Математическое и программное обеспечение системы анализа динамики земной поверхности по данным дистанционного зондирования Земли тема диссертации и автореферата по ВАК РФ 05.13.11, кандидат технических наук Замятин, Александр Владимирович

• Замятин, Александр Владимирович
• кандидат технических наук
• 2005

Оглавление диссертации кандидат технических наук Замятин, Александр Владимирович

ВВЕДЕНИЕ.

ГЛАВА 1. АНАЛИЗ ДИНАМИКИ ЗЕМНОЙ ПОВЕРХНОСТИ С ИСПОЛЬЗОВАНИЕМ ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ.

1.1. Математическое и программное обеспечение для анализа динамики земной поверхности.

1.1.1. Классификация моделей изменения земной поверхности.

1.1.2. Программное обеспечение систем для решения задач анализа динамики земной поверхности.

1.2. Проблемы анализа динамики земной поверхности с использованием данных дистанционного зондирования Земли.

1.2.1. Общие положения.

1.2.2. Анализ динамики земной поверхности.

1.2.3. Особенности использования аэрокосмических изображений.

1.3. Проблема автоматизированной интерпретации аэрокосмических изображений.

1.4. Цель и задачи исследования.

Введение диссертации (часть автореферата) на тему «Математическое и программное обеспечение системы анализа динамики земной поверхности по данным дистанционного зондирования Земли»

Известно, что антропогенная деятельность сопровождается такими негативными процессами как обезлесение, эрозия почвы, изменение береговых линий водоемов и т.д. [11]. Новое поколение загрязняющих веществ, опасные токсические и радиоактивные материалы могут попадать в окружающую среду по целому ряду природных и техногенных каналов. При этом даже в малых дозах они оказывают значительное влияние на жизнедеятельность флоры и фауны, обеспечивая на многие годы явную негативную тенденцию в их развитии.

Все это, как правило, ведет к появлению серьезных локальных и глобальных экологических изменений, которые необходимо анализировать и оценивать, а также прогнозировать их развитие с целью комплексного исследования изучаемой территории земной поверхности и повышения эффективности использования ее природных ресурсов. Существенная пространственная неоднородность исследуемых природно-территориальных комплексов, их динамичность и большая площадь зачастую не позволяют применять такие традиционные методы слежения за их состоянием как стационарные исследования, тематическое картирование на местности и т.п. [11,51,72]. Поэтому как альтернатива таким методам за последние десятилетия развивалась концепция экосистем-ного мониторинга как системы наблюдения, регистрации, контроля динамики, прогнозирования изменений и, наконец, управления и оптимизации экосистем [11]. Для наблюдения за состоянием экосистем и их отдельных компонент с 30-х годов XX века используются аэрометоды, а с 70-х годов XX века и космические методы. В настоящее время аэрокосмические методы изучения экосистем называют методами дистанционного зондирования Земли (ДЗЗ) [21,31].

За последние десятилетия XX века отечественными учеными, такими как Берлянт A.M., Виноградов Б. В., Тикунов B.C. и другими был выполнен большой объем исследований, посвященных, в основном, теоретическим [4,11,12,14,16,47,58,72] и в меньшей степени практическим [44,46,48] аспектам решения проблем анализа динамики земной поверхности, в том числе и с использованием данных ДЗЗ.

При этом неоправданно мало внимания отечественными исследователями уделялось и уделяется автоматизации решения подобных задач, использованию постоянно возрастающих возможностей компьютерной техники. Первые практически интересные результаты при решении проблем анализа динамики земной поверхности получены зарубежными учеными, такими как Агравал Ц., Бэйкер В., Белл Э., Вербург П., ХаггетП. и многими другими [65,7375,80,81,104,116,121,130,133,137]. Однако в их работах не уделяется должного внимания этапу автоматизированной интерпретации данных ДЗЗ, являющемуся ключевым этапом при анализе динамики земной поверхности.

На сегодняшний день наиболее распространенными среди данных ДЗЗ являются панхроматические (одноканальные) и многозональные (многоканальные) изображения, называемые аэрокосмическими изображениями (АИ), которые получают с помощью аэрофото- или космической съемки Земли. Одной из главных нерешенных проблем при использовании АИ остается проблема разработки новых, более эффективных, чем существующие, методов и программных средств автоматизированной интерпретации таких данных. Подобная проблема существует и в области моделирования изменений земной поверхности как основной методологии решения задач анализа динамики земной поверхности. В решении каждой из этих проблем как в России, так и за рубежом сделаны только первые шаги и получены первые результаты исследований.

Учитывая все вышеизложенное, можно сделать вывод об актуальности проблемы создания высокоэффективных математических и программных средств систем для решения задач анализа динамики земной поверхности, позволяющих проводить интерпретацию АИ и на основе результатов этой интерпретации выполнять собственно анализ динамики земной поверхности.

Цель работы и задачи исследования. Целью диссертационной работы является создание математического и программного обеспечения системы анализа динамики земной поверхности по данным ДЗЗ.

Для достижения поставленной цели необходимо последовательное решение следующих задач:

1. Разработка концепции создания системы анализа динамики земной поверхности, включая концептуальные основы автоматизированной интерпретации АИ как одного из основных этапов этого анализа. Разработка на основе такой концепции структуры системы, которая позволит эффективно решать задачи интерпретации АИ и моделирования изменений земной поверхности.

2. Разработка математического обеспечения (методов и алгоритмов) системы анализа динамики земной поверхности. Решение данной задачи предполагает также исследование эффективности предлагаемых методов и алгоритмов.

3. Разработка программного обеспечения системы анализа динамики земной поверхности. Результатом решения этой задачи должны явиться программные средства такой системы, созданные с учетом разработанной концепции и предложенной структуры системы и реализующие предложенные методы и алгоритмы.

4. Апробация разработанной системы для решения прикладных задач тематического картирования и анализа динамики земной поверхности с использованием АИ, полученных различными системами ДЗЗ.

