Разработка метода обработки информации об объектах северных экосистем на основе структурного моделирования тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Васендина, Ирина Сергеевна

• Васендина, Ирина Сергеевна
• кандидат наук
• 2018

Оглавление диссертации кандидат наук Васендина, Ирина Сергеевна

Оглавление

Введение

Глава 1 Исследование подходов к мониторингу наземных экосистем северных территорий и анализ методов распознавания объектов изображений

1.1 Исследование подходов к мониторингу северных экосистем

1.2 Исследование методов моделирования растительного покрова

1.3 Анализ методов дешифрирования изображений

1.3.1 Математическое описание образов

1.3.2 Дискриминантный подход при распознавании образов

1.3.2.1 Метрические методы классификации образов

1.3.2.2 Байесовские методы классификации образов

1.3.2.3 Нейросетевые методы классификации образов

1.3.3 Анализ структурных методов распознавания объектов изображения

1.4 Выводы

Глава 2 Разработка метода обработки информации об объектах северных экосистем

2.1Формальное описание концептуальной модели процесса обработки информации об

объектах северных экосистем

2.2Разработка иерархической структурной модели объектов растительного покрова

северных экосистем

2.2.1 Описание объектов и свойств растительного покрова северных

экосистем

2.2.2Разработка иерархической структурной модели растительного покрова

северной экосистемы

2.3 Формальное описание образных конструкций аэрофотоснимков

территорий

2.4Разработка системы предметных действий в процессе обработки информации об

объектах северных экосистем

2.4.1Общее описание системы действий процесса обработки информации об объектах северных экосистем

2.4.2Разработка взаимодействия блоков нейронных сетей в предметных

действиях

2.5Разработка системы правил обработки информации об объектах северных

экосистем

2.6Выводы

Глава 3 Разработка методики обработки информации об объектах северных

экосистем

3.1 Анализ пространственных данных о растительном покрове и технологий их

получения для мониторинга экосистем

3.2Разработки методики обработки информации об объектах северных

экосистем

3.2.1 Организация процесса сегментации потока снимков северной экосистемы

разного масштаба

3.2.2Разработка алгоритма интерпретации объектов аэрофотоснимков

растительного покрова северных экосистем

3.2.2.1Определение наборов блоков в укрупненных блоках алгоритма интерпретации объектов аэрофотоснимков растительного покрова северных

экосистем

3.2.2.2Описание блоков, использующих функции вычисляемых,

наследуемых и искусственно вводимых значений свойств

3.2.2.3Разработка блоков, использующих правила вывода для нахождения

значений свойств

3.2.2.4Разработка блоков, основанных на применении нейронных сетей для

отображения значений свойств объектов северных экосистем

3.2.2.5Определение блока процесса приведения совокупности значений

свойств к формальному описанию объекта

3.2.2.6Определение блока выделения

отношений

3.3Оценка достоверности результатов работы методики обработки информации об

объектах северных экосистем

3.4Выводы

Глава 4. Разработка программного модуля обработки информации об объектах северных экосистем

4.1 Исследование структуры систем мониторинга

экосистем

4.2Проектирование программного модуля обработки информации об объектах

северных экосистем

4.3Проектирование и реализация базы данных объектов северной

экосистемы

4.4Реализация и использование программного модуля обработки информации об

объектах северных экосистем

4.5 Сравнение возможностей разработанного программного модуля с существующими

системами обработки аэрофотоснимков

4.6Выводы

Заключение

Список сокращений и условных обозначений

Список литературы

Приложения

Приложение А. Свидетельство о регистрации программы для ЭВМ

Приложение Б. Справка о внедрении результатов диссертационной работы в

учебный процесс

Приложение В. Акт о внедрении программного модуля в учебный процесс

Приложение Г. Справка о внедрении результатов диссертационного исследования

Введение диссертации (часть автореферата) на тему «Разработка метода обработки информации об объектах северных экосистем на основе структурного моделирования»

Введение

Актуальность исследования. Системной проблемой, затрудняющей эффективный экологический мониторинг, является отсутствие достоверной информации необходимого качества об объектах экосистем. Особенно значимым это становится при исследовании экосистем северных территорий, что обусловлено влиянием сложных природно-климатических условий, и соответствует направлению стратегии научно-технологического развития Российской Федерации в пункте укрепления позиции России в области экономического, научного освоения Арктики.

Вследствие труднодоступности и большой площади территории северных экосистем основным источником информации служат пространственные данные в виде снимков высокого и среднего разрешения. В последнее время часто используются снимки с беспилотных летательных аппаратов.

Получение информации о природных объектах в результате дешифрирования снимков широко распространено. Наиболее часто применяемые для распознавания объектов аэрофотоснимков дискриминантные методы представляют классификацию образов в основном с точки зрения статистического подхода. Такие методы не учитывают структурную информацию, которой обладают объекты на высокодетальных изображениях. Так же затрудняет их использование большое количество признаков, описывающее образ, что во много раз увеличивает сложность алгоритма распознавания образа. С другой стороны, при достаточно хороших результатах дешифрирования структурными методами остается сложным вопрос разработки семантического интерпретатора, производящего анализ описания объекта. Составленное описание в процессе распознавания использует специализированную терминологию и определяет только части формы, что недостаточно наглядно для пользователя и не применяется для дальнейшего использования. Требуется участие специалиста для преобразования полученных результатов в вид, пригодный для последующей обработки и исследования.

Выявленные проблемы и трудности, связанные с особенностями мониторинга экосистем северных территорий и подходов к распознаванию образов на высокодетальных изображениях, определили актуальность исследования.

Степень разработанности темы. Исследования в области распознавания образов ведутся уже многие годы по всему миру и достигли значительных результатов в разных

предметных областях, однако классификация объектов на высоко детальных изображениях, в области экосистем требуют дополнительного рассмотрения.

Вопросами описания и формализации экосистем занимались Ю. Одум, В.Д. Фёдоров, Т.Г. Гильманов, Г.С. Розенберг, В.К. Шитиков, Т.Д. Зинченко (Институт экологии Волжского бассейна, г. Тольятти, Самарская обл.), В.В. Меншуткин (Экономико-математического институт РАН), В.И. Вернадский, В.Е. Сукачев и др.

