(50-3) 11 * << * >> * Русский * English * Содержание * Все выпуски

Структурный анализ спектральных данных дистанционного зондирования на основе использования компонент коэффициента корреляции
А.В. Лапко1,2, В.А. Лапко1,2, Ю.П. Юронен1

1 Сибирский государственный университет науки и технологий имени академика М.Ф. Решетнева, 660037, г. Красноярск, пр. «Красноярский рабочий», д. 31;
2 Институт вычислительного моделирования СО РАН, 660036, Россия, г. Красноярск, ул. Академгородок, д. 50, стр. 44

  Полный текст (PDF)

DOI: 10.18287/COJ1746

ID статьи: 1746

Аннотация:
Описывается методика структурного анализа данных дистанционного зондирования, основанная на декомпозиции области значений спектральных признаков и разработке алгоритма оценивания принадлежности контрольных ситуаций обнаруженным классам. Для декомпозиции области значений спектральных признаков используются компоненты коэффициента корреляции, которые определяются произведением нормированных значений пары спектральных признаков. На основе знаков составляющих компонент коэффициента корреляции определяются четыре класса, которым соответствуют нормированные значения спектральных признаков: положительные, отрицательные и знакопеременные. Обнаруженные классы характеризуются зависимостью между спектральными признаками. На этой основе по исходным статистическим данным формируется решающее правило для оценивания принадлежности спектральных признаков контрольной ситуации к одному из четырёх классов. Приводятся и анализируются оценки плотностей вероятностей компонентов коэффициента корреляции в классах. Рассматриваются методика оптимизации непараметрических оценок плотностей вероятностей. Эффективность предлагаемой методики подтверждается результатами декомпозиции данных дистанционного зондирования лесного массива по двум спектральным признакам (красный, ближний инфракрасный NIR). В этих условиях обосновывается декомпозиция лесного массива на лиственные, хвойные, повреждённые древостои и участки с их отсутствием. Анализируются непараметрические оценки плотностей вероятностей компонент коэффициента корреляции в обнаруженных классах.

Ключевые слова:
структурный анализ данных, автоматическая классификация, компоненты коэффициента корреляции, ядерная оценка плотности вероятности, данные дистанционного зондирования, спектральные признаки, лесной массив, индекс NDVI.

Благодарности:

Цитирование:
Лапко, А.В. Структурный анализ спектральных данных дистанционного зондирования на основе использования компонент коэффициента корреляции / А.В. Лапко, В.А. Лапко, Ю.П. Юронен // Компьютерная оптика. - 2026. - Т. 50, № 3. - 1746. - DOI: 10.18287/COJ1746.

Citation:
Lapko AV, Lapko VA, Yuronen YP. Structural analysis of spectral remote sensing data based on the use of correlation coefficient components. Computer Optics 2026; 50(3): 1746. DOI: 10.18287/COJ1746.

References:

  1. Borzov SM, Potaturkin OI. Selection of the informative feature system for crops classification using hyperspectral data [In Russian]. Avtometriya 2020; 56(4): 134-44. DOI: 10.18287/2412-6179-CO-779
  2. Shipko VV, Borzov SM. Analysis of the efficiency of hyperspectral data classification under constraints on the quantization bit depth, the number of spectral channels, and spatial resolution [In Russian]. Avtometriya 2022; 58(3): 79-87. DOI: 10.15372/AUT20220309
  3. Tuboltsev VP, Lapko AV, Lapko VA. Modified nonparametric algorithm for automatic classification of large-volume statistical data and its application. Scientific and Technical Information Processing 2024; 51(6): 592-7. DOI: 10.3103/S0147688224700552
  4. Degermendzhi AG, Vysotskaya GS, Somova LA, Pisman TI, Shevyrnogov AP. Long-term NDVI dynamics of vegetation in Tundra of different classes depending on temperature and precipitation [In Russian]. Doklady Earth Sciences 2020; 493(2): 103-6. DOI: 10.31857/S2686739720080046
  5. Shevyrnogov AP, Botvich IYu, Pisman TI, Volkova AI, Kononova NA, Ivanov SA. Informative value of spectral vegetation indices for the meadow and steppe vegetation monitoring of Khakassia by ground and satellite data [In Russian]. Izvestiya, Atmospheric and Oceanic Physics 2024; (1): 16-28. DOI: 10.31857/S0205961424010028
  6. Sahu G, Garanayak M, Paikaray BK. Green vegetation detection in satellite imagery using the normalised difference vegetation index method. International Journal of Bioinformatics Research and Applications 2023; 19(4): 327-42. DOI: 10.1504/ijbra.2023.135367
  7. Basit I, Faizi F, Mahmood Kh, Faizi R, Ramzan S, Parvez Sh, Mushtaq F. Assessment of vegetation dynamics under changed climate situation using geostatistical modeling. Theoretical and Applied Climatology 2024; 155(4): 3371-3386. DOI: 10.1007/s00704-024-04840-x
  8. Sazonov DS. Correlation analysis of experimental remote sensing data and models of microwave rough sea surface emission [In Russian]. Izvestiya, Atmospheric and Oceanic Physics 2017; (3): 53-64. DOI: 10.7868/S020596141703006X
  9. Lu Z, Mingsheng L, Limin Y, Hui L. Remote sensing change detection based on canonical correlation analysis and contextual bayes decision. Photogrammetric Engineering & Remote Sensing 2007; 73(3): 311-8. DOI:10.14358/PERS.73.3.311
  10. Im J, Jensen JR, Tullis JA. Object-based change detection using correlation image analysis and image segmentation. International Journal of Remote Sensing 2008; 29(2):399-423. DOI: 10.1080/01431160601075582
  11. Lapko AV, Lapko VA. Procedure for decomposing the values of two-dimensional spectral features of remote sensing based on the analysis of correlation coefficient components. Measurement Techniques 2024; 67(6): 427-432. DOI: 10.1007/s11018-024-02362-6
  12. Lapko AV, Lapko VA, Im ST. Methodology for decomposition of spectral data from remote sensing of forest fires [In Russian]. Informatika i sistemy upravleniya 2024; 81(3): 112-20. DOI: 10.22250/18142400_2024_81_3_112
  13. Parzen E. On estimation of a probability density function and mode. Ann. Math. Statistic 1962; 33(3): 1065-1076. DOI: 10.1214/aoms/1177704472.
  14. Epanechnikov VA. Non-parametric estimation of a multivariate probability density. Theory of Probability & Its Applications 1969; 14(1): 156-161. DOI: 10.1137/1114019.
  15. Rudemo M. Empirical choice of histogram and kernel density estimators. Scandinavian Journal of Statistics 1982; 9(2): 65-78. JSTOR: 4615859
  16. Lapko AV, Lapko VA. Analysis of optimization methods for nonparametric estimation of the probability density with respect to the blur factor of kernel functions. Measurement Techniques 2017; 60(6): 515-522. DOI: 10.1007/s11018-017-1228-x

Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: journal@computeroptics.ru; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20