Методы исследований. В работе использованы методы многомерного статистического анализа, теории распознавания образов, нейросетевого анализа, пространственной индексации данных, объектно-ориентированного программирования. Проверка эффективности разработанных методов и алгоритмов, предназначенных для интерпретации АИ и моделирования изменений земной поверхности, а также оценка достоверности полученных при этом результатов осуществлялись путем проведения численных экспериментов с использованием модельных и реальных АИ.

Апробация работы. Основные результаты работы докладывались и обсуждались на следующих конгрессах, симпозиумах, конференциях и семинарах: Международные конференции Association of Geolnformation Laboratories of Europe AGILE V, VI, VII (г. Пальма, Испания, 2002 г.; г. Лион, Франция, 2003 г.; г. Ираклион, Греция, 2004 г.), Русско-американский семинар «Studies of Socio-Natural Co-Evolution from Different Parts of the World» (г. Новосибирск,

2002 г.), IX Международный симпозиум "Remote Sensing 2002" SPIE, (г. Ираклион, Греция, 2002 г.), V Международный семинар «Computer Science and Information Technologies» (г. Уфа, 2003 г.), V и VI Всероссийские научно-технические конференции «Нейроинформатика — 2003» (г. Москва) и «Нейро-информатика — 2004» (г. Москва), XX Международный конгресс ISPRS (г. Стамбул, Турция, 2004 г.), X Юбилейная международная научно-практическая конференция студентов и молодых ученых «Современные техника и технологии» (г. Томск, 2004 г.), I Международная конференция «Земля из космоса — наиболее эффективные решения» (г. Москва, 2004 г.).

По результатам диссертационных исследований опубликовано 14 работ, в том числе 11 статей.

Кратко изложим основное содержание работы.

Первая глава посвящена проблемам использования данных ДЗЗ в задачах анализа динамики земной поверхности. Проанализированы основные подходы к анализу динамики земной поверхности, основанные на различных моделях изменения земной поверхности, а также рассмотрен используемый в таких моделях математический аппарат. Показано, что решение задачи моделирования изменений земной поверхности является одним из наиболее перспективных методологических подходов к решению задач анализа динамики земной поверхности. Дана классификация моделей изменения земной поверхности и приведены результаты их анализа. Рассмотрено существующее программное обеспечение (ПО), реализующее наиболее известные модели изменений земной поверхности. Показано, что при анализе динамики земной поверхности по данным ДЗЗ необходимо решение ряда проблем, где одной из основных является получение серии последовательных разновременных изображений. Другие проблемы связаны с созданием новых высокоэффективных подходов, методов и алгоритмов моделирования изменений земной поверхности и автоматизированной интерпретации АИ, как ключевых этапов при решении задач анализа динамики. Еще одной проблемой является отсутствие тесной интеграции существующих программных средств интерпретации АИ, моделирования земной поверхности и геоинформационных систем (ГИС), как инструмента для пространственного анализа изменений.

На основе приведенного анализа проблем формулируются цель и задачи исследования.

Во второй главе рассматривается концепция создания системы анализа динамики земной поверхности по данным ДЗЗ. В основу концепции положен многоэтапный подход, базовые этапы которого заключаются в проведении усовершенствованной, более точной тематической интерпретации АИ, моделировании изменений земной поверхности на основе результатов этой интерпретации и в получении при моделировании прогнозных тематических карт на будущие моменты времени. Формулируются принципы автоматизированной интерпретации АИ, для реализации которых предлагается использовать схему двухэтапной классификации. Эта схема базируется на раздельном использовании спектральных и текстурных признаков АИ. Моделирование изменений земной поверхности в рамках многоэтапного подхода предложено выполнять с использованием статистического аппарата марковских цепей и клеточных автоматов. Предлагаются принципы функционирования клеточных автоматов, использование которых, по сравнению с существующими подходами, обеспечивает более адекватное моделирование изменений земной поверхности. Формулируются требования к системе анализа динамики. На основе этих требований предложены принципы создания системы и ее обобщенная структура.

В третьей главе рассматриваются методы и алгоритмы, положенные в основу создаваемой системы, а также приводятся результаты их исследований. Приводится описание алгоритма, реализующего статистический метод классификации. Описывается разработка оригинального алгоритма непараметрической оценки плотности распределения по методу к-то ближайшего соседа. В основе этого алгоритма лежит оригинальный способ индексирования многомерного признакового пространства, учитывающий несколько вариантов обхода этого пространства. Описывается оригинальный метод нейросетевой классификации, позволяющий упростить процесс учета текстурных признаков при классификации без их непосредственного расчета и какой-либо оптимизации признакового пространства. Рассматривается предложенный способ автоматизированного поиска ранее обученных нейросетей, сохраненных в базе данных.

Приводятся исследования вычислительной эффективности и пределов применимости разработанных методов и алгоритмов классификации. Показано, что они более эффективны с точки зрения точности и вычислительной эффективности на данных, имеющих закон распределения, несогласованный с нормальным законом распределения.

Кроме того, в этой главе приводится описание алгоритмов, реализующих этап моделирования изменений земной поверхности. Их основу составляет алгоритм моделирования, основанный на использовании клеточных автоматов, правила функционирования которых используют подход, учитывающий несколько оригинальных вероятностных составляющих, полученных, в том числе, с использованием аппарата марковских цепей.

Приводятся результаты исследования алгоритмов, реализующих этап моделирования изменений земной поверхности, а также результаты исследования значимости точности интерпретации АИ для создания прогнозных карт. Эти результаты показали эффективность вероятностного подхода к определению правил функционирования клеточных автоматов, а также важность более точной интерпретации АИ для получения, по сравнению с существующими подходами, более точных прогнозных карт. По результатам исследований предложен комбинированный алгоритм непараметрической оценки плотности распределения, использующий альтернативно оценку по методу &-го ближайшего соседа и оценку типа Розенблатта-Парзена.