Большой вклад в развитие распознавания образов с точки зрения выделения формы, а именно морфологического анализа изображений, внесли Ю.П. Пытьев, А.И. Чуличков, В.И. Волков, А.В. Кучуганов, А.Н. Соловьева, с позиций интеллектуального анализа данных рассматривали А.П. Кулешов, А.В. Бернштейн, также описанием скелета занимался Л. Местецкий, применением алгоритма вычисления оценок для распознавания образов занимаются Ю.И. Журавлев, И.Б. Гуревич (МГУ им. М.В. Ломоносова) и др. Структурный подход к распознаванию образов развивают в своих трудах Р. Дуда, П. Харт, У. Прэтт, Р. Гонсалес, Р. Вудс, Ж.А. Фельдман, К.С. Фу, Т. Хуанг, Х.К. Ли. В работах С. Беретти, А. Дель Бимбо, А.Р.Дж. Франсуа, Ж. Медиони, М.М. Ланге, С.Н. Ганебных, Д.Ю. Степанова описывается только визуальная структура объекта на изображении, анализ сцены. В целом, рассматриваемые подходы предлагают распознавание образов на основе описания только формы объекта и прямых дешифровочных признаков, при этом остается актуальным использование знаний о закономерностях в северных экосистемах. Результаты распознавания требуют дальнейшей формализации и обработки специалистом.

Вопросы, связанные с особенностями исследования северных территорий и дешифрирования высокодетальных снимков, определили необходимость разработки метода обработки информации об объектах северных экосистем для повышения качества подготовки информации для их мониторинга. Это позволило сформулировать цель и задачи диссертационного исследования.

Цель работы. Целью является повышение качества подготовки информации для мониторинга северных экосистем.

Для достижения поставленной цели сформулированы следующие задачи исследования.

1. Исследовать особенности мониторинга наземных экосистем северных территорий.

2. Исследовать методы концептуального моделирования растительного покрова и провести анализ методов дешифрирования аэрофотоснимков.

3. Построить иерархическую структурную модель растительного покрова северных экосистем.

4. Разработать метод обработки информации об объектах северных экосистем.

5. Разработать методику обработки информации об объектах северных экосистем для обеспечения их мониторинга.

6. Разработать программный модуль обработки информации об объектах северных экосистем на основе разработанной методики.

Объект исследования: объекты растительного покрова северных экосистем.

Предмет исследования: методы автоматизированного распознавания объектов высокодетальных изображений растительного покрова северных экосистем.

Методы исследования. Диссертационное исследование выполнено на основе принципов системного анализа, основных положений общей теории систем, теории полихроматических множеств и графов, математической логики, методов искусственного интеллекта (метод логического вывода, нейросетевой метод), теории баз данных.

Научная новизна диссертационной работы заключается в следующем:

- выявлены взаимосвязи между объектами и свойствами растительного покрова северных экосистем и характеристиками высокодетальных аэрофотоснимков территорий, с учетом иерархичности их структур;

- разработана и формально представлена иерархическая семантическая модель растительного покрова северных экосистем, позволяющая учитывать аддитивный и синергетический характер свойств объектов и отношений между ними с помощью полихроматических множеств и графов;

- разработана и формально представлена модель процесса обработки информации об объектах северных экосистем, учитывающая взаимосвязь объектов системы растительного покрова и объектов аэрофотоснимков;

- на основе разработанных моделей предложен метод обработки информации об объектах северных экосистем на основе структурного моделирования, применяющий набор специализированных алгоритмов, устанавливающих соответствия концептуальных конструкций семантического описания растительного покрова и образных конструкций снимка.

Теоретическая и практическая значимость.

Теоретическая значимость работы заключается в разработке метода обработки информации об объектах северных экосистем на основе структурного моделирования, применяющего набор специализированных алгоритмов и позволяющего повысить качество подготовки информации для мониторинга северных экосистем.

Практическая значимость работы заключается в разработке методики обработки информации об объектах северных экосистем для обеспечения их мониторинга и программного модуля обработки информации об объектах северных экосистем на основе разработанных моделей и методики, что подтверждается свидетельством о регистрации программы для ЭВМ №2018611737.

Результаты диссертационной работы использованы в рамках гранта РФФИ № 1407-98801 «Разработка информационной системы мониторинга и управления лесными территориями (на примере архипелага Соловецкие острова)». Результаты исследований по структурному моделированию предметной области («северные экосистемы») и интеллектуальному анализу данных используются в качестве методического материала в курсах дисциплин «Теория информационных процессов и систем» и «Интеллектуальные системы и технологии» для направления подготовки 09.03.02 «Информационные системы и технологии» на кафедре информационных систем и технологий ФГАОУ ВО «Северный (Арктический) федеральный университет имени М.В. Ломоносова». Разработанный метод и методика обработки информации об объектах северных экосистем были приняты к внедрению в Архангельский филиал ФГБУ «Рослесинфорг».

Результаты получены для объектов растительного покрова северных экосистем и также могут быть использованы для обработки информации об объектах на изображениях в других предметных областях.

Положения, выносимые на защиту.

1. Иерархическая структурная модель растительного покрова северных экосистем на основе полихроматических множеств и графов, определяющая форму результата обработки информации об объектах территории и хранящая знания о зависимостях между объектами, свойствами растительного покрова.

2. Метод обработки информации об объектах северных экосистем на основе структурного моделирования, определяющий совокупность действий разных типов,

устанавливающих соответствия концептуальных конструкций семантического описания растительного покрова и образных конструкций снимка.

3. Методика обработки информации об объектах северных экосистем на основе структурного моделирования, позволяющая получать результат распознавания в виде взаимосвязанного формализованного описания объектов в терминах предметной области.

Достоверность и обоснованность полученных в работе научных и практических результатов обеспечиваются использованием традиционных методов исследования для схожих задач, согласованностью результатов, получаемых в программном модуле, реализующем предложенный алгоритм, и данных полевых исследований территории, апробацией основных теоретических положений диссертации в печатных трудах и докладах на российских научных и научно-практических конференциях и семинарах.

