культур в условиях Алтайского края / Н.В. Гавриловская, Л.А. Хворова // Известия АлтГУ. - 2007. - №1. - Вып. 53. - С. 66-67.

38 Гостев, И.М. О методах повышения качества идентификации графических объектов в

методах геометрической корреляции / И.М. Гостев // Известия Российской академии наук. Теория и системы управления. - 2005. - № 3. - С.55-64.

39 Добров, Г.М. Экспертные оценки в научно-техническом прогнозировании / Г.М. Добров [и

др.]. Киев: Наукова думка, 1974. - 160 с.

40 Единая межведомственная информационно-статистическая система [Электронный ресурс]. -

Режим доступа: http://www.fedstat.ru/indicators/start.do.

41 Жиленев, М.Ю. Обзор применения мультиспектральных данных ДЗЗ и их комбинаций при

цифровой обработке / М.Ю. Жиленев // Геоматика. - 2009. - № 3. - С. 56-64.

42 Закатов, П.С. Курс высшей геодезии / П. С. Закатов. - 3 изд. - Москва, 1964. - 511 с.

43 Зейлигер, А. М. Развитие технологий дистанционного мониторинга параметров

растительного покрова сельских территорий / А. М. Зейлигер // Сборник докладов 11-ой международной научно-практической конференции «Автоматизация и информационное обеспечение производственных процессов в сельском хозяйстве», Углич. - 2010. - С.112-116.

44 Иванов, С.Д. Индикация состояния окружающей среды: теория, практика, образование /

С.Д. Иванов // Труды второй международная научно-практической конференция молодых ученых. - М.: ООО «Буки-Веди», 2013. - 480 с.

45 Игнатьев, В.Ю. Метод и алгоритмы прогнозирования сезонных характеристик областей

антропогенного воздействия с использованием многолетних космических данных / В.Ю. Игнатьев, А.Б. Мурынин // Известия РАН. Теория и системы управления. - 2015. -№ 3.- С. 135-143.

46 Интерактивная витрина федеральной службы государственной статистики [Электронный

ресурс]. - Режим доступа: http://cbsd.gks.ru/

47 Каракеян, В.И. Экономика природопользования: учебник / В.И. Каракеян. - М.: Издательство

Юрайт, 2011. - 576 с.

48 Кильдюшкин, В.М. Влияние погодно-климатических факторов на урожайность озимой

пшеницы / В.М. Кильдюшкин, Ю.В. Хомутов, В.А. Корнев, В.Г. Прокопец // Достижения науки и техники АПК. - 2010. - № 2. - С. 26-28.

49 Клещенко, А.Д. Использование данных дистанционного зондирования для моделирования

физиологических процессов растений в динамических процессах прогнозирования урожая / А.Д. Клещенко, Т.А. Найдина // Современные проблемы дистанционного зондирования Земли из космоса. - 2011. - Т.8. - № 1. - С. 170-177.

50 Кобцева, Л.В. Изучение влияния природно-климатических факторов на урожайность яровой

мягкой пшеницы на разных этапах органогенеза / Л.В. Кобцева, Л.А. Ступина // Вестник Алтайского государственного аграрного университета. - 2012. - Т. 91. - № 5. - С. 21-25.

51 Копылов, В.Н. Методические вопросы использования космических снимков для

оперативной оценки последствий лесных пожаров / В.Н. Копылов, Ю.М. Полищук, В.А. Хамедов // Сборник статей «Современные проблемы дистанционного зондирования Земли из космоса». - 2007. - Т. 1. - Вып. 4. - С. 155-161.

52 Кулагин, А.А. Древесные растения и биологическая консервация промышленных

загрязнителей / А.А. Кулагин, Ю.А. Шагиева. - М.: Наука, 2005. - 190 с.

53 Куссуль, Н.Н. Регрессионные модели оценки урожайности сельскохозяйственных культур по

данным MODIS / Н.Н. Куссуль [и др.] // Современные проблемы дистанционного зондирования Земли из космоса. - 2012. - Т.9. - №1. - С. 95-107.

54 Кутузов, А.В. Комплексное геоэкологическое исследование побережий водохранилищ //

Рациональное природопользование: традиции и инновации. Материалы Международной научно-практической конференции / А.В. Кутузов; под общ. ред. проф. Слипенчука. -М.: Издательство Московского университета, 2013. 328 с.

55 Кутузов, А.В. Возможности использования данных дистанционного зондирования при

геоэкологическом исследовании водных антропогенных комплексов и их побережий при обеспечении контроля за природно-очаговыми и паразитарными инфекциями /

A.В. Кутузов, Д.В. Транкилевский, В.А. Царенко, В.И. Жуков // Дезинфекционное дело. -2013. - №1. - С. 37-41.