В четвертой главе рассматривается созданное ПО системы анализа динамики по данным ДЗЗ и приводятся результаты его апробации при решении практических задач анализа динамики земной поверхности и интерпретации по данным с различных спутниковых систем ДЗЗ.

Описывается выбор базовых программных средств, положенных в основу системы анализа динамики, а также приводится структура ПО системы. Указываются особенности программной реализации системы, дается описание оригинальных подсистем и особенностей созданного интерфейса пользователя.

Приводятся результаты апробации разработанного ПО для решения прикладной задачи анализа динамики земной поверхности. Для этого по разновременным космическим снимкам системы ДЗЗ Landsat (ЕТМ+) на 1999 и 2000 гг. были получены прогнозные тематические карты на 2001 и 2002 гг., отражающие динамику изменений земной поверхности фрагмента территории Ханты-Мансийского автономного округа. Описываются результаты применения разработанного ПО для решения задачи тематического картирования территории Северо-Васюганского газоконденсатного месторождения Томской области по данным системы ДЗЗ IRS. По результатам апробации сделан вывод о работоспособности и эффективности математического и программного обеспечения системы. Указывается, что разработанное ПО системы и полученные с его помощью результаты решения этой задачи внедрены в ОАО «Востокгазпром».

Научную новизну полученных в работе результатов определяют:

1. Методы статистической и нейросетевой классификации и реализующие их алгоритмы, предназначенные для интерпретации аэрокосмических изображений и отличающиеся от известных более высокой точностью.

2. Модифицированный алгоритм непараметрической оценки плотности распределения признаков по методу &-го ближайшего соседа, основанный на оригинальном алгоритме индексирования многомерного признакового пространства и отличающийся от подобных алгоритмов оценки плотности более высокой вычислительной эффективностью.

3. Многоэтапный подход к анализу динамики земной поверхности, отличающийся от известных совместным применением более точных методов интерпретации аэрокосмических изображений и алгоритма моделирования изменений земной поверхности, основанного на использовании клеточных автоматов с вероятностным определением правил их функционирования.

4. Результаты исследований предлагаемых методов и алгоритмов, позволяющие оценить пределы их применимости и вычислительную эффективность.

Практическая ценность и реализация результатов работы. Практически значимыми являются созданные методы, алгоритмы и ПО системы анализа динамики земной поверхности, включая ПО для интерпретации АИ, имеющее самостоятельную практическую ценность. Программные средства этой системы функционируют на компьютерах типа IBM PC под управлением ОС Windows 98/NT/2000. Объем исходного кода системы составляет более 9000 строк на языках С++ и Object Pascal.

Созданные программные средства были использованы при выполнении х/д №8-21/03 между Институтом «Кибернетический центр» Томского политехнического университета и ОАО «Востокгазпром» и внедрены в ОАО «Востокгаз-пром» при решении задач автоматизированного получения тематических карт территории Северо-Васюганского газоконденсатного месторождения Томской области по панхроматическим и многозональным космическим снимкам системы ДЗЗIRS. Результаты внедрения подтверждены соответствующим актом.

Личный вклад:

1. Постановка задач исследования и разработка концепции автоматизированной интерпретации и анализа динамики с использованием аэрокосмических изображений выполнены автором совместно с Н.Г. Марковым.

2. Математическое обеспечение системы автоматизированной интерпретации и анализа динамики земной поверхности с использованием аэрокосмических изображений разработано автором.

3. Постановки задач исследования эффективности предложенных алгоритмов классификации и моделирования выполнены автором совместно с Н.Г. Марковым. Результаты исследования этих алгоритмов получены лично автором.

4. Разработка программного обеспечения системы интерпретации и анализа динамки земной поверхности выполнена автором, за исключением модуля построения текстурных характеристик, разработанного совместно с Напрюш-киным A.A. Программная реализация алгоритмов параметрической оценки плотности и оценки плотности Розенблатта-Парзена выполнена Напрюшки-ным A.A.

Основные положения, выносимые на защиту:

1. Разработанные методы статистической и нейросетевой классификации и реализующие их алгоритмы позволяют повысить по сравнению с традиционными методами и алгоритмами классификации аэрокосмических изображений точность распознавания объектов земной поверхности.

2. Модифицированный алгоритм непараметрической оценки плотности распределения признаков по методу £-го ближайшего соседа позволяет проводить классификацию аэрокосмических изображений более эффективно, в том числе в вычислительном плане, чем подобные алгоритмы оценки плотности в случае с априори неизвестным распределением признаков.

3. Разработанные алгоритмы, реализующие моделирование изменений земной поверхности, позволяют получать более точные прогнозные карты земной поверхности, чем другие аналогичные алгоритмы.

4. Развитый человеко-машинный интерфейс, предложенная структура и созданное математическое и программное обеспечение системы анализа динамики земной поверхности позволяют более эффективно, чем с использованием подобных систем и комплексов программ, решать основные задачи анализа динамики земной поверхности.

Автор выражает глубокую благодарность научному руководителю доктору технических наук, профессору Н.Г. Маркову за большую помощь в подготовке диссертационной работы, ценные замечания и советы. Автор также благодарит за плодотворные дискуссии кандидата технических наук П.М. Острасть, доцентов Томского политехнического университета, кандидатов технических наук A.B. Кудинова, Р.В. Ковина, Е. А. Мирошниченко, A.A. Напрюшкина и A.B. Сарайкина. Автор выражает отдельную благодарность Югорскому НИИ информационных технологий и лично руководителю центра ДЗЗ, кандидату технических наук Копылову В.Н. за предоставленные разновременные космические снимки Landsat ЕТМ+.

Заключение диссертации по теме «Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей», Замятин, Александр Владимирович

4.5. Основные результаты и выводы по главе

1. В соответствии с предложенной в главе 2 обобщенной структурой системы анализа динамики земной поверхности и с учетом требований к программным средствам этой системы, предложена структура ее ПО. Основу этого ПО составляют базовые программные средства других производителей и программные подсистемы собственной разработки.