Апробация работы. Работа выполнялась на кафедре информационных систем и технологий САФУ имени М.В. Ломоносова. Основные положения проведенных исследований докладывались и обсуждались на следующих конференциях и семинарах: Международная научно-практическая конференция «Наука сегодня: задачи и пути их решения» (Вологда, 2016), Международная научно-практическая конференция «Инновационная парадигма устойчивого развития науки. Теория и практика» (Санкт-Петербург, 2016), ежегодные конференции профессорско-преподавательского состава САФУ имени М.В. Ломоносова (Архангельск, 2016, 2017), IV международная научная конференция «Актуальные вопросы технических наук» (Краснодар, 2017), XI межрегиональная научная конференция «Ежегодная научная сессия аспирантов и молодых ученых» (Вологда, 2017), научные семинары кафедры информационных систем и технологий ФГАОУ ВПО «Северный (Арктический) федеральный университет им. М.В. Ломоносова».

Основные положения диссертации отражены в 11 публикациях, в том числе, 6 статей в периодических научных и научно-технических журналах, входящих в перечень ВАК, 1 свидетельство Роспатента на программу для ЭВМ.

Соответствие диссертации паспорту научной специальности. Основные результаты диссертационной работы соответствуют пункту 9 «Разработка проблемно-ориентированных систем управления, принятия решений и оптимизации технических, экономических, биологических, медицинских и социальных объектов» и пункту 12

«Визуализация, трансформация и анализ информации на основе компьютерных методов обработки информации» паспорта научной специальности 05.13.01 «Системный анализ, управление и обработка информации (технические системы)».

Структура и объем диссертации. Диссертация состоит из введения, четырех глав, заключения, списка литературы из 105 наименований и 4 приложений. Диссертация содержит 179 страниц машинописного текста, 27 рисунков и 29 таблиц.

Глава 1 Исследование подходов к мониторингу наземных экосистем северных территорий и анализ методов распознавания объектов изображений

1.1 Исследование подходов к мониторингу северных экосистем

Важной особенностью северных территорий наряду с высокими запасами природных ресурсов является их сильная уязвимость и низкая восстановительная способность экосистем, которые проявляются в качестве таких характеристик, как [1]: небольшое видовое разнообразие, низкая первичная биологическая продуктивность, очень короткие цепи питания, незначительное разнообразие пищи, большие колебания численности популяций, замедленный круговорот питательных веществ, очень слабая адаптация к нарушениям систем. Особое значение это приобретает при постоянно растущем антропогенном воздействии, вызванном освоением Арктических и Субарктических территорий и их использовании в процессе хозяйственной деятельности. Также исследование этих территорий соответствует направлению стратегии научно-технологического развития Российской Федерации в пункте укрепления позиции России в области экономического, научного освоения Арктики [2]. Выделенные особенности северных территорий и связанная с ними деятельность человека определили необходимость проведения комплекса мер, направленных на рациональное природопользование, экологический контроль, природоохранную деятельность, основой для чего служит мониторинг экосистем.

Мониторинг экосистем представляет собой систему регулярных длительных наблюдений в пространстве и во времени, дающую информацию о состоянии окружающей среды в зависимости от антропогенного воздействия. Эффективность мониторинга наземных экосистем зависит от своевременной и достоверной информации для системы управления природоохранной деятельностью и экологической безопасностью, позволяющей оценить показатели состояния экосистемы, выявить причины изменения показателей, создать предпосылки для принятия решений по исправлению негативной ситуации [3].

Предметом мониторинга выступают явления в окружающей среде, происходящие как при естественном развитии природных экосистем, так и под влиянием деятельности человека. Для изучения совокупности таких явлений (по И.П. Герасимову) [4] выделяют

следующие виды мониторинга: локальный, региональный и глобальный. Локальный мониторинг проводится применительно к отдельным объектам, которые наиболее подвержены интенсивному антропогенному воздействию. При региональном мониторинге производится слежение за состоянием окружающей среды в пределах большого по площади района, отличающегося от других по природным условиям. При глобальном мониторинге получают информацию о биосфере в целом или отдельных её процессах.

Мониторинг северных экосистем, являющихся объектом диссертационного исследования, относится к региональному и обусловлен сильными изменениями характеристик объектов под влиянием природно-климатических условий и антропогенных воздействий. Исследования в области подходов к экологическому мониторингу позволили выделить, что объектом для северных территорий могут служить природные экосистемы, а в качестве его характеризуемых показателей выступают структура растительного покрова и нарушения его элементов.

Главной сложностью мониторинга северных экосистем является труднодоступность, большая площадь и малая заселённость территорий. Также актуальной проблемой остается осмысление получаемых данных и их организация для эффективного практического использования.

Проведенные исследования [5] позволили выделить следующие методы мониторинга экосистем: дистанционные и наземные, включающие физико-химические методы и методы биологического мониторинга. В соответствии с выявленной проблематикой проведения мониторинга северных экосистем применение наземных методов мониторинга несмотря на их высокую точность крайне ограниченно. Дистанционное зондирование поверхности методами аэрофотосъёмки или из космоса позволяет обследовать большие по площади и труднодоступные территории, значительно снизить стоимость получения информации и увеличить ее объём, обеспечить оперативность информационных потоков, поскольку проводимый мониторинг осуществляется относительно простыми, но высокотехнологическими средствами.

В настоящее время вопросам мониторинга состояния территории дистанционными методами посвящено большое число работ [6-10], служащих для целей управления земельными ресурсами.

Существует ряд ограничений применения космического мониторинга из-за возникающих проблем дистанционного зондирования в высокоширотных зонах (75-900 северной широты) [11], так как не все космические аппараты проходят над северной территорией из-за ограниченного наклона орбиты. Также спутники, достигающие данных широт, оснащены системами с низким пространственным разрешением.

Из-за выявленных ограничений мониторинга территорий северных широт и особенностей исследования северных экосистем, важным для которых является получение информации об отдельных объектах и их взаимодействии, всё чаще применяется высокодетальная аэрофотосъемка. Широко развита в настоящее время съёмка с использованием беспилотных летательных аппаратов (БПЛА). Получаемая в результате съемки местности информация требует дальнейшей обработки путем тематического дешифрирования.

