Методы и средства построения модели транспортной инфраструктуры на основе данных дистанционного зондирования Земли тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Федосеев, Александр Андреевич

• Федосеев, Александр Андреевич
• кандидат наук
• 2017

Оглавление диссертации кандидат наук Федосеев, Александр Андреевич

ОГЛАВЛЕНИЕ

Список сокращений и условных обозначений

Введение

1. Анализ методов и средств построения модели транспортной инфраструктуры на основе данных дистанционного зондирования Земли

1.1. Транспортная инфраструктура

1.2. Основные понятия предметной области «ДЗЗ»

1.3. Систематизация моделей и методов

1.4. Программные средства обработки информации ДЗЗ

1.5. Постановка задачи построения модели транспортной инфраструктуры

1.6. Основные выводы

2. Модель синтеза тематического слоя объектов транспортной инфраструктуры на основе данных дистанционного зондирования Земли

2.1. Информационное пространство ДЗЗ

2.2. Декомпозиция информационной инфраструктуры

2.2.1. Модель участка земной поверхности

2.2.2. Модель транспортной инфраструктуры

2.2.3. Модель снимка

2.2.4. Модель куба данных

2.2.5. Модель электронной карты

2.3. Имманентные свойства объектов транспортной инфраструктуры

2.3.1. Имманентные свойства объекта

2.3.2. Имманентные свойства объектов на макроуровне

2.3.3. Имманентные свойства объектов на локально-детальном уровне

2.4. Модель синтеза тематического слоя

2.5. Основные выводы и результаты

3. Методы и алгоритмы синтеза тематического слоя объектов транспортной инфраструктуры

3.1. Метод синтеза тематического слоя транспортной сети на основе данных ДЗЗ из космоса

3.1.1. Синтез слоя транспортной сети

3.1.2. Синтез слоя динамических объектов

3.2. Метод определения характеристик объектов транспортной инфраструктуры на основе гиперспектральной информации

3.3. Метод классификации объектов транспортной инфраструктуры на основе глубинного машинного обучения

3.4. Основные выводы и результаты

4. Применение методов и средств обработки данных ДЗЗ для построения модели транспортной инфраструктуры

4.1. Назначение, возможности и структура системы построения модели транспортной инфраструктуры

4.2. Инструментальные средства синтеза тематических слоёв объектов транспортной инфраструктуры

4.3. Исследование методов и средств построения модели ТрИ

4.3.1. Сбор исходных данных

4.3.2. Обработка данных дистанционного зондирования

4.4. Основные выводы и результаты

Заключение

Список литературы

Приложение А Методы классификации гиперспектральной информации

Приложение Б Иллюстрации к геоинформационной системе

Приложение В Акты реализации

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

АО «РКЦ «Прогресс» - акционерное общество

«Ракетно-космический центр «Прогресс»; БД - база данных;

БПЛА - беспилотный летательный аппарат; ГИС - геоинформационная система; ДЗЗ - дистанционное зондирование Земли; ДТП - дорожно-транспортное происшествие; ИК - инфракрасный;

ИТС - интеллектуальная транспортная система;

КА - космический аппарат;

МВД - Министерство внутренних дел;

НПЦ «ИТС» - научно-производственный центр «Интеллектуальные транспортные системы»; ООО - общество с ограниченной ответственностью; ОС - операционная система; ПрК - программный комплекс; ПрО - предметная область; СУБД - система управления базами данных; ТрИ - транспортная инфраструктура; ТрС - транспортная сеть; УДС - улично-дорожная сеть; ЭВМ - электронная вычислительная машина;

ALU - Arithmetic & Logic Unit (арифметико-логическое устройство); ARVNIRI - Asphalt Road Visible Near InfraRed Index (индекс состояния

дорожного покрытия в видимом и ближнем ИК диапазоне); ARSWIRI - Asphalt Road Short Wave InfraRed Index (индекс состояния дорожного покрытия в коротковолновом ИК диапазоне); AUC - Area under ROC curve (площадь под ROC-кривой);

CLR - Common Language Runtime (общеязыковая исполняющая среда);

CNN - Convolutional neural network (свёрточная нейронная сеть);

CPU - Central Processing Unit (центральный процессор);

ER - Entity-Relationship (сущность - связь);

GPU - Graphics Processing Unit (графический процессор);

GSM - Global System for Mobile Communications (глобальная система мобильной связи);

HTML - HyperText Markup Language (язык разметки гипертекста);

NDVI - Normalized Difference Vegetation Index (Нормализованный разностный вегетационный индекс);

NIR - Near InfraRed (ближний инфракрасный);

OGC - Open Geospatial Consortium (открытый геопространственный консорциум);

OSM - Open Street Map (открытая карта улиц);

PCI - Pavement Conditions Index (индекс состояния дорожного покрытия);

IDL - Interactive Data Language (интерактивный язык управления данными);

ROC - Receiver Operating Characteristic (рабочая характеристика приёмника);

SAM - Spectral Angle Mapper (Метод спектрального угла);

SQL - Structured Query Language (язык структурированных запросов);

SWIR - Short Wave Infrared (коротковолновый);

UML - Unified Modeling Language (унифицированный язык моделирования);

XML - eXtensible Markup Language (расширяемый язык разметки).