2. Осуществлен выбор базового ПО в виде программных модулей других производителей — это система ER Mapper 5.5, ГИС Idrisi32 и СУБД MS SQL

Server 2000. Проанализированы несколько вариантов реализации программных средств нейросетевой имитации. В качестве базового выбран вариант на основе существующей библиотеки базовых классов С. Короткого.

3. Разработан удобный интерфейс пользователя, позволяющий упростить человеко-машинное взаимодействие. Приведены особенности разработанной подсистемы хранения данных, которая обеспечивает автоматизированный поиск и хранение ранее обученных нейросетей. Созданы с использованием объектно-ориентированного подхода программные средства нейросетевой имитации. Объем исходного кода программ составляет более 9000 строк на языках С++ и Object Pascal.

4. Проведена апробация разработанного ПО при решении задачи анализа динамики земной поверхности— фрагмента территории Ханты-Мансийского автономного округа по разновременным космическим снимкам системы ДЗЗ Landsat (ЕТМ+). Получены прогнозные карты и выявлены тенденции изменений типов поверхностей исследуемой территории. В частности, по результатам пространственного анализа полученных тематических и прогнозных карт на 1999-2002 гг. сделан вывод о преимущественной замене пойменных участков на мшистые болота на всей исследуемой территории.

5. Проведена апробация разработанного ПО при решении задачи автоматизированного тематического картирования территории Северо-Васюганского га-зоконденсатного месторождения по космическим снимкам системы ДЗЗ IRS.

6. Результаты решения этих двух прикладных задач показали работоспособность и эффективность разработанного математического и программного обеспечения системы анализа динамики земной поверхности, а также подтвердили достоверность ряда исследований методов и алгоритмов на модельных данных.

7. Результаты, полученные при решении задачи тематического картирования, а также разработанное математическое и программное обеспечение улучшенной, более точной интерпретации внедрены в ОАО «Востокгазпром», о чем получен соответствующий акт.

ЗАКЛЮЧЕНИЕ

Диссертационная работа посвящена созданию математического и программного обеспечения системы анализа динамики земной поверхности по данным дистанционного зондирования Земли (ДЗЗ).

В ходе выполнения диссертационной работы получены следующие основные научные и практические результаты и сделаны выводы.

1. Проведен анализ проблем изучения динамики земной поверхности. Показано, что наиболее перспективным при решении подобных проблем является использование методов ДЗЗ. Сделаны выводы о необходимости разработки нового, более эффективного математического и программного обеспечения систем анализа динамики, выполняющих интерпретацию данных ДЗЗ и моделирование изменений земной поверхности при решении задач анализа динамики.

2. Предложена концепция создания системы анализа динамики земной поверхности по данным ДЗЗ. В ее основу положен многоэтапный подход, суть которого в последовательном применении более точных методов интерпретации аэрокосмических изображений (АИ) и моделирования изменений земной поверхности, основанного на использовании клеточных автоматов (КА) и аппарата марковских цепей. Сформулирован ряд принципов проведения более точной автоматизированной интерпретации АИ и функционирования КА, а также предложены принципы создания системы анализа динамики в целом.

3. Предложен способ индексирования многомерного пространства, основанный на Н- или г-кривой обхода пространства, с учетом нескольких вариантов такого обхода. Разработан соответствующий оригинальный алгоритм индексирования, высокая вычислительная эффективность которого достигается за счет использования низкоуровневых битовых операций.

4. Разработаны методы статистической и нейросетевой классификации и реализующие их алгоритмы, предназначенные для интерпретации АИ и отличающиеся от известных более высокой точностью. Основу при реализации этих методов составляет модифицированный алгоритм непараметрической оценки плотности распределения признаков по методу £-го ближайшего соседа, использующий предложенный алгоритм индексирования многомерного признакового пространства. Предложен способ формирования признакового пространства, используемый в статистическом методе классификации, который основан на применении марковских случайных полей и характеристик Харалика. Предложен альтернативный упрощенный подход к учету текстурных характеристик в нейросетевом методе классификации, основанный на применении контекстно-спектрального способа формирования входных данных.

5. Разработаны алгоритмы моделирования изменений земной поверхности, реализующие сформулированные принципы функционирования КА.

6. Проведены статистические исследования методов и алгоритмов, составляющих основу многоэтапного подхода, по результатам которых предложен комбинированный алгоритм непараметрической оценки плотности, основанный на альтернативном использовании оценки по методу к-го ближайшего соседа и оценки типа РП. Также по результатам этих исследований сделаны выводы об высокой эффективности разработанных методов и алгоритмов.

7. Разработана структура ПО системы анализа динамики земной поверхности и в соответствии с ней на базе предложенных методов и алгоритмов разработано ПО системы, создан удобный пользовательский интерфейс, позволяющий упростить человеко-машинное взаимодействие. Объем исходного кода разработанных программ составляет более 9000 строк на языках С++ и Object Pascal.

8. Проведена апробация разработанного математического и программного обеспечения системы при решении задачи анализа динамики земной поверхности фрагмента территории Ханты-Мансийского автономного округа по разновременным космическим снимкам системы ДЗЗ LandsatETM+. Проведена апробация системы при решении задачи тематического картирования территории Северо-Васюганского газоконденсатного месторождения ОАО «Востокгаз-пром» по данным системы ДЗЗ 1RS. Результаты апробации подтвердили работоспособность и эффективность созданного математического и программного обеспечения системы, получен также соответствующий акт о внедрении.

Список литературы диссертационного исследования кандидат технических наук Замятин, Александр Владимирович, 2005 год

1. Айвазян С А. Классификация многомерных наблюдений. — М.: Изд-во Статистика, 1978. — 232 с.

2. Баруча-Рид А.Т. Элементы теории Марковских процессов и их приложения. — М.: Изд-во «Наука», 1969. — 512 с.

3. Белолипецкий В.М., Шокин Ю.И. Математическое моделирование в задачах охраны окружающей среды. — Новосибирск: Изд-во «ИНФОЛИО-пресс», 1997. — 240 с.

