Тип публикации: статья из журнала
Год издания: 2026
Идентификатор DOI: 10.36535/0548-0027-2026-03-2
Ключевые слова: systems analysis, remote sensing, nonparametric algorithms, kernel probability density estimation, automatic classification, pattern recognition, testing hypotheses about the distributions of random variables, системный анализ, дистанционное зондирование, непараметрические алгоритмы, ядерная оценка плотности вероятности, автоматическая классификация, распознавание образов, проверка гипотез о распределениях случайных величин
Аннотация: Предлагается методика системного анализа данных дистанционного зондирования природных объектов, охватывающая решение взаимосвязанных задач автоматической классификации в пространстве спектральных признаков, агрегирование классов с привлечением дополнительной информации о свойствах элементов земной поверхности и синтез алгоритмов оцПоказать полностьюенивания состояний исследуемых объектов. Основу методики составляют непараметрические методы и алгоритмы принятия решений, при синтезе которых используются ядерные оценки плотности вероятности. На первом этапе системного анализа исходные спектральные данные, характеризующие элементы исследуемой территории, разбиваются на множество компактных наблюдений с использованием непараметрических алгоритмов автоматической классификации статистической информации большого объема. Под классом понимается компактная группа наблюдений многомерной случайной величины, соответствующая одномодальному фрагменту её плотности вероятности. Затем обнаруженные классы на втором этапе объединяются в группы, различающиеся законами распределения показателей свойств элементов земной поверхности. Для этого разработан оригинальный метод проверки гипотез о распределениях случайных величин с использованием непараметрического алгоритма распознавания образов. По полученной информации на третьем этапе формируется обучающая выборка для оценивания состояний элементов земной поверхности по их спектральным данным и осуществляется синтез непараметрического алгоритма распознавания образов. Предлагаемая методика предусматривает изменение по результатам проверки рассматриваемых гипотез и оценивания состояний элементов земной поверхности. A methodology for systems analysis of remote sensing data from natural objects is proposed. This methodology encompasses the solution of interrelated problems of automatic classification in spectral feature space, class aggregation using additional information on the properties of earth's surface elements, and the synthesis of algorithms for assessing the states of the objects under study. The methodology is based on nonparametric methods and decision-making algorithms, the synthesis of which utilizes kernel probability density estimates. In the first stage of systems analysis, the initial spectral data characterizing the elements of the study area are broken down into a set of compact observations using nonparametric algorithms for automatically classifying large volumes of statistical information. A class is defined as a compact group of observations of a multivariate random variable, corresponding to a unimodal fragment of its probability density. The detected classes are then combined into groups in the second stage, each with a different distribution pattern for the properties of the earth's surface elements. For this purpose, an original method for testing hypotheses about the distribution of random variables was developed using a nonparametric pattern recognition algorithm. Based on the information obtained, at the third stage a training sample is formed for assessing the states of the earth's surface elements based on their spectral data and a nonparametric pattern recognition algorithm is synthesized. The proposed method allows for modification based on the results of testing the hypotheses under consideration and assessing the states of earth surface elements.
Журнал: Научно-техническая информация. Серия 2: Информационные процессы и системы
Выпуск журнала: № 3
Номера страниц: 15-22
ISSN журнала: 05480027
Место издания: Москва
Издатель: Всероссийский институт научной и технической информации РАН