На сегодняшний день информация об объектах экосистем с позиции картографирования часто представляются в виде тематических карт в ГИС-системах. Современные подходы и технологии по обновлению картографических и таксационных данных на примере данных о лесах описаны в работе [12], где рассматривается тематическая обработка спутниковых снимков лесов. Представление информации об объектах в виде тематической карты хоть и является наглядным, но не дает описания разных типов объектов, их характеристик, а также возможного взаимного влияния. Поэтому возникает необходимость в преобразовании поступающих данных в виде снимков территорий к информации, имеющей нелинейную структуру описания объектов, соответствующей структуре экосистемы и пригодной для использования в системах принятия решений.

Также на начальных этапах мониторинга экосистем для системы управления природоохранной деятельностью имеется минимальное количество оцениваемых параметров объектов. Процесс мониторинга имеет итерационных характер, в ходе которого уточняется набор измеряемых характеристик, что усложняет систематизацию получаемой информации и её анализ для эффективного практического использования. Необходимость изучения совокупности объектов растительного покрова, обладающих большим числом свойств и взаимосвязей, делает вывод о потребности его моделирования.

Выявленные особенности мониторинга северных экосистем установили в качестве наиболее эффективного метода сбора информации о территории - дистанционное

зондирование Земли, а также определили требования к выбору методов моделирования растительного покрова.

1.2 Исследование методов моделирования растительного покрова

При решении различных задач, связанных с природными объектами (мониторинг, научное исследование, добыча природных ресурсов, управление, охрана и другие), для комплексной оценки целесообразно рассматривать не только данный вид объектов, но и влияющие внешние факторы и объекты. При этом рассматривается совокупность взаимосвязанных природных объектов с позиции экосистемного подхода. Экосистема -это биологическая система, состоящая из сообщества живых организмов (биоценоз), среды их обитания (биотоп), системы связей, осуществляющей обмен веществом и энергией между ними [13].

В ходе проведенного анализа подходов к мониторингу северных экосистем был выделен в качестве исследуемого объекта растительный покров территории, а также определена необходимость его моделирования как системы взаимосвязанных объектов, обладающих набором свойств.

Многие объекты, процессы, явления до сих пор остаются мало изученными и, как следствие, плохо формализуемыми. Для исследования таких объектов создается модель, отражающая основные свойства и функционирование реального объекта.

Рассматривая некоторые объекты как множество соединенных частей, можно представлять этот объект как систему. Система есть конечное множество элементов и связей между ними, определяется множеством состояний, взаимодействует со средой, её поведение определяется заложенной целью и законами функционирования, позволяющими достигать этой цели [14].

Выделяя части системы, их свойства, отношения между объектами задается структура системы, что является переходом к формальному описанию объекта, процесса, явления. Способ выделения объектов в исследуемой системе, их описания зависят от целей создания системы, решаемых задач, предпочтений разработчика, принятых подходов, методов формализации и др., на основе которых определяется предметная область (ПрО) исследования, в результате чего создается модель предметной области (МПрО). Под ПрО понимается [14] выделенная узкая сфера деятельности человека,

относящаяся к данной задаче. Создаваемая МПрО однозначно определяет структуру и совокупность используемых знаний о ПрО для автоматического синтеза алгоритма решения задачи в данной области.

Выделяют следующие основные подходы к структурированию знаний о предметной области: структурный, объектный и объектно-структурный.

Анализ подходов и методов проводился в соответствии со следующими критериями: создание взаимосвязанных моделей разнородных объектов, построение взаимосвязанных моделей, соответствующих разному уровню знаний, высокая степень формализации описания, возможность интеграции моделей для разных задач.

Структурный подход основан на алгоритмической декомпозиции, которая производится до элементарных функций, сохраняя при этом целостность системы.

Для структурного анализа используется множество разнообразных средств, результатом применения которых является построенная модель. Наиболее часто применяются следующие из них:

- DFD (Data Flow Diagrams) — диаграммы потоков данных;

- STD (State Transition Diagrams) — диаграммы перехода состояний;

- ERD (Entity-Relationship Diagrams) — диаграммы «сущность-связь»;

- структурные карты Джексона и/или Константайна для проектирования межмодульных взаимодействий и внутренней структуры объектов;

- FDD (Functional Decomposition Diagrams) — диаграммы функциональной декомпозиции;

- SADT (Structured Analysis and Design Technique) — технология структурного анализа и проектирования;

- семейство IDEF (Integration Definition for Function Modeling) [15].

Структурный подход, основанный декомпозиции функций, не обеспечивает

описание отдельных характеристик объектов.

Используя объектно-ориентированный подход решение задачи и предметная область рассматривается с точки зрения объектов (понятий и сущностей). К основным понятиям данного подхода относятся абстрагирование, класс, иерархия, наследование, типизация, инкапсуляция, модульность, полиморфизм. Используя методологию этого подхода, возможно построение модели любой сложной системы. В ходе рассмотрения сложной системы происходит логическое деление на сущности, в результате которого

происходит построение структуры классов и объектов. Методология объектно-ориентированного анализа реализована в унифицированном языке UML.

Объектно-ориентированный подход может быть применен для описания информационной составляющей отдельных объектов в модели растительного покрова.

Объектно-структурный подход основан на объединении структурного и объектного подхода. Существуют различные методы структурирования знаний о ПрО, реализующие данный подход. Выразительным средством для структурирования и представления знаний являются семантические графы [16]. В семантических графах знания представляются в виде атрибутивного графа, вершинами которого являются понятия предметной области, а дуги определяют отношения между понятиями. В качестве отношений часто выделяются таксономические («класс - подкласс -экземпляр»), структурные («часть - целое»), родовые («род - вид»), количественные, логические, пространственные и другие. Их частным случаем можно рассматривать получившую широкое распространение для разработки МПрО онтологию предметной области, являющейся также моделью предметной области, но ориентированной на стандартизацию и унификацию форм представления знаний.