4. Берлянт A.M. Геоинформационное картографирование // Картография и геоинформатика. Итоги науки и техники. Сер. Картография. М.: ВИНИТИ АН СССР, 1991. — Т.14.— С. 80-117.

5. Берлянт A.M. Геоиконика. — М.: Астрея, 1996. — 208 с.

6. Бутусов О.Б. Алгоритмы текстурной классификации типов лесов на основе анализа космических снимков с ИСЗ «Landsat-7» // Исследование Земли из космоса. — 2002. — №5. — С. 87-96.

7. Буч Г. Объектно-ориентированный анализ и проектирование с примерами приложений на С++. Пер. с англ. под ред. И. Романовского и Ф. Андреева, М.: Rational, 1998. — 420 с.

8. Вапник В.Н. Восстановление зависимостей по эмпирическим данным. — М.: Изд-во «Наука», 1979. — 488 с.

9. Вапник В.Н., Стефанюк А.Р. Непараметрические методы восстановления плотности вероятности // Автоматика и телемеханика. — 1978.— № 8. — С. 38-52.

10. Ватолин Д., Ратушняк А., Смирнов М., Юкин В. Методы сжатия данных. Устройство архиваторов, сжатие изображений и видео. — М.: Изд-во «ДИАЛОГ-МИФИ», 2002. — 384 с.

11. Виноградов Б. В. Аэрокосмический мониторинг экосистем. — М.: Изд-во Наука, 1984. — 320 с.

12. Виноградов Б. В. Основы ландшафтной экологии. — М.: Изд-во «Геос», 1998. —418 с.

13. Виноградов Б. В., Кондратьев К.Я. Космические методы землеведения. — JL: Гидрометеорологическое изд-во, 1971. — 190 е.: ил.

14. Виртуальные методы дешифрирования.— М.: Изд-во Недра, 1990.—341 с.

15. Гарбук C.B., Гершензон В.Е. Космические системы дистанционного зондирования Земли. — М.: Издательство А и Б, 1997. — 296 е.: ил.

16. География из космоса / В.Т. Савиных, В.А. Малинников, С.А. Сладкопевцев, Э.Н. Цыпина. — Изд-во Московского государственного университета геодезии и картографии, 2000. — 224 с.

17. Гмурман В.Е. Теория вероятностей и математическая статистика.— М.: Изд-во Высш. шк., 2000. — 479 с.

18. Горелик А.Л., Скрипкин В.А. Методы распознавания. — 3-е изд. перераб. и доп. — М.: Изд-во Высш. шк., 1989. — 232 с.

19. Дантеман Д., Мишел Д., Тейлор Д. Программирование в среде Delphi: Пер. с англ./ — К.: НИПФ «ДиаСофт Лтд.», 1995. — 608 с.

20. Джеффри Рихтер Windows для профессионалов: Программирование для Windows 95 и Windows NT 4 на базе Win32 API/Пер. с англ. М.: Издательский отдел «Русская редакция» ТОО «Channel Trading Ltd.», 1997.— 712 с.

21. Дистанционное зондирование: количественный подход / Ш.М. Дейвис, ДА. Ландгребе, Т.Л. Филлипс и др. Пер с англ. М., Недра, 1983.— с. 415.

22. Дуда Р., Харт П. Распознавание образов. Пер. с англ. — М.: Изд-во Наука, 1981. —450 с.

23. Епанечников В.А. Непараметрическая оценка многомерной плотности вероятности // Теория вероятностей и ее применения.— 1969.— Т. 14, вып. 1. — С. 156-161.

24. Забавин А.Б. Использование искусственных нейронных сетей в задачах изучения Земли из космоса // Исследование Земли из космоса. — 2000. — №6. — С. 79-93.

25. Загоруйко Н.Г. Методы распознавания и их применение.— М.: Изд-во Наука, 1984. —256 с.

26. Замятин А.В. Использование искусственных нейронных сетей при классификации многозональных аэрокосмических изображений // Материалы VI Всероссийской научно-технической конференции «Нейроинформатика — 2004», 4.2. М.: МИФИ. — 2004. — С. 239-246.

27. Замятин А.В., Марков Н.Г., Напрюшкин А.А, Адаптивный алгоритм классификации с использованием текстурного анализа для автоматизированной интерпретации аэрокосмических изображений// Исследование Земли из космоса. — 2004.— №2.— С. 32-40.

28. Книжников Ю.Ф. Аэрокосмическое зондирование.— М.: Изд-во МГУ, 1997. — 129 с.

29. Компания Advanced Information Systems и др. Oracle8. Энциклопедия пользователя.: Пер. с англ./ К.: Издательство «ДиаСофт Лтд.», 1998. — 864 с.

30. Круглински Д., Уингоу С., Шефер Дж. Программирование на Microsoft Visual С-н- 6.0 для профессионалов / Пер. с англ. — СПб: Питер; М.: Изда-тельско-торговый дом «Русская редакция», 2002. — 864 с.

31. Лапко A.B., Ченцов C.B. Непараметрические системы обработки информации: Учебное пособие. — М.: Изд-во Наука, 2000. — 350 с.

32. Мания Г.М. Статистическое оценивание распределения вероятностей.— Тбилиси: Изд-во Тбил. ун-та, 1974. — 238 с.

33. Марков Н.Г., Напрюшкин A.A., Замятин A.B. Применение нейронных сетей при решении задач экологического мониторинга // Межвузовский на-учно-техн. сб. "Кибернетика и вуз", вып. 30- Томск: Изд-во ТПУ. — 2003.— С. 76-81.

34. Минаси М. Графический интерфейс пользователя: секреты проектирования: Пер. с англ. —М.: Изд-во Мир, 1996. —160 с.

35. Назаров JI.E. Применение многослойных нейронных сетей для классификации земных объектов на основе анализа многозональных сканерных изображений // Исследование Земли из космоса. — 2000. — №6. — С.41-50.