56 Лавров, А.Ю. Управленческие решения: учебное пособие. / А.Ю. Лавров. Чита: ЧитГУ, 2005.

- 227 с.

57 Личко, К. П. Прогноз урожайности зерновых культур как основа прогнозирования объемов

сельскохозяйственного производства / К.П. Личко, Е.В. Шумская // Проблемы прогнозирования. - 2007. - №. 3. - С. 60-67.

58 Макаренко, В.Д. Надежность нефтегазопромысловых систем / В.Д. Макаренко [и др.]. -

Челябинск: Издательство ЦНТИ, 2006. - 826 с.

59 Мурынин, А.Б. Прогнозирование урожайности на основе многолетних космических

наблюдений за динамикой развития вегетации / А.Б. Мурынин, В.Г. Бондур,

B.Ю. Игнатьев, К.Ю. Гороховский // Современные проблемы дистанционного зондирования Земли из космоса. - 2013. - Т. 10. - № 4. - С. 245-256.

60 Мыларщиков, А.М. Систематизация методов оценки антропогенного воздействия на

окружающую среду / А.М. Мыларщиков // Интернет-журнал Науковедение. - 2012. -№ 3.- Т. 12.- С. 1-18.

61 Назаренко, Л.В. Факторы внешней среды, их влияние на рост и развитие

сельскохозяйственных культур длинного дня на примере пшеницы / Л.В. Назаренко // Научный журнал КубГАУ. - 2013. - № 93. - Вып. 9. - С. 1318-1342.

62 Никаноров, М.С. Использование технологии искусственного интеллекта при анализе

факторов, влияющих на производство пшеницы РФ / М.С. Никаноров, Е.А. Воронин // Вестник МГАУ. - 2008. - № 4. - С. 60-62.

63 Ничипорович, А.А. О путях повышения продуктивности фотосинтеза растений в посевах /

A.А. Ничипорович // Сборник: Фотосинтез и вопросы продуктивности растений. - М.: АН СССР, 1963. - 132 с.

64 Орлов, А. И. Экспертные оценки / А. И. Орлов // Журнал «Заводская лаборатория». - 1996. -

Т.62. - № 1. - С.54-60.

65 Орлов, А. И. Экспертные оценки: учебное пособие / А. И. Орлов. - М.: ИВСТЭ, 2002. - 31 с.

66 Острейковский, В.А. Теория надежности: учебник для вузов / В.А. Острейковский. - М.:

Высшая школа, 2003. - 463 с.

67 Павлов, И.Н. Древесные растения в условиях техногенного загрязнения / И.Н. Павлов. -

Улан-Удэ: БНЦ СО РАН, 2005. - 370 с.

68 Пасов, В.М. Изменчивость урожаев и оценка ожидаемой продуктивности зерновых культур /

B.М. Пасов. - Л.: Гидрометеоиздат, 1980. - 152 с.

69 Пасов, В.М. Изменчивость урожая яровых зерновых культур в различных климатических

зонах СССР / В.М. Пасов // Метеорология и гидрология. - 1973. - № 7. - С.82-86.

70 Пасов, В.М. Климатическая изменчивость урожаев озимой пшеницы / В.М. Пасов //

Метеорология и гидрология. - 1973. - № 2. - С. 94-103.

71 Пасов, В.М. Синоптико-статистический метод прогноза урожая зерновых культур до сева /

B.М. Пасов, Е.А. Аксарина // Труды ИЭМ. - 1979. - Вып. 13. - № 91. - С.16-41.

72 Плотников, Д.Е. Метод детектирования летне-осенних всходов озимых культур по данным

радиометра MODIS / Д.Е. Плотников, С.А. Барталев, Е.А. Лупян // Современные проблемы дистанционного зондирования Земли из космоса. - 2008. - Т. 2. - Вып. 5. -

C. 322-330.

73 Прожорина, Т.И. Экологическая оценка состояния воздушной среды в зоне предприятия

ЗАО ПКФ «Воронежский керамический завод» биоиндикационными методами / Т.И. Прожорина, О.Н. Терещенко // Вестник ВГУ. Серия: Химия. Биология. Фармация. - 2004. - № 2. - С. 142-146.

74 Пыженков, В.И. Культурная флора СССР / В.И. Пыженков, М.И. Малинина. - Т. 21. - Ч.2. -

Тыквенные (огурец, дыня). - Москва: Колос, 1994. - 288 с.

75 Рис, У.Г. Основы дистанционного зондирования. - Второе издание / У.Г. Рис. - М.:

Техносфера, 2006. - 336 с.