Под онтологией понимают эксплицитную спецификацию концептуализации [14]. Основание онтологии составляет словарь имен сущностей для представления и обмена знаниями по конкретной проблеме, набор связей и свойств, которые определяются между ними. Связи могут быть как универсальными зависимостями, так и специфическими для соответствующей модели предметной области. Подчеркнем особенности структурирования знаний о предметной области путем построения онтологии:

- онтология описывает всеобщие знания, принятые в сообществе;

- знания, определенные в онтологии, предназначены для использования специалистами из разных предметных областей;

- совместное использование онтологии возможно за счет введения онтологического соглашения;

- основным назначением онтологии выступает интеграция разнородной информации о предметной области и её представление в виде, удобном для совместного использования в целях решения разнообразных прикладных задач;

Список литературы диссертационного исследования кандидат наук Васендина, Ирина Сергеевна, 2018 год

Список литературы

1. Передельский, Л.В. Экология [Текст]: учеб. / Л.В. Передельский, В.И. Коробкин, О.Е. Приходченко. - М.: ТК Велби, Изд-во Проспект, 2007. - 512 с.

2. Указ Президента Российской Федерации от 01.12.2016 г. № 642 «О Стратегии научно-технологического развития Российской Федерации» [Электронный ресурс] - Режим доступа: http://kremlm.ru/acts/bank/41449/page/1 (дата обращения: 30.11.2017). - Загл. с экрана.

3. Экология, мониторинг и рациональное природопользование [Текст]: учебник/ под ред. Я.В. Малкова. - М.: Наука, 1996. - 273с.

4. Герасимов, И.П. Экологические проблемы в прошлой, настоящей будущей географии мира [Текст] / И.П. Герасимов. - М.: Наука, 1985. - 238 с.

5. Экология, мониторинг и рациональное природопользование [Текст]: учебник / под ред. Е.Г. Мозолевской. - М.: Наука, 2005. - 211с.

6. Барталев, С.А. Возможности использования спутникового сервиса ВЕГА для решения различных задач мониторинга наземных экосистем [Текст] / С.А. Барталев, Д.В. Ершов, Е.А. Лупян, В.А. Толпин // Современные проблемы дистанционного зондирования Земли из космоса. -2012. - Т. 9, № 1. - С. 49-56.

7. Гук, А.П. Разработка методики определения изменений границы леса по разновременным разномасштабным аэрокосмическим снимкам [Текст] / А.П. Гук, Л.Г. Евстратова, М.А. Алтынцев // Геодезия и картография. - 2015. - № 12. - С. 3239.

8. Лупян, Е.А. Информационная система комплексного дистанционного мониторинга лесов «Вега-Приморье» [Текст] / Е.А. Лупян, С.А. Барталев, И.В. Балашов, С.С. Барталев, М.А. Бурцев, В.А. Егоров, В.Ю. Ефимов, В.О. Жарко, А.В. Кашницкий, П.А. Колбудаев, Л.С. Крамарева, А.А. Мазуров, А.Ю. Оксюкевич, Д.Е. Плотников, А.А. Прошин, К.С. Сенько, И.А. Уваров, С.А. Хвостиков, Т.С. Ховратович // Современные проблемы дистанционного зондирования Земли из космоса. - 2016. - Т. 13, № 5. - С. 11-28.

9. Мазуров, Б.Т. Совершенствование информационной базы региональных ГИС (РГИС) для инвентаризации и картографирования ресурсов [Текст] / Б.Т. Мазуров,

О.Н. Николаева, Л.А. Ромашова // Изв. ВУЗов. Геодезия и аэрофотосъемка. - 2012. - № 2/1. - С. 130-133.

10. Сухих, В.И. Научные основы и первые результаты дистанционного мониторинга незаконных рубок леса [Текст] / В.И, Сухих, М.Д. Гиряев, В.И. Архипов, Е.М. Атаманкин, В.И. Березин, М.В. Дворяшин, В.М. Жирин, И.М. Потапов,

B.М, Скудин, А.А. Соболев, А.В. Шаталов // Современные проблемы дистанционного зондирования Земли из космоса. - 2006. - Т. 1. - С. 32-38.

11. Савиных, В.П. Исследование северных территорий методами геоинформатики [Текст] / В.П. Савиных, В.Я. Цветков // Образовательные ресурсы и технологии. -2014. - 5(8). - С. 14-23.

12. Гурьев, А.Т. Тематическая обработка спутниковых снимков лесных территорий на основе структурных моделей: монография [Текст]/ А.Т. Гурьев, Р.А. Алешко,

C.В. Торхов, Д.В. Трубин. // Архангельск: Сев. (Арктич.) федер. ун-т им. М.В. Ломоносова, 2013. - 150 с.

13. Экология [Электронный ресурс] - Электрон. дан. - Режим доступа: https://dic.academic.ru/dic.nsf/ruwiki/6539, свободный (дата обращения 10.12.2017). -Загл. с экрана.

14. Болотова, Л.С. Системы искусственного интеллекта: модели и технологии, основанные на знаниях: учебник / Л.С. Болотова / ФГБОУ ВПО РГУИТП; ФГАУ ГНИИ ИИТ «Информатика». - М.: Финансы и статистика, 2012. - 664 с.

15. Структурный и объектно-ориентированные методы разработки и анализа [Электронный ресурс] - Режим доступа: https://studfiles.net/preview/6266132/page:4/ (дата обращения 09.12.2017). - Загл. с экрана.

16. Люгер, Дж.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем / Дж.Ф. Люгер. — М.: Издательский дом «Вильямс», 2005. — 864 с.

17. Смирнов, А.В. Онтологии в системах искусственного интеллекта: способы построения и организации. [Текст] /А.В. Смирнов, М.П. Пашкин, Н.Г. Шилов, Т.В. Левашова //Новости искусственного интеллекта. - М. - №1 (49). - С. 123-133.

18. Башмаков, А.И. Интеллектуальные информационные технологии: Учебное пособие / А.И. Башмаков, И.А. Башмаков. - М.: МГТУ им. Н.Э. Баумана, 2005. - 304 с.

19. Соловьев, В.Д. Онтологии и тезаурусы: Учебное пособие / В.Д. Соловьев, Б.В. Добров, В.В. Иванов, Н.В. Лукашевич - Казань, Москва, 2006. - 178 с.

20. Павлов, В.В. Структурное моделирование в CALS-технологиях [Текст]/ В.В. Павлов; [отв. ред. Ю.М. Соломенцев] // Ин-т конструкторско-технологической информатики РАН. - М.: Наука, 2006. - 307 с.