S - информационное пространство

Q - отображение

^ - инварианты

D - информационная инфраструктура

M C

я

т р

с

м

ст

М

ПрО

М

УЗП

М.

ТрИ

М,

С

МКД -МЭК -

т -

~ N

~ в ~ о

тN = {~я }

т

я

т

т

Б

Ш

тр

т

Г

методическая инфраструктура функциональная инфраструктура страта данных ДЗЗ

страта объектов ТрИ, подлежащих дистанционному зондированию

страта описания имманентных свойств объектов

страта методов обработки информации ДЗЗ

страта программных средств обработки информации

модель предметной области

модель участка земной поверхности

модель транспортной инфраструктуры

модель снимка

модель куба данных

модель электронной карты

множество объектов ТрИ

транспортная сеть

множество транспортных средств

множество искусственных сооружений

множество природных объектов

- совокупность дорог

класс «Дорога»

класс «Проезжая_часть»

класс «Обочина»

класс «Тротуар»

класс «Велосипедная_дорожка»

класс «Разделительная полоса»

TM - класс «Разметка» I - снимок B - канал снимка x, y - координаты отсчёта яркости

P[f (x, y)] - одномерная плотность вероятности яркости точки rangeb' = \е)ф , eb^ght J - диапазон спектра канала снимка

, eb^ ht - левая, правая границы диапазона спектра /-го канала whole _ range - диапазон длин волн спектра matrix _ tablebi - матрица данных DN - множество дискретных значений пикселей

x = 1, K, y = 1, N - координаты отсчёта яркости в строке, в столбце матрицы данных канала, соответственно size1 - размер снимка

number _ of _ linesbi - число строк матрицы данных канала

number _ of _ samplesb - число столбцов матрицы данных канала

pixel _ size1 - проекция пикселя

bits _ per _ pixel1 - разрядность

band _ set1 - набор каналов

data _ format1 - формат данных

mesure _ set - набор мер

cube _size - размер, определяемый числом мер вдоль измерения 1 - пространственно-спектральный куб B - класс «Канал» (куб данных) band _ set~ - набор каналов

rangebi = [е ~ft, е b~ight J - диапазон спектра канала куба данных

Qbft > Qnght - левая, правая граница диапазона спектра /-го канала (куб данных), соответственно matrix _ tableb - матрица данных pixel _ sizeb - проекция пикселя bits _ per _ pixelb - разрядность

size - размер

E - электронная карта

S - множество тематических слоев

SN - тематический слой «Транспортная сеть»

SV - тематический слой «Транспортное средство»

SB - тематический слой «Искусственное сооружение»

SG - тематический слой «Природный объект»

T - класс «Топографический объект»

~ R класс «Растр»

SP - класс «Точка»

L класс «Линия»

~ PL класс «Полигон»

T - множество объектов участка земной поверхности

P - множество имманентных свойств объектов класса

d7* - прямоугольная область (класс «Дорога»)

- s R bti - ширина области (класс «Дорога»)

- lR a4 - длина области (класс «Дорога»)

a5 - угол поворота области (класс «Дорога»)

3~ = {й~ } - совокупность областей, соответствующих объектам класса «Дорога»

Ь - множество объектов, не являющихся элементами ТрС

и' - множество областей, соответствующих объектам, не являющихся

элементами ТрС

а

а

й1

й1

й1

з ~

з~

м

прямоугольная область (класс «Транспортное_средство») ширина области (класс «Транспортное_средство») длина области (класс «Транспортное_средство») угол поворота области (класс «Транспортное_средство») прямоугольная область (класс «Проезжая_часть») прямоугольная область (класс «Обочина») прямоугольная область (класс «Тротуар») прямоугольная область (класс «Велосипедная_дорожка)» прямоугольная область (класс «Разделительная_полоса») прямоугольная область (класс «Разметка»)

3

р

с

Введение диссертации (часть автореферата) на тему «Методы и средства построения модели транспортной инфраструктуры на основе данных дистанционного зондирования Земли»

ВВЕДЕНИЕ

Диссертация посвящена разработке математических методов, алгоритмов и программных средств построения тематических слоёв транспортной инфраструктуры на основе данных дистанционного зондирования Земли.