76 Романов, А.А. Сравнение методов объектно-ориентированной и нейросетевой

классификации данных дистанционного зондирования на основе материалов систем Landsat-5 и Orbview-3 / А.А. Романов, К.А. Рубанов // Современные проблемы дистанционного зондирования Земли из космоса. - 2012. - Т.9. - №4. - С.29-36.

77 Саати, Т. Метод анализа иерархий / Т. Саати. - М.: «Радио и связь», 1993. - 278 с.

78 Савельев, В.А. Растениеводство: учебное пособие / В.А. Савельев. - Куртамыш:

Куртамышская типография, 2014. - 348 с.

79 Савин, И.Ю. Прогнозирование урожайности сельскохозяйственных культур на основе

спутниковых данных: возможности и перспективы / И.Ю. Савин, С.А. Барталев, Е.А. Лупян, В.А. Толпин, С.А. Хвостиков // Современные проблемы дистанционного зондирования Земли из космоса. - 2010. - Т. 7. - №3. - С. 275-285.

80 Савин, И.Ю. Оперативный мониторинг площадей посевов риса в Калмыкии на основе

данных МОDIS / И.Ю. Савин, Б. Барус // Исследование Земли из Космоса. - 2009. - Т. 5. -С.66-74.

81 Савин, И.Ю. Оперативная оценка состояния посевов и прогнозирование урожайности на

основе спутниковых данных / И.Ю. Савин, Е.А. Лупян, С.А. Барталев // XVI заседание Зернового клуба. - Москва. - 2010.

82 Сидельников, Ю.В. Системный анализ технологии экспертного прогнозирования /

Ю.В. Сидельников. - М.: Изд-во МАИ, 2007. - 453 с.

83 Симонов, Ю.Г. Проблемы регионального географического прогноза: состояние, теория и

методы / Ю.Г. Симонов. - М.: Наука, 1982. - 264 с.

84 Сиротенко, О.Д. Об оценке использования динамических моделей для оценки

агрометеорологических условий формирования урожая/ О.Д. Сиротенко, Е.А. Абашина // Метеорология и гидрология. - 1982. - № 8. - С.95-101.

85 Скворцов, А. В. Триангуляция Делоне и её применение / А. В. Скворцов. - Томск: Изд-во

Томского университета, 2002. - 128 с.

86 Слива, И.В. Опыт применения в аграрных ГИС данных ДЗЗ и ГЛОНАСC/GPS-технологий /

И В. Слива, А.Г. Демиденко // Геоматика. - 2010. - №2. - С. 88-91.

87 Стрикунов, А.В. Методы прогнозирования и планирования: учебное пособие / А.В.

Стрикунов. - Псков: Издательство ППИ, 2005. - 86 с.

88 Тарарин, А.М. Опыт применения изображений Земли из космоса и ГИС-технологий для

мониторинга паводков и наводнений в России / А.М. Тарарин // Современные проблемы дистанционного зондирования Земли из космоса. - 2007. - В.4. - Т.2. - С. 340-344.

89 Терехов, А.Г. Оценка точности спутниковой технологии определения площади

сельскохозяйственных масок в схеме с использованием снимков различного разрешения / А.Г. Терехов // Современные проблемы дистанционного зондирования Земли из космоса. - 2009. - Т.2. - Вып.6. - С. 459-465.

90 Тихонов, Э.Е. Прогнозирование в условиях рынка/ Э.Е. Тихонов. - Невинномысск, 2006. -

221 с.

91 Украинский, П.А. Определение параметров почвенной линии для автоматизированного

распознавания открытой поверхности почвы на космических снимках / П.А. Украинский, А.В. Землякова // Международный журнал прикладных и фундаментальных исследований. - 2014. - № 9. - С.140-144.

92 Уланова, Е.С. Руководство по агрометеорологическим прогнозам / Е.С. Уланова,

В.А. Моисейчик, А.Н. Полевой. - Л.: Гидрометеоиздат, 1984. - Т. 1. - 308 с.

93 Федеральное космическое агентство: космические программы [Электронный ресурс]. -

Режим доступа: http://www.federalspace.ru/115/.

94 Чернявский, Г. М. Космические средства при мониторинге Земли / Г. М. Чернявский // Земля

и Вселенная. - 2004. - №4. - С. 3-12.

95 Чучуева, И.А. Классификация методов и моделей прогнозирования [Электронный ресурс] /

И.А. Чучуева. - Режим доступа: https://habrahabr.ru/post/177633/.

96 Шахраманьян, М.А. Методы и технологии космического мониторинга объектов захоронения

отходов в интересах обеспечения экологической безопасности территорий: учебно-методическое пособие / М.А. Шахраманьян, А.А. Рихтер. - М.: Издательский центр РГУ нефти и газа имени И.М. Губкина, 2013. - 241 с.