36. Назимова Д.И., Поликарпов Н.П. Возможен ли прогноз лесного покрова Сибири на XXI век? // Природа. — 2001. — №4. — С. 55-62.

37. Напрюшкин A.A. Алгоритмическое и программное обеспечение системы интерпретации аэрокосмических изображений для решения задач картирования ландшафтных объектов: диссертация на соискание ученой степени к.т.н. Томск. — 2002. — 168 с.

38. Наумов JI.A., Шалыто A.A. Клеточные автоматы. Реализация и эксперименты // Мир ПК. — 2003. — №8. С. 64-71.

39. Нейронные сети. Statistica Neural Networks: Пер. с англ. — М.: Горячая линия-Телеком. 2000.—182 с.

40. Нейроинформатика / А.Н. Горбань, B.JI. Дунин-Барковский, А.Н. Кир дин и др.— Новосибирск: Изд-во Наука. Сибирское предприятие РАН. — 1998. —296 с.

41. Новый метод картографического представления информации о динамике экосистем // Аэрокосмические методы исследований при мелиоративном и водохозяйственном строительстве. М.: Союзводпроект. — 1990.— С. 9299.

42. Орлов А. И. Какие гипотезы можно проверять с помощью двухвыборочно-го критерия Вилкоксона? // Заводская лаборатория. — 1999.— №1.— С. 51-55.

43. Принципы и методика составления прогнозных металлогенических карт. Сб. статей. Отв. Ред. Е.Т. Шаталов. М.: Изд-во Недра, 1966.

44. Принципы и методы геосистемного мониторинга / А.М. Грин, Н.Н. Клюев, В.Д. Утехин и др. — М.: Изд-во Наука, 989. — 168 с.

45. Проблемы создания региональных геоинформационных комплексов и опыт решения прикладных задач на основе картографической информации / И.Е. Бруни, В.Ю. Вознесенский, А.Ю. Воробьев и др. Под ред. В.В. Лебедева.— М.: Изд-во Наука, 2002. — 239 с.

46. Прэтт У. Цифровая обработка изображений: Пер. с англ.— М.: Мир, 1982. — Кн.1— 456 е.: ил.

47. Прэтт У. Цифровая обработка изображений: Пер. с англ.— М.: Мир, 1982. —Кн.2 —480 е.: ил.

48. Ревзон А.А., Камышев А.П. Природа и сооружения в критических ситуациях // Дистанционный анализ.— М.: Изд-во «Триада Лтд», 2001.—2008 с.

49. Региональный географический прогноз — управление природопользованием. Сб. статей. — М.: Изд-во Наука, 1989. — 80 с.

50. Розанов Ю.А. Стационарные случайные процессы.—2-е изд., доп.—М.: Изд-во Наука. Гл.ред.физ.-мат.лит., 1990.—272 с.

51. Саймон P. Microsoft Windows 2000 API: Энциклопедия программиста (пер. с англ.). К.: ДиаСофт, 2001. — 1088 с.

52. Скворцов А.В. Триангуляция Делоне и ее применение.— Томск: Изд-во Том. ун-та, 2002.—128 с.

53. Смирнов Н.В., Дунин-Барковский И.В. Краткий курс теории вероятностей и математической статистики для технических приложений.— М.: Изд-во Наука. Физматлит, 1969. — 436 с.

54. Тексейра С., Пачеко К. Borland Delphi 6. Руководство разработчика.: Пер.с англ.—М.: Издательский дом «Вильяме», 2002.—1120 с.

55. Теория и методы географического прогнозирования: возможности и пути: Сб. науч. тр. / Научный совет по проблемам биосферы.— М.: Наука, 1992.—151 с.

56. Тикунов B.C. Моделирование в картографии. — М.: Изд-во МГУ, 1997. — 405 с.

57. Ту Д., Гонсалес Р. Принципы распознавания образов. Пер. с англ.— М.: Изд-во Мир, 1978. — 412 с.

58. Уоссерман Ф. Нейрокомпьютерная техника.— М.: Изд-во Мир, 1992.

59. Фу К. Последовательные методы в распознавании образов и обучении машин. Пер. с англ. — М.: Изд-во Наука, 1971. — 256 с.

60. Фу К. Структурные методы в распознавании образов. Пер. с англ. — М.: Изд-во Мир, 1977. — 320 с.

61. Фукунага К. Введение в статистическую теорию распознавания образов / Пер. с англ. М.: Изд-во Наука, 1979. — 368 с.

62. Хаггет П. Пространственный анализ в экономической географии. — М.: Изд-во Прогресс, 1968.

63. Харалик P.M. Статистические и структурные подходы к описанию текстур.—ТИИЭР.—Т. 67.—№56.— 1979.

64. Харин Ю.С., Степанова М.Д. Практикум на ЭВМ по математической статистике. — Мн.: Изд-во «Университетское», 1987. — 304 с.

65. Харламов Б.П. Непрерывные полумарковские процессы.— Спб.: Изд-во Наука, 2001. —432 с.

66. Ховард Р.А. Динамическое программирование и марковские процессы. — М.: 1964.—302 с.

67. Шамис В.A. Borland С++ Builder. Программирование на С++ без проблем. М.: «Нолидж», 1997. 266 с.

68. Шапиро Е.И. Непараметрические оценки плотности вероятности в задачах обработки результатов наблюдений // Зарубежная радиоэлектроника.— 2000.—№2.—С. 3-22.

69. Экоинформатика. Теория. Практика. Методы и системы. Под ред. РАН В.Е. Соколова, С.-Пб., Изд-во Гидрометеоиздат, 1992.— 520 с.

70. Baker W.L. A review of models of landscape change // Landscape Ecology, no. 2, 1989, pp. 111-133.

71. Bell E.J. Markov analysis of Land Use Change — An Application of Stochastic Processes to Remotely Sensed Data. J. of Socieoeconomic Planning Sciences №8. 1974, pp. 311-316.

72. Berry M., Comiskey J., Minser K. Parallel Analysis of Clusters in Landscape Ecology // IEEE Computational Science and Engineering, 1994, vol. 1, no. 2, pp. 24-38.