Актуальность. Увеличение протяжённости и повышение качества автомобильных дорог относится к ряду приоритетных мероприятий по модернизации транспортных систем регионов. При этом актуальной становится задача оперативного выявления изменений характеристик и состояния объектов транспортной инфраструктуры. Значительная площадь территории и большое число субъектов РФ диктуют необходимость разработки и внедрения специальных подходов к решению указанной задачи на основе использования данных дистанционного зондирования Земли (ДЗЗ).

Современные оптико-электронные системы ДЗЗ, обладая высокими техническими характеристиками, обеспечивают получение информации на значительные по площади территории во множестве спектральных диапазонов с детальным уровнем пространственного разрешения. Тенденции к увеличению численности отечественной орбитальной группировки космических аппаратов высокодетального наблюдения открывают больше возможностей применения данных ДЗЗ для информационной поддержки функционирования и развития транспортной инфраструктуры (ТрИ). Современная стратегия развития интеллектуальных транспортных систем предполагает использование беспилотных летательных аппаратов (БПЛА) [8]. Перечень полезной нагрузки БПЛА включает в себя линейку инструментов, в том числе, маломассогабаритные гиперспектральные сенсоры, позволяющие получать информацию об объектах ТрИ в виде «гиперкуба», включающего в себя как пространственную информацию об объекте, так и спектральную информацию по каждой пространственной координате. Важным аспектом использования гиперспектральной информации является разработка специализированных подходов к её интерпретации с целью

высокоточного распознавания объектов интереса, присутствующих в рассматриваемой сцене.

Проблемам обработки данных ДЗЗ посвятили свои исследования В.Г. Бондур [4], В.В. Еремеев [14], Н.Л. Казанский [13], Г. Кауфманн [115], Т.В. Кондранин [20], Б.Г. Кухаренко [26], Е.А. Лупян, В.В. Мясников [40], В.В. Сергеев [58], В.А. Сойфер [61], В.А. Фурсов [66], А. Чандра [69], А.В. Чернов [70], Р. Шовенгердт [72], B. Эйб [75] и др.

Значительный вклад в развитие современных информационных технологий и геоинформационных систем внесли российские и зарубежные учёные:

A.А. Барсегян [2], М Бонгард, А.Г. Ивахненко [110], А.Н. Коварцев [19], М.А. Кораблин [22], Г.С. Лбов, У. Мак-Каллок, Т.И. Михеева [34], С.А. Прохоров [49], С.В. Михеев [32], О.Н. Сапрыкин [139] А.В. Скворцов [59], Ф. Розенблатт,

B.Я. Цветков [68], Е. Фикс, Д. Ходжес и др.

Анализ современных универсальных методов обработки космической информации ДЗЗ диктует необходимость и делает актуальной разработку специальных подходов, учитывающих особенности объектов транспортной инфраструктуры и обеспечивающих увеличение потенциала, заложенного в информации ДЗЗ и средствах её получения.

Тематика диссертационной работы соответствует направлению научно-исследовательской работы кафедры информационных систем и технологий Самарского университета: «Интеллектуальные транспортные геоинформационные системы».

Объектом исследования являются методы, модели, алгоритмы, средства построения модели транспортной инфраструктуры на основе данных дистанционного зондирования Земли.

Предметом исследования являются методы структурно-параметрического синтеза тематического слоя на основе данных дистанционного зондирования Земли с отображением объектов ТрИ по результатам их экстрагирования с космических снимков и на основе гиперспектральной информации.

Целью диссертационной работы является разработка методов, моделей, программного обеспечения для построения тематических слоёв транспортной инфраструктуры на основе пространственной и спектральной информации с учетом имманентных свойств объектов.

Для достижения цели в работе поставлены и решены следующие задачи:

1. Анализ методов и средств цифровой обработки пространственной и спектральной информации для синтеза тематических слоев геообъектов транспортной инфраструктуры.

2. Разработка методики формирования структуры информационного пространства дистанционного зондирования Земли на основе информационной, методической и функциональной страт.

3. Разработка метода структурно-параметрического синтеза тематического слоя на основе данных дистанционного зондирования Земли с отображением объектов транспортной сети по результатам их экстрагирования с космических снимков.

4. Разработка метода структурно-параметрического синтеза тематического слоя с результатами классификации объектов транспортной инфраструктуры на основе гиперспектральной информации.