97 Шишкин, И.Н. Использование геоинформационных технологий для мониторинга и оценки

последствий чрезвычайных ситуаций / И.Н. Шишкин, А.А. Скугарев // Доклады ТУСУРа. - 2014. - № 2. - Т. 32. - С. 276-280.

98 Шуркина, А.И. Исследование растительности Республики Хакасия на основе интеграции

наземной информации и спутниковых данных / А.И. Шуркина // Современные проблемы дистанционного зондирования Земли из космоса. - 2008. - В.5. - Т.2. - С. 387-392.

99 Щербенко, Е.В. Мониторинг засухи по данным космических съемок / Е.В. Щербенко //

Современные проблемы дистанционного зондирования Земли из космоса. - 2007. - В.4. -Т.2. - С. 395-407.

100 Aparicio, N.D. Relationship between growth traits and spectral vegetation indices in durum wheat

/ Aparicio, N.D .[ et al] // Crop science. - 2002. - Vol. 42. - P. 1547-1555.

101 Arlot, S. survey of cross-validation procedures for model selection / S. Arlot, A.A Celisse //

Statistics Surveys. - 2010. - Vol. 4. - P. 40-79.

102 Armstrong, J.S. Forecasting for marketing / J.S. Armstrong // Quantitative Methods in Marketing.

London: International Thompson Business Press. - 1999. - P. 92-119.

103 Bach, H. First results of an integrated flood forecast system based on remote sensing data / H.

Bach [et al.] // Proceedings of geoscience and remote sensing symposium IGARSS '99. -Hamburg, 1999. - Vol. 2. - P. 864-866.

104 Baret, F.G. TSAVI: a vegetation index which minimizes soil brightness effects on LAI and APAR

estimation / F. Baret, G. Guyot, and D. Major // Proceedings of the 12th Canadian Symposium on Remote Sensing and IGARSS'90. Vancouver, 1989. - P.4.

105 Bartalev, S. A new spot4-vegetation derived land cover map of Northern Eurasia / S. Bartalev [et

al.] // International Journal of Remote Sensing. - 2003. - Vol. 24. - No. 9. - P.1977-1982.

106 Bay, H. SURF: Speeded Up Robust Features / H. Bay [et al.] // Computer Vision and Image

Understanding. - 2008. - Vol. 110. - No. 3. - P. 346-359.

107 Becker Forecasting cetacean abundance patterns / Becker [et al.] // Endangered Species Research.

- 2012. - Vol. 16. - P. 97-112.

108 Blackmer, T. M. Use of a chlorophyll meter to monitor nitrogen status and schedule fertigation for

corn / T. M. Blackmer, J. S. Schepers // Journal of production agriculture. - 1995. - Vol. 8. -P. 56-60.

109 Boegh, E., H. Airborne multi-spectral data for quantifying leaf area index, nitrogen concentration

and photosynthetic efficiency in agriculture / E.H. Boegh [et al.] // Remote Sensing of Environment. - 2002. - Vol. 81. - No. 2-3. - P. 179-193.

110 Bollerslev, T. Glossary to ARCH (GARCH) / T. Bollerslev. - Duke University: Center for

Research in Economic Analysis of Time Series, 2008. - 49 p.

111 Bondur, V. Aerospace methods and technologies for monitoring of oil and gas areas and facilities /

V. Bondur // Izvestiya, Atmospheric and Oceanic Physics. - 2011. - Vol. 47. - No. 9. - P. 10071018.

112 Bondur, V. et al. Observation of the evolution of the stress state of the southern California based

on geomechanical model and current seismicity for the purpose of earthquake prediction / V. Bondur // Proceedings of second european conference on earthquake engineering and seismology. - Istanbul, 2014. - P. 25-29.

113 Boykov, Y. An Integral Solution to Surface Evolution PDEs via Geo-Cuts / Y. Boykov, V.

Kolmogorov, D. Cremers, A. Delong // Proceedings on European Conference on Computer Vision. - 2006. - Vol. 3. - P. 409.

114 Brisson, N.B. STICS: a generic model for the simulation of crops and their water and nitrogen

balance. 1. Theory and parameterization applied to wheat and corn / N.B. Brisson [ et al.] // Agronomie. - 1998. - Vol. 18. - P. 311-346.

115 Brown, R.G. Smoothing forecasting and prediction of discrete time series / R.G. Brown. -

Englewood Cliffs: Prentice-Hall. Inc, 1963. - 468 p.

116 Brown, R.G. The fundamental theorum of exponential smoothing / R.G. Brown, R.F. Meyer //

Operations Research. - 1961. - Vol. 9. - No. 5. - P. 673-687.

117 Campbell, J. B. Introduction to remote sensing: 3-rd edition / J. B. Campbell. - New York:

Guilford Press, 2002. - 621 p.