73. Bischof H., Scheider W., Pinz A.J. Multispectral Classification of LandsatImages Using Neural Networks // IEEE Transactions on Geoscience and Remote Sensing, 1992, pp. 482-493.

74. Bishop С. M. Neural Networks for Pattern Recognition. Oxford Univ. Press, 1995.

75. Briassoulis, H. Analysis of Land Use Change: Theoretical and Modeling Approaches. The Web Book of Regional Science, Regional Research Institute, West Virginia University, 1999 — http://www.rri.wvu.edu /WebBook/ Briassoulis/ contents.htm (01.12.2004).

76. Brown D.G., Goovaerts P., Burnicki A., Li M.Y. Stochastic simulation of landcover change using geostatistics and generalized additive models // Photogram metric Engineering and Remote Sensing, 68(10), 2002, pp. 1051-1061.

77. Brown D.G., Pijanowski B.C., Duh J.D. Modeling the relationships between land use an land cover on private lands in the Upper Midwest, USA. J. of Environmental Management, 2002, vol. 59, pp. 1-17.

78. Butz A.R. Convergence with Hilbert's Space Filling Curve // J. Computer and System Sciences, 1969, vol. 3, pp. 128-146.

79. Clark Labs. Геоинформационная система Idrisi 32. — http:// www.clarklabs.org/ IdrisiSoftware/ (01.12.2004).

80. Clarke K.C., Hoppen S., Gaydos L. A self-modifying cellular automaton model of historical urbanization in the San Francisco Bay area // Environment and Planning B: Planning & Design: 24, 1997, pp. 247-261.

81. Earth Resource Mapping, ER Mapper 5.5 —http://www.ermapper.com (01.12.2004).87. eCognition. Система для объектно-ориентированной классификация аэрокосмических изображений. —http://www.definiens-imaging.com/(01.12.2004)

82. ERDAS Corp. Система обработки данных ДЗЗ ERDAS Imagine. — http:// www.erdas.com (01.12.2004).

83. ESRI Software. — http://www.esri.com (01.12.2004).

84. Faloutsos С. Gray Codes for Partial Match and Range Queries. IEEE Transactions on Software Engineering (TSE) 14(10), 1988. — pp. 1381-1393.

85. Fitz H.C., DeBellevue E.B., Costanza R., Boumans R., Maxwell Т., Wainger L., Sklar F.H. Development of a General Ecosystem Model for a Range of Scales and Ecosystems // Ecological Modeling,vol. 88, 1996, pp. 263-295.

86. Geman S., Geman D. Stochastic relaxation, Gibbs distributions and the Bayesian restoration of images // IEEE Transaction on Pattern Analysis and Machine Intelligence, vol. 6, 1984, pp.721-741.

87. Giacinto G., Roli F. Adaptive Selection of Image Classifiers // ICIAP '97, 9th International Conference on Image Analysis and Processing, Florence, Italy, Springer Verlag Ed. 1997, pp.38-45.

88. Giacinto G., Roli F. Dynamic Classifier Selection Based on Multiple Classifier Behaviour // Pattern Recognition, 34(9), 2001, pp. 179-181.

89. Giacinto G., Roli F., Bruzzone L., Combination of Neural and Statistical Algorithms for Supervised Classification of Remote-Sensing Images // Pattern Recognition Letters, 2000, vol. 21, no. 5, pp. 385-397.

90. Giacinto G., Roli F., Fumera G., Selection of Image Classifiers // Electronics Letters, 36(5), 2000, pp. 420-422.

91. GotAI.NET — Материалы — Нейронные сети http://www.gotai.net/ documents/ doc-nn-004.aspx (01.12.2004).

92. Haralick R.M., Shapiro L.G. Computer and Robot Vision, Addison-Wesley, Massachusetts, 1992.

93. Hervas J., Barredo J.I., Rosin P., Passuto A., Mantovani F., S. Silvano. Monitoring landslides from optical remotely sensed imagery: the case history of Tes-sina landslide, Italy // Geomorphology, 2003, vol. 54, pp. 63-75.

94. Hecht-Nielsen R. Kolmogorov's Mapping Neural Network Existence Theorem // IEEE First Annual Int. Conf.on Neural Networks, San Diego, 1987, vol. 3, pp. 11-13.

95. Jain A., Zongker D. Feature Selection: Evaluation, Application, and Small Sample Performance // IEEE Transactions on Pattern Analysis and Machine Intelligence, , 1997, vol. 19, no. 2pp. 153-158.

96. Jenerette G.D. and J. Wu. Analysis and Simulation of Land Use Change in the Central Arizona — Phoenix region // Landscape Ecology, 2001, vol. 16,m pp. 611-626.

97. Kaneko I.S., Igarashi S. Combining Multiple k-Nearest Neighbour Classifiers Using Feature Combinations // J. IECI, 2000, vol. 2, no. 3, pp. 23-31.

98. Katkovnik V., Shmulevich I. Nonparametric density estimation with adaptive varying window size // Conference on Image and Signal Processing for Remote Sensing VI, European Symposium on Remote Sensing, Barcelona, Spain,—• 2000.

99. Kumar A. A Study of Spatial Clustering techniques // DEXA 1994. pp. 57-71.

100. Maplnfo Corporation. GIS Maplnfo — http://www.mapinfo.com (01.12.2004).

101. Markov N.G., Napryushkin A.A., Zamyatin A.V. Adaptive system for extracting information about spatial objects from aerospace imageries // Abstracts of Russian-American Seminar «Studies of Socio-Natural Co-Evolution from Differentft

102. Parts of the World», Novosibirsk, 2002, http://iwep.ab.ru/~workshop/ (01.12.2004).

103. Markov N.G., Napryushkin A.A., Zamyatin A.V. Application of Neural Network Methods in RS-based Thematic Mapping// Proceedings of the 5-th AGILE conference on Geographic science, Palma de Mallorca, Spain, 2002, pp. 485-490.