5. Разработка алгоритмов и программного обеспечения на основе методов структурно-параметрического синтеза тематического слоя, пространственных моделей, нейросетевых технологий и современных подходов к построению геоинформационных систем.

Научная новизна работы содержится в следующих результатах:

1. Методика формирования структуры информационного пространства дистанционного зондирования Земли на основе информационной, методической и функциональной страт, которая отличается от известных в настоящее время методик тем, что позволяет на основе методологии стратификации синтезировать тематический слой транспортной инфраструктуры.

2. Метод структурно-параметрического синтеза тематического слоя на основе данных дистанционного зондирования Земли с отображением объектов

транспортной сети по результатам их экстрагирования с космических снимков в условиях ограниченного состава спектральных признаков.

3. Метод структурно-параметрического синтеза тематического слоя с результатами классификации объектов транспортной инфраструктуры на основе гиперспектральной информации с использованием свёрточных нейронных сетей.

4. Алгоритмы и программное обеспечение, построенные на основе методов структурно-параметрического синтеза тематического слоя, пространственных моделей, нейросетевых технологий и современных подходов к построению геоинформационных систем.

Соответствие диссертации паспорту научной специальности. Научные положения диссертации соответствуют пунктам паспорта специальности 05.13.01 - Системный анализ, управление и обработка информации (технические системы и связь): 4 «Разработка методов и алгоритмов решения задач системного анализа, оптимизации, управления, принятия решений и обработки информации», 5 «Разработка специального математического и алгоритмического обеспечения систем анализа, оптимизации, управления, принятия решений и обработки информации», 7 «Методы и алгоритмы структурно-параметрического синтеза и идентификации сложных систем», 12 «Визуализация, трансформация и анализ информации на основе компьютерных методов обработки информации».

Теоретическая значимость. Теоретическая значимость исследования состоит в разработке с использованием методов системного анализа методики формирования структуры информационного пространства дистанционного зондирования Земли на основе информационной, методической и функциональной страт, позволяющей синтезировать тематический слой транспортной инфраструктуры, разработке эффективных методов структурно-параметрического синтеза тематических слоев на основе данных дистанционного зондирования Земли из космоса в условиях ограниченного состава спектральных признаков, а также на основе гиперспектральных снимков высокого разрешения с использованием нейросетевых технологий.

Практическая значимость. Основным практическим результатом исследования является внедрение разработанных методов, моделей и алгоритмов, инструментальных средств и программного обеспечения в практику обработки данных ДЗЗ. На основе разработанных методов и моделей реализованы в виде программного обеспечения алгоритмы структурно-параметрического синтеза тематического слоя с отображением объектов транспортной инфраструктуры по результатам их экстрагирования с космических снимков, гиперспектральной информации с использованием свёрточных нейросетей. Результаты исследований в виде математических моделей объектов ТрИ и методов обработки данных ДЗЗ использовались при разработке геоинформационной системы (свид. о гос. регистрации программ для ЭВМ №2017614046 за 2017 г.). Достоверность результатов работы подтверждается корректным использованием теоретических и экспериментальных методов, базированием на фундаментальных трудах отечественных и зарубежных ученых, апробацией результатов исследований на практике, внедрением в работу АО «РКЦ «Прогресс», НПЦ «ИТС», в учебный процесс Самарского университета.

Методология и методы исследования. Методологической основой исследования послужили методы системного анализа, цифровой обработки сигналов и изображений, теории вероятностей и математической статистики, математического и геоинформационного моделирования, нейросетевые технологии.

На защиту выносятся:

1. Методика формирования структуры информационного пространства дистанционного зондирования Земли на основе информационной, методической и функциональной страт.

2. Метод структурно-параметрического синтеза тематического слоя на основе данных дистанционного зондирования Земли с отображением объектов транспортной сети по результатам их экстрагирования с космических снимков в условиях ограниченного состава спектральных признаков.

3. Метод структурно-параметрического синтеза тематического слоя с результатами классификации объектов транспортной инфраструктуры на основе ги-

перспектральной информации с использованием свёрточных нейронных сетей.

4. Разработанные алгоритмы и программное обеспечение, построенные на основе методов структурно-параметрического синтеза тематического слоя, пространственных моделей, нейросетевых технологий и современных подходов к построению геоинформационных систем.

Реализация работы. Работа выполнена в 2012-2016 гг. на кафедре информационных систем и технологий Самарского университета. Результаты работы нашли применение при выполнении научно-исследовательских работ:

- «Проведение экспериментальных исследований гиперспектральной аппаратуры» (АО «РКЦ «Прогресс», 2013 - 2014 гг.);

- разработка базы данных спектральных