118 Choudhury, B.J. Modeling radiation and carbon-use efficiencies of maize, sorghum, and rice / B.J.

Choudhury// Agricultural and Forest Meteorology. - 2001. - Vol. 106. - P. 317-330.

119 Confalonieri, R WAR M: a scientific group on rice modelling / R. Confalonieri [et al.] // Rivista

Italiana di Agrometeorologia. - 2005. - Vol. 2. - P. 54-60.

120 Draper, N.R. Applied regression analysis: 3-rd edition / N.R. Draper, H. Smith. - John Wiley &

Sons, inc, 1998. - 736 p.

121 Drummond, S.T. Statistical and neural methods for site-specific yield prediction / S. Drummond,

T. R. Kitchen // Transaction of the ASAE. - 2003. - Vol. 46. - No. 1. - P. 5-14.

122 ECMWF - European Centre for Medium-Range Weather Forecasts [Электронный ресурс]. -

Режим доступа: http://www.ecmwf.int/.

123 ECMWF: Forecast products [Электронный ресурс]. - Режим доступа: http://www.ecmwf.int/en/forecasts.

124 El Niño Information [Электронный ресурс]. - Режим доступа: https://www.wildlife.ca.gov/Conservation/Marine/El-Nino.

125 ESRI Shapefile Technical Description. An ESRI White Paper - July 1998 [Электронный

ресурс]. - Environmental Systems Research Institute, Inc, 1998. - 31 p.

126 Fan, J. The Analysis to Tertiary-industry with ARIMAX Model / J. Fan, Q. Huangdao, X. Cao //

Journal of mathematics research. - 2009. - Vol. 1. - No. 2. - P. 156-163.

127 Fang, J. Interannual Variability in Net Primary Production and Precipitation / J. Fan [et al.] //

Science. 2001. Vol. 293. No. 5536. P. 1723.

128 Fernando, N. Elevated CO2 alters grain quality of two bread wheat cultivars grown under different

environmental conditions / N. Fernando [et al.] // Agriculture Ecosystems & Environment. -2014. - Vol. 185. - P. 24-33.

129 Fischer, R. Can Technology Deliver on the Yield Challenge to 2050? / R. Fischer, D. Byerlee, G.

Edmeades // Expert Meeting on How to Feed the World, Food and Agriculture Organization of the United Nations. Rome, 2009. - P. 8-12.

130 Fitzpatrick, J.M. Image Registration / J.M. Fitzpatrick, D.L.G. Hill, Jr. C.R. Maurer // Handbook

of Medical Imaging. Medical Image Processing and Analysis. - SPIE Press, 2000. - Vol. 2 - P. 447-513.

131 Gao, B. NDWI - a normalized difference water index for remote sensing of vegetation liquid

water from space / B. Gao // Remote Sensing of Environment. - 1996. - Vol. 58. - No. 3.- P. 257-266.

132 Genovese, G. Methodology of the Mars Crop Yield Forecasting System / G. Genovese [et al.] //

EUR Report EUR 21291 EN/1-4. - 2004. - Vol. 1-4.

133 GEOSS 10-Year Implementation Plan: Reference Document [Электронный ресурс]. - ESA

Publication Division. - 2005. - 209 p.

134 GLS: Global Land Survey [Электронный ресурс]. - Режим доступа: https://lta.cr.usgs.gov/GLS

135 Gonzalez, R.C. Digital Image Processing: 2-nd Edition / R.C. Gonzalez, R.E. Woods. - London.

Prentice Hall, 2002. - 793 p.

136 Gorokhovskyi, K. Efficiency of Crop Yield Forecasting Depending on the Moment of Prediction

Based on Large Remote Sensing Data Set / K. Gorokhovskyi, V. Ignatiev, A. Murynin // Proceedings of International Conference on Data Mining. - Las Vegas: CSREA Press U.S.A., 2013. - P. 36-41.

137 Herbei, M. Using satellite images LANDSAT TM for calculating normalized difference indexes

for the landscape of Parang Mountains / M. Herbei, L. Dragomir, S. Oncia// Proceedings of the international conference GEOCAD 2012. Alba Iulia, 2012. - P. 158-167.

138 Holt, C.C. Forecasting seasonals trends by exponentially weighted moving averages / C.C. Holt //

International Journal of Forecasting. - 2004. - Vol. 20. - Iss. 1. - P. 5-10.

139 Hough, H. Satellite Surveillance / H. Hough. - Loompanics Unlimited, 1991. - 196 p.

140 Houlié, N. Early detection of eruptive dykes revealed by normalized difference vegetation index

(NDVI) on Mt. Etna and Mt. Nyiragongo / N. Houlié [et al.] // Earth and planetary science letters. - 2006. - Vol. 246. - Iss. 3-4. - P.149-486.