104. Markov N.G., Napryushkin A.A., Zamyatin A.V., Vertinskaya E. V., Adaptive

105. Procedure of RS Images Classification with Use of Extended Feature Space // Proceedings of SPIE, 2003, Vol. 4885, pp. 489-500.

106. Markov N.G., Zamyatin A.V., Napryushkin A.A., Vertinskaya E.V., Advanced

107. Thematic Mapping Approach for Forecasting Landscape Change Using GIS //

108. Proceedings of the 6th AGILE Conference on Geographic Information Science, Lyon, France, AGILE, 2003, pp. 687-693.

109. Microimages Inc. Система обработки данных ДЗЗ TNT MIPS. — http://www.microimages.com (01.12.2004).

110. Microsoft Windows 2000 Server. Учебный курс MSCE: Пер. с англ. — 2-е изд., перераб.—М.: Издательско-торговый дом «Русская редакция»,2001.—912 с.

111. Muller М. R., Middleton J. A Markov model of land-use change dynamics in the Niagara Region, Ontario, Canada// Landscape Ecology, 1994, vol. 9 no.2, pp. 151—157.

112. Official GRASS GIS homepage. ГИС GRASS —http://grass.itc.it/.(01.12.2004)

113. Omachi S., H. Aso. A Fast Algorithm for k-NN Classifier Based on Branch and Bound Method and Computational Quantity Estimation // Transaction IEICE DII, J82-D-II, 4, 1999, pp. 641-649.

114. O'Sullivan D., P. M. Torrens. Cellular models of urban systems// Theoretical and Practical Issues on Cellular Automata. London: Springer-Verlag, 2000, pp. 108-117.

115. Park S., Wagner D. F. Incorporating Cellular Automata simulators as analytical engines in GIS // Transaction in GIS, 1997, vol. 2, no. 3, pp.213-231.

116. Pijanowski, B.C., D. Brown, B. Shellito and G. Manik. Using neural networks and GIS to forecast land use changes: A Land Transformation Model //Computers, Environment and Urban Systems, 2004, vol. 26, pp. 553-576.

117. Podest E., Saatchi S. Application of Multiscale Texture in Classifying JERS-1 Radar Data Over Tropical Vegetation. International Journal of Remote Sensing,2002, vol. 23, no 7, pp. 1487-1506.

118. Purdue/LARS MultiSpec—http://dynamo.ecn.purdue.edu/~biehl/MultiSpec/ (01.12.2004).

119. Raymer M.L., Punch W.F., Goodman E.D., Kuhn L.A., and Jain L.C. Dimensionality reduction using genetic algorithms. IEEE Trans, on Evolutionary Computation, 4(2), 2000, pp. 164-171.

120. Richards J.A., Xiuping Jia. Remote Sensing Digital Image Analysis: An Introduction. Berlin: Springer, 1999.

121. Richardson D., van Oosterom P. Urban Simulation Using Neural Networks and Cellular Automata for Land Use Planning // Advances in Spatial Data Handling. Berlin: Springer-Verlag, 2002. pp. 451-464.

122. Scanex NeRIS. Программа нейросетевой интерпретации данных ДЗЗ. — www.scanex.ru/rus/tematica/Program/neris.htm (01.12.2004).

123. SNNS — Stuttgart Neural Network Simulator. — http://www-ra.informatik.uni-tuebingen.de/SNNS/ (01.12.2004).

124. Steele B.M., J.C. Winne, R.L. Redmond. Estimation and mapping of misclassi-fication probabilities for thematic land cover maps // Remote Sensing of the Environment, vol. 66, 1998. pp. 192-202.

125. Turner M.G. Spatial simulation of landscape changes in Georgia: a comparison of 3 transition models //Landscape Ecology. 1987, vol 1, pp. 29-36.

126. Tutorial on ER Mapper SDK (Earth Resource Mapping). ER Mapper 5.5 user's manual. —1997.

127. Veldkamp A., Verbürg P.H., et al., Modeling the Spatial Dynamics of Regional Land Use: The CLUE-S Model // Environmental Management, 2002, vol. 30, no. 3,pp. 391-405.

128. Verbürg P., Schot P., Dijst M, Veldkamp A. Land use change modelling: current practice and research priorities // Geo Journal: 2002, в печати in press.

129. Verbürg P.H. et al., A method to analyse neighborhood characteristics of land use patterns // Computers, Environment and Urban Systems. 2003, pp.354-369.

130. Verbürg P.H., Soepboer W., Limpiada R., Espaldón V., Mastura S., Veldkamp S.A. Modelling the spatial dynamics or regional land use: the CLUE-S model // Environmental management, Springer-Verlag New-York Inc. 30(3), 2002, pp. 391-405.

131. Voinov A., Costanza R., Wainger L., Boumans R., Villa F., Maxwell T., Voinov H. Patuxent Landscape Model: Integrated Ecological Economic Modeling of a Watershed// Environmental Modeling and Software, 1999, vol. 14, pp. 473-491.

132. Weng Q. Land Use Change Aanalysis in the Zhujiang Delta of China Using Satellite Remote Sensing, GIS, and Stochastic Modeling // J. of Environmental Management, 2002, vol. 64, pp. 273-284.

133. Westin L. K. Department of computer Science Umee University. Receiver operating characteristic (ROC) analysis. — http://www.cs.umu.se/ research/ reports/ 2001/018/partl.pdf (01.12.2004)

134. Widrow B., Lehr M.A. 30 Years of Adaptive Neural Networks: Perceptron, Madaline, and Backpropagation // Proceedings of the IEEE, 1990, vol. 78, no. 9, p. 1415-1442.

135. Zadeh L.A. Fuzzy Sets // Information control, 1965, pp. 338-353.

136. Zamyatin A.V., Markov N.G. Advanced GIS Tool for Assessment of Land Use Change // Proceedings of the 5th International Workshop on Computer Science and Information Technologies, Ufa, Russia, 2003, pp. 115-118.