21. Павлов, В.В. Повышение эффективности эксплуатации технологических машин лесного комплекса: монография [Текст] / В.В. Павлов, А.Т. Гурьев, М.Е. Деменков, Е.А. Деменкова; Сев. (Арктич.) фед. Ун-т им. М.В. Ломоносова. - Архангельск: ИПЦ САФУ, 2012. - 138 с.: ил.

22. Павлов, В.В. Типовые математические модели в САПР ТПП: учеб. пособие [Текст] / В.В. Павлов. - М.: Мосстанкин, 1988 г. - 76 с.

23. Павлов, В.В. Структурное моделирование производственных систем: учеб. пособие [Текст] / В.В. Павлов. - М.: Мосстанкин, 1987 г. - 80 с.

24. Уёмов, А.И. Системные аспекты философского знания [Текст]/ А.И. Уёмов. -Одесса: Негоциант, 2000. - 160 с.

25. Уёмов, А.И. Вещи, свойства, отношения [Текст]/ А.И. Уёмов. - М: Издательство Академии наук СССР, 1962. - 184 с.

26. Уёмов, А.И. Системный подход и общая теория систем. [Текст]/ А.И. Уёмов. -М: «Мысль», 1978. - 272 с.

27. Чандра, А.М. Дистанционное зондирование и географические информационные системы [Текст]/ А.М. Чандра, С.К. Гош. - Москва: Техносфера, 2008. - 312 с.

28. Шовенгердт, Р.А. Дистанционное зондирование. Модели и методы обработки изображений. [Текст]/ Р.А. Шовенгердт. - Москва: Техносфера, 2013. - 592 с.

29. Дистанционное зондирование: количественный подход [Текст] / ред. Ф. Свейн, Ш. Дэйвис. - М.: Недра, 1983. - 253 с.

30. Гонсалес, Р. Цифровая обработка изображений [Текст] / Р. Гонсалес, Р. Вудс. -Москва: Техносфера, 2005. - 1072 с.

31. Фу, К. Структурные методы в распознавании образов [Текст] / К. Фу, под ред. М.А. Айзермана, пер. с англ. - М: «Мир» - 1977. - 320 с.

32. Горелик, А.Л. Методы распознавания[Текст] / А.Л. Горелик, В.А. Скрипкин - М.: Высшая школа, 1977. -219 с.

33. Лепский, А.Е. Математические методы распознавания образов: Курс лекций [Текст] / А.Е. Лепский, А.Г. Броневич - Таганрог: Изд-во ТТИ ЮФУ, 2009. - 155 с.

34. Миркес, Е.М. Учебное пособие по курсу «Нейроинформатика» / Е.М. Миркес //Красноярский государственный технический университет - 2002г. - 113 с.

35. Журавлёв, Ю. И. Об алгебраическом подходе к решению задач распознавания или классификации [Электронный ресурс] / Ю.И. Журавлёв // Проблемы кибернетики.

— 1978. — Т. 33. — С. 5-68. - Электрон. журн. - Режим доступа: http://www.ccas.ru/frc/papers/zhuravlev78prob33.pdf., свободный (дата обращения: 10.04.2017). - Загл. с экрана.

36. Дуда, Р. Распознавание образов и анализ сцен / Р. Дуда, П. Харт, под ред. В.Л. Стефанюка. - Москва: Мир, 1976 - 551 с.

37. Duda, R. Pattern Classification / R. Duda, P. Hart, D. Stork - New York: John Wiley & Sons, 2001. - 680 p.

38. Bishop, C. Pattern Recognition and Machine Learnin / C. Bishop - Cambridge: Springer, 2006. - 738 p.

39. Vapnik, V. The Nature of Statistical Learning Theory / V. Vapnik - New York: Springer, 2000. - 299 p.

40. Вапник, В.Н. Теория распознавания образов / В.Н. Вапник, А.Я. Червоненкис — М.: Наука, 1974. - 416 с.

41. Ту, Дж. Принципы распознавания образов / Дж. Ту, Р. Гонсалес - М.: Мир, 1978. -412 с.

42. Машинное обучение (курс лекций, К.В. Воронцов). [Электронный ресурс]. - Режим доступа: http://www.machinelearning.ru/, свободный (дата обращения 12.10.2017). -Загл. с экрана.

43. Вагин, В.Н. Достоверный и правдоподобный вывод в интеллектуальных системах / В.Н. Вагин [и др.]; под ред. В.Н. Вагина и Д.А. Поспелова. - М.: Физ-матлит, 2004.

- 704 с.

44. Хайкин, С. Нейронные сети: полный курс / С. Хайкин - 2-е изд.: Пер. с англ.- М.: ООО «И.Д. Вильямс», 2017. - 1104 с.

45. Круглов, В.В. Искусственные нейронные сети. Теория и практика. / В.В. Круглов, В.В. Борисов - 2-е изд., стереотип. - М.: Горячая линия - Телеком, 2002. - 383 с.

46. Каллан, Р. Основные концепции нейронных сетей.: Пер. с англ. / Р. Каллан - М.: Издательский дом «Вильямс», 2001. - 287 с.

47. Галушкин, А.И. Нейронные сети. Основы теории. / А.И. Галушкин - М.: Горячая линия-Телеком, 2012. - 496 с.

48. Элементарное введение в технологию нейронных сетей с примерами программ/ Р. Тадеусевич [и др.]; перевод с польск. И.Д. Рудинского. - М.: Горячая линия -Телеком, 2011. - 408 с.

49. Павлов, С.Н. Системы искусственного интеллекта: учеб. пособие. В 2-х частях. / С.Н. Павлов. — Томск: Эль Контент, 2011. — Ч. 2. — 194 с.

50. Браверман, Э.М. Структурные методы обработки эмпирических данных / Э.М. Браверман, И.Б. Мучник - М.: Наука, 1983. - 464 с.

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

52. Blum, H. A transformation for extracting new descriptors of shape, in: Symposium Models for the perception of speech and visual form / H. Blum // Weiant Whaten-Dunn, Ed. - MIT Press - Cambridge, Mass., 1967 - 19(5). - P. 362-380.

53. Местецкий, Л.М. Скелет многоугольной фигуры - представление плоским прямолинейным графом / Л.М. Местецкий // Труды 20-й Международной конференции по компьютерной графике и зрению ГрафиКон'2010. — GraphiCon. — ИТМО Санкт-Петербург, 2010. — С. 222-229.