141 Huete, A. A soil-adjusted vegetation index (SAVI) / A. Huete // Remote sensing of environment. -

1988. - Vol. 25. - P. 295-309.

142 Huete, A. Overview of the Radiometric and Biophysical Performance of the MODIS Vegetation

Indices / A. Huete [et al.] // Remote Sensing of Environment. - 2002. - Vol. 83. - P. 195-213.

143 Illingworth, A.D. Exploiting existing ground-based remote sensing networks to improve high

resolution weather forecasts / A.D. Illingworth [et al.]. Bulletin of the American Meteorological Society. 2015. - P. 2107-2125.

144 Indiarto, D. Monitoring Net Primary Productivity Dynamics in Java Island Using MODIS Satellite

Imagery / D. Indiarto, E. Sulistyawati // Asian Journal of Geoinformatics. - 2014. - Vol.14. -No.1. - P. 8-14.

145 InfoTerra [Электронный ресурс]. - Режим доступа: htpp://www.infoterra.co.uk.

146 Islam, A.S. Estimation of yield of wheat in greater Dinajpur region using Modis data /

A.S. Islam,S.K. Bala // Proceedings of 3rd International Conference on Water & Flood Management, ICWFM-2011. - 2011. - P. 787-797.

147 Jalili, M. Nationwide prediction of drought conditions in iran based on remote sensing data / M.

Jalili [et al.] // IEEE Transactions on Computers. - 2014. - Vol. 63. - No. 1. - P. 90-101.

148 Jingfei Yang, M. Sc. Power System Short-term Load Forecasting: Thesis for Ph.d degree / M. Sc.

Jingfei Yang. Germany. Darmstadt. Elektrotechnik und Informationstechnik der Technischen Universitat, 2006. - 139 p.

149 Justice, C.O. An overview of MODIS Land data processing and product status / C.O. Justice [et

al.] // Remote Sensing of Environment. - 2002. - No. 83. - Р.3-15.

150 Kaufman, Y. Atmospherically Resistant Vegetation Index (ARVI) for EOS-MODIS /

Y. Kaufman, D. Tanre // IEEE Transactions on Geoscience and Remote Sensing. - 1992. - Vol. 30. - No. 2. - P. 261-270.

151 Kauth, R. J. The tasseled cap-A graphic description of the spectral-temporal development of

agricultural crops as seen by Landsat / R. J. Kauth, G.S. Thomas // Proceedings of the Symposium on Machine Processing of Remotely Sensed Data. Indiana, 1976. - P. 41-51.

152 Khan, N. M. Mapping soil affected soil using remote sensing indicators - a simple approach with

the use of GIS IDRISI / N.M. Khan [et al.] // Proceedings of 22-nd Asian conference on remote sensing. Singapore, Malaysia, 2001.

153 Knyazikhin, Y. MODIS leaf area index (LAI) and fraction of photosynthetically active radiation

absorbed by vegetation (FPAR) product (MOD15) algorithm theoretical basis document [Электронный ресурс] / Y. Knyazikhin, [et al.]. - 1999. - Режим доступа: http://eospso.gsfc.nasa.gov/atbd/modistables.html.

154 Kogan, F.N. Application of vegetation index and brightness temperature for drought detection /

F.N. Kogan // Advance in Space Research. - 1995. - Vol. 15. - No. 11. - P. 91-100.

155 Kovordanyi, R. Cyclone track forecasting based on satellite images using artificial neural

networks / R. Kovordanyi, Ch. Roy // ISPRS journal of photogrammetry and remote sensing. -2009. - Vol. 64. - No. 6. - P. 513-521.

156 Kriegler, F.J. Preprocessing transformations and their effects on multispectral recognition / F.J.

Kriegler [et al.] // Proceedings of the Sixth International Symposium on Remote Sensing of Environment. Michigan, 1969. - Vol. 2. - P. 97-131.

157 Kurzhanski, A. Dynamics and Control of Trajectory Tubes. Theory and Computation / A.

Kurzhanski, P. Varaiya. - Birkhauser, 2014. - 445 p.

158 Landsat 7: The details [Электронный ресурс]. - Режим доступа: http://landsat.gsfc.nasa.gov/?p=3221

159 Landsat Science: The Multispectral Scanner System [Электронный ресурс]. - Режим доступа:

http://landsat.gsfc.nasa.gov/?p=3227

160 Lelong, Camille C. D. Hyperspectral imaging and stress mapping in agriculture: A case study on

wheat in Beauce (France) / Camille C. D. Lelong [et al.] // Remote sensing of environment. -1998. - Vol. 66. - No. 2. - P. 179-191.

161 Liang, S. Advances in Land Remote Sensing: System, Modeling, Inversion and Application / S.

Liang. - New York: Springer, 2008. - 497 p.

162 Lowe, D.G. Object recognition from local scale-invariant features / D.G. Lowe // Proceedings of

the International Conference on Computer Vision. Kerkyra, 1999. - Vol. 2. - P. 1150-1157.

163 LP DAAC: Data pool [Электронный ресурс]. - Режим доступа: https://lpdaac.usgs.gov/data_access/data_pool.

164 LP DAAC: MOD13A1 product [Электронный ресурс]. - Режим доступа: https://lpdaac.usgs.gov/dataset_discovery/modis/modis_products_table/mod13a1.

165 Mahalanobis, P. C. On the generalised distance in statistics / P.C. Mahalanobis // Proceedings of

the National Institute of Sciences of India. - 1936. - Vol. 2. - Iss. 1. - P. 49-55.

166 Maling, D. H. Coordinate Systems and Map Projections: 2-nd edition / D.H. Maling. - Pergamon

Press, 1992. - 500 p.

167 MARS project [Электронный ресурс]. - Режим доступа: http://www.marsop.info/.

168 Mitchell, T. M. Machine Learning: 1-st edition / T. M. Mitchell. - McGraw-Hill Education, 1997.

- 432 p.

169 MOD 11 - Land Surface Temperature and Emissivity [Электронный ресурс]. - Режим доступа:

http://modis.gsfc.nasa.gov/data/dataprod/dataproducts.php?MOD_NUMBER=11.

170 MODIS - Moderate resolution imaging spectroradiometer [Электронный ресурс]. - Режим

доступа: http://modis.gsfc.nasa.gov/.

171 Mohamed, A.A. An integrated agro-economic and agro-ecological methodology for land use

planning and policy analysis / A.A. Mohamed, M.A. Sharifi, H. van. Keulen // Journal of applied earth observation and geo information. - 2000. - Vol. 2. - P. 87-103.

172 Monteith, J.L. Climate and the efficiency of crop production in Britain / J.L. Monteith //

Philosophical Transactions of the Royal Society of London. Series B. Biological Sciences. -1977. - Vol. 281. - Iss. 980. P.277-294.

173 Murynin, A. Analysis of large long-term remote sensing image sequence for agricultural yield

forecasting. Image mining. theory and applications / A. Murynin, K. Gorokhovskiy, V. Ignatiev // Proceedings of the 4-th international workshop on image mining. Barcelona, 2013. - P. 4855.

174 Murynin, A. Trainable method for predicting characteristics of land surface objects / A. Murynin,

K. Gorokhovskiy, V. Ignatiev // Proceedings of the IADIS international conference computer graphics, visualization, computer vision and image processing 2013. Prague, 2013. - P. 119125.

175 Murynin, A. Detection of the soil degradation areas on multispectral images by measuring the

response of vegetation to salinity / A. Murynin, A. Rihter, V. Ignatiev // Proceedings of the 11-

th international conference pattern recognition and image analysis: new information technologies. Samara, 2013. - Vol. 2. - P. 678-681.

176 Myneni, R.B. The interpretation of spectral vegetation indexes / R.B. Myneni [et al.] // IEEE

Transactions on Geoscience and Remote Sensing. - 1995. - Vol. 33. - P. 481-486.

177 NASA: Planning documents 2002 and beyond [Электронный ресурс]. - Режим доступа:

http://www.hq.nasa.gov/office/codez/plans.html.

178 Nguyen, D.T. Using remote sensing data for yellowfin tuna fishing ground forecasting in

vietnamese offshore areas / D.T. Nguyen, V.B. Doan // International Journal of Emerging Technology and Advanced Engineering. - 2014. - Vol. 4. - Is. 2. - P.598-605.

179 Pesaran, M.H. An autoregressive distributed-lag modelling approach to cointegration analysis /

M.H. Pesaran, Y. Shin // Proceedings of the ragnar frisch centennial symposium. In econometrics and economic theory in the 20th century. Cambridge, 1998. - P. 371-413.

180 Phillips, L.B. Evaluating the species energy relationship with the newest measures of ecosystem

energy: NDVI versus MODIS primary production / L.B. Phillips, A.J. Hansen, C.H. Flather // Remote Sensing of Environment. - 2008. - Vol. 112. - Iss. 12. - P. 4381-4392.

181 Pinty, B. GEMI: a non-linear index to monitor global vegetation from satellites / B. Pinty, M.

Verstraete // Vegetatio. - 1992. - Vol. 101. - Iss. 1. - P. 15-20.

182 Preprocessing levels and location accuracy of SPOT Images [Электронный ресурс]. - Режим

доступа:http://www.geo-

airbusds.com/files/pmedia/public/r454_9_preprocessing_levels_sept2010.pdf.