54. Montanari, U. A method for obtaining skeletons using a quasi-Euclidean distance / U. Montanari // J. ACM. -1968. - 15(4). - P. 600-624.

55. Местецкий, Л.М. Непрерывное скелетное представление изображения с контролируемой точностью. / Л.М. Местецкий, И.А. Рейер // Труды 13 международной конф. ГРАФИК0Н-2003 - Москва, 2003. - С. 246-249.

56. Shaked, D. Pruning medial axes / D. Shaked, A.M. Bruckstein // Computer Vision and Image Understanding/ - 1998. - Vol. 69. - No. 2 - P. 156-169.

57. Брайс, К.Р. Анализ сцены при помощи выделения областей / К.Р. Брайс, К.Л. Фейнема // Интегральные роботы. - М.: Мир, 1975. - Т.2. - С. 136-159.

58. Yakimovsky, Y. Scene analysis using a semantic base for region growing / Y. Yakimovsky // Report AIM-209. - Stanford University, 1973.

59. Тененбаум, Д. Подсистема анализа областей для интерактивного анализа сцен / Д. Тененбаум, С. Вейль // Труды IV Международной объединенной конференции по искусственному интеллекту - Тбилиси, 1975. - Т.8. - С. 8.153-8.165.

60. Rosenfeld, A. Edge and curve detection for visual scene analysis / A. Rosenfeld, M. Thurston // IEEE Trans. Computers - 1971. - 20. -5. -P. 562-56.

61. Rosenfeld, A. Edge and curve detection: further experiments / A. Rosenfeld, M. Thurston, Y.H. Lee // IEEE Trans. Computers - July 1972. - 21. - 7. -P. 677-715.

62. Berretti, S. Multiresolution Spatial Partitioning for Shape Representation / S. Berretti, A. Del Bimbo // IEEE Trans. on Pattern Analysis and Machine Intelligence - 2004.

63. Edelsbrunner, H. On the shape of a set of points in the plane / H. Edelsbrunner, D.G. Kirkpatrick, R. Seidel // IEEE Transactions on Information Theory. — 1983. — Vol. 29, Issue 4. — P. 551-559.

64. Edelsbrunner, H. Threedimensional Alpha Shapes / H. Edelsbrunner, E.P. Mucke // In Proceedings of the 1992 Workshop on Volume visualization - Boston, Massachusets, USA, 1992. - P. 75-82.

65. Amenta, N. A New Voronoi-Based Surface Reconstruction Algorithm / N. Amenta, M. Bern, M. Kamvysselis // Proceedings of the 25th annual conference on Computer graphics and interactive techniques - 1998. - P.415- 421

66. Alani, H. Voronoi-based region approximation for geographical information retrieval with gazetteers / H. Alani, C. B. Jones, D. Tudhope // International Journal of Geographical Information Science. — 2001. — Vol. 15, No. 4. — P. 287-306.

67. Duckham, M. Efficient generation of simple polygons for characterizing the shape of a set of points in the plane / M. Duckham, L. Kulik, M. Worboys, A. Galton // Pattern Recognition. — 2008. — Vol. 41, Issue 10. — P. 3224-3236.

68. Moreira, A. A k-nearest approach for the computation of the region occupied by a set of points / A. Moreira, M. Y. Santos // GRAPP 2007: Proc. of the International conference on computer graphics theory and applications. — Setùbal : INSTICC Press, 2007. — P. 6168.

69. Freeman, H. On the encoding of arbitrary geometric configurations / H. Freeman // IEEE Trans/ Electron/ Comput. - 1961. - EC-10. - P. 260-268.

70. Freeman, H. On the digital-computer classification of geometric line pattarns / H. Freeman // Proc. Nat. Electron. Conf. -1962. - 18. - P. 321-324.

71. François, A.R.J. Generic shape learning and recognition / A.R.J. François, G. Medioni, J. Ponce J, A. Zisserman, M. Hebert (eds) // Object Representation in Computer Vision II.

ORCV, 1996. Lecture Notes in Computer Science - Springer, Berlin, Heidelberg, 1996. -vol 1144.

72. Соловьева, А. Н. Многоуровневое описание аэрокосмических снимков в задаче автоматизированного дешифрирования / А.В. Кучуганов, А.Н. Соловьева // Интеллектуальные системы в производстве. — 2014. — № 2(24). — С. 164-166.

73. Ланге, М.М. Классификация изображений в пространстве универсальных представлений с многоуровневым разрешением / М.М. Ланге, С.Н. Ганебных // Доклады 9-й Международной конференции «Интеллектуализация обработки информации» (ИОИ-2012). - 2012. - С. 464-467.

74. Ланге, М.М. Иерархические структуры данных и решающе алгоритмы для классификации изображений / М.М. Ланге, С.Н. Ганебных // Машинное обучение и анализ данных - 2013. -Т. - №6. - С. 725-733.

75. Методы и алгоритмы распознавания образов с использованием древовидных представлений многоканальных изображений / Д.Ю. Степанов /Автореферат / Москва, 2013. -23 с.

76. Робертс, Л. Автоматическое восприятие трехмерных объектов / Л. Робертс // Интегральные роботы. - М.: Мир, 1973. - Т.1. - С.162 - 208.

77. Волкова, Г.Д. Методология автоматизации интеллектуального труда / Г.Д. Волкова

- М.: Янус-К, 2013. - 104 с.

78. Таблицы и модели хода роста и продуктивности насаждений основных лесообразующих пород Северной Евразии [Текст]: нормативно-справочные материалы / А.З. Швиденко [и др.]. - М.: МПР РФ, 2006. - 803 с.

79. Киселева, К.В. Определитель сосудистых растений Соловецкого архипелага. / К.В. Киселева, В.С. Новиков, Н.Б. Октябрева, А.Е. Черенков // Москва: Товарищество научных изданий КМК, 2005. - 175 с.

80. Природная среда Соловецкого архипелага в условиях меняющегося климата / Под ред. Ю.Г. Шварцмана, И.Н. Болотова. - Екатеринбург: УрО РАН, 2007. - 184 с.

81. Ипатов, Л.Ф. Леса Соловецкого архипелага / Л.Ф. Ипатов, В.П. Косарев, Л.И. Проурзин, С.В. Торхов; Арханг. регон. обществ. фонд «Музей леса», Арханг. гос. техн. ун-т, Арханг. экспедиция «Севлеспроект» филиал ФГУП «Рослесинфорг»

- Архангельск, 2009. - 244 с.

82. Феклистов, П.А. Лесные насаждения Соловецкого архипелага (структура, состояние, рост): монография / П.А. Феклистов, А.Н. Соболев. - Архангельск: Северный (Арктический) федеральный университет, 2010. - 201 с.

83. Временные рабочие правила по лесоустройству на основе рационального сочетания наземной таксации с камеральным дешифрированием аэрофотоснимков [Текст]: временный рабочие правила. - Ленинград: Всесоюзное аэрофотолесоустроительное объединение «Леспроект», 1969 - 49 с.

84. Технические указания по лесоинвентаризации на основе рационального сочетания наземной таксации с камеральным дешифрированием аэрофотоснимков (Приложение к 1-й части инструкции по устройству государственного лесного фонда СССР). - Москва: В/О «Леспроект», 1971. - 59 с.

85. Методические указания к изучению типов леса / В.Н. Сукачёв, С.В. Зонн, Г.П. Мотовилов - Москва: Академии Наук СССР, 1957. - 116 с.

86. Сукачев, В.Н. Избранные труды. Том 1. Основы лесной типологии и биогеоценологии / В.Н. Сукачев. - Л.: Наука, 1972. — 418 с.

87. Раздел II. Сохранение и рациональное использование ресурсов в целях развития. Глава 15. Сохранение биологического разнообразия / Конференция ООН по окружающей среде и развитию, Рио-де-Жанейро, 3-14 июня 1992 год/ [Электронный ресурс] - Режим доступа: http://www.un.org/ru/documents/decl_conv/conventions/agenda21_Л (дата обращения 10.03.2017). - Загл. с экрана.

88. Рассашко, И.Ф. Общая экология. Тексты лекций для студентов специальности 1-33 01 02 «Геоэкология» / И.Ф. Рассашко, О.В. Ковалева, А.В. Крук. - Гомель: ГГУ им. Ф. Скорины, 2010. - 252 с. [Электронный ресурс] - Режим доступа: http://ekolog.org/books/3Z4_7_2.htm (дата обращения 01.03.2017)

89. Марр, Д. Зрение. Информационный подход к изучению представления и обработки зрительных образов / Д. Марр - М.: «Радио и связь», 1987 - 400 с.

90. Визильтер, Ю.В. Обработка и анализ цифровых изображений с примерами на ЬаЬУ1ЕШ IMAQVision. / Ю.В. Визильтер, С.Ю. Желтов, В.А. Князь, А.Н. Ходарев, А.В. Моржин - М.: ДМК Пресс, 2007. - 464 с.

91. Юрковская, Т.К. Геоботаническое картографирование и составление аналитических карт растительности / Т.К. Юрковская // Актуальные проблемы геоботаники : лекции III Всерос. шк.-конф. - Петрозаводск, 2007. - С. 43- 71. - Библиогр.: с. 61-71.

92. Богомолов, Л.А. Общее землеведение / Л.А. Богомолов, С.С. Судакова - М.: Недра, 1971. - 232 с.

93. Кравцова, В.И. Космические методы картографирования / В.И. Кравцова; под ред. Ю.Ф. Книжников. - М.: Изд-во Моск. ун-та, 1995. - 240 с.

94. Кравцова, В.И. Космические методы изучения природной среды. Современный фонд космических снимков / В.И. Кравцова, под ред. А.П. Капица, Ю.Ф. Книжников. - М.: Изд-во Моск. ун-та, 1992. - 135 с.

95. Чернов, А.В. Мониторинг с помощью ДДЗ и практика регионального управления / А.В. Чернов // Земля из космоса - наиболее эффективные решения. - 2010. - Выпуск 7. - С. 19-27.

96. Моделирование экосистем [Электронный ресурс] - режим доступа: https://soullife.info/voprosy-po-distsipline-obshchaya-ekologiya/429-modelirovanie-jekosistem.html (дата обращения 08.09.2017) - Загл. с экрана.

97. Справочник таксатора: таблицы для таксации леса / Н.В. Третьяков, П.В. Горский, Г.Г. Самойлович. - Москва: Лесная промышленность, 1965. - 854 с.

98. GIS-Lab. Географические информационные системы и дистанционное зондирование. Матрица ошибок и расчет показателей точности тематических карт [Электронный ресурс]. - Режим доступа: http://gis-lab.info/qa/error-matrix.html (дата обращения 12.12.2017). - Загл. с экрана.

99. Бурьяк, А. Безопасность природопользования / А. Бурьяк. - М.: Наука, 2004. -112с.

100. Thematic Pro [Электронный ресурс]. - Режим доступа: http://www.scanex.ru/modules/thematic-pro/(дата обращения 12.12.2017) - Загл. с экрана.

101. «Совзонд» Использование программного комплекса ENVI для решения прикладных задач [Электронный ресурс]. - Режим доступа: http://www.gisa.ru/37239.html (дата обращения 12.12.2017) - Загл. с экрана.

102. Место PostGIS/PostgreSQL среди СУБД с поддержкой пространственных данных [Электронный ресурс]. - Режим доступа: http://gis-lab.info/qa/postgis-compare.html (дата обращения 02.10.2017). - Загл. с экрана.

103. Программное обеспечение ScanEx Image Processor [Электронный ресурс]. -Режим доступа: http://docplayer.ru/31710089-Programmnoe-obespechenie-scanex-image-processor.html (дата обращения 19.12.2017) - Загл. с экрана.

104. ENVI Feature Extraction Module. Find features in your geospatial imagery quickly and easily [Электронный ресурс]. - Режим доступа: http://www.harrisgeospatial.com/portals/0/pdfs/envi/ENVI46_FxBrochure.pdf (дата обращения 19.12.2017) - Загл. с экрана.

105. eCognition Developer 8 [Электронный ресурс]. - Режим доступа: https://www.esri-cis.ru/products/definiens/detail/ecognition-developer-8/ (дата обращения 19.12.2017) -Загл. с экрана.