183 Qi, J. A Modified Soil Adjusted Vegetation Index / J. Qi [et al.] // Remote sensing of environment.

- 1994. - Vol. 48. - P.119-126.

184 Qi, J. External factor consideration in vegetation index development / J. Qi, Y. Kerr, A.

Chehbouni // Proceedings of Physical Measurements and Signatures in Remote Sensing ISPRS. Val D'Isere, 1994. - P. 723-730.

185 Quinn, J. W. [Электронный ресурс]. - Режим доступа: http://web.pdx.edu/~emch/ip1/bandcombinations.html

186 Railyan, V.Y. Red edge structure of canopy reflectance spectra of triticale / V.Y. Railyan, R.M.

Korobov // Remote sensing of environment. - 1993. - Vol. 46. - No. 2. - P. 173-182.

187 Rembold, F. Developing a simple operational multistep procedure for quantitative

yield/production estimation / F. Rembold, I. Savin, T. Nègre // Proceedings of the AfricaGIS2005 Conference. The Geo-Information Society of South Africa Tshwane. Pretoria, 2005. - P. - 257-269.

188 Report from the Commission to the Council and the European Parliament on implementation of

Decision No 1445/2000/EC on the application of aerial-survey and remote-sensing techniques to the agricultural statistics. COM. Brussels, 2007. - 552 p.

189 Richardson, A. J. Distinguishing vegetation from soil background information / A. J. Richardson,

C. L. Wiegand // Photogrammetric Engineering and Remote Sensing. - 1977. - Vol. 43. - P. 1541-1552.

190 Ritchie, J. T. Description and performance of CERES-Wheat: A user-oriented wheat yield model

J. T. Ritchie, S. Otter // USDA-ARS, ARS-38. - 1985. - P. 159-175.

191 Ritchie, J. T. A User's guide to CERES maize-v2.10. International fertilizer development centre /

J. T. Ritchie [et al.]. - Muscle Shoals, 1989. - 97 p.

192 Rosema, A. European Energy and Water Balance Monitoring System / A. Rosema [et al.]. - EU

FP4 final report, contract ENV-CT97-0478, 2001. - 147 p.

193 Rouse, J.R. Monitoring Vegetation Systems in the Great Plains with ERTS / J.R. Rouse, J. Haas,

Schell, D. Deering // Proceedings of the Third ERTS Symposium, NASA. Washington, D.C., 1973. - P. 309-317.

194 Sakov, P. TOPAZ4: an ocean-sea ice data assimilation system for the North Atlantic and Arctic /

Sakov, P. [et al.] // Ocean Science. - 2012. - Vol. 8. - P. 633-656.

195 Savin, I. Crop yield prediction with SPOT VGT in Mediterranean and Central Asian countries / I.

Savin // Workshop proceedings: Remote sensing support to crop yield forecast and area estimates. Commission VIII, WG VIII/10. Stresa, 2007. - P.130-134.

196 Savin, I. Agro-meteorological monitoring in Russia and Central Asian Countries / I. Savin, T.

Nègre. OPOCE EUR 22210EN. Ispra, 2006. - 214 p.

197 SDMX - Statistical Data and Metadata eXchange [Электронный ресурс]. - Режим доступа:

http://sdmx.org/?page_id=5008.

198 Sellers, P. J. Canopy reflectance, photosynthesis, and transpiration / P.J. Sellers // International

Journal of Remote Sensing. - 1985. - Vol. 6. - P. 1335-1372.

199 Serpico, S. B. An experimental comparison of neural and statistical non-parametric algorithms for

supervised classification of remote-sensing images / S.B. Serpico, L. Bruzzone, F. Roli // Pattern recognition letters. - 1996. - Vol. 17. - No. 13. - P. 1331-1341.

200 Serrano, L. Remote sensing of biomass and yield of winter wheat under different nitrogen supplies

/ L. Serrano, I. Filella, J. Penuelas // Crop Science. - 2000. - Vol. 40. - No. 3. - P. 723-731.

201 Slocum, T. A. Thematic Cartography and Geographic Visualization: 2nd edition / T.A. Slocum. -

NJ: Pearson Prentice Hall, 2004. - P. 166.

202 Spitters, C. J. T. A simple and universal crop growth simulator: SUCRO87 / C.J.T. Spitters [et

al.]// Simulation and Systems Management in Crop Protection; edited by R. Rabbinge [et al.]. -Simulation Monographs 32. Pudoc, 1989. - P. 147-181.

203 Steyaert, L.T. Atmospheric pressure and wheat yield modeling / L.T. Steyaert, S.K. Le Due, J.D.

McQuigg // Agricultural Meteorology. - 1978. - Vol.19. - No.1. - P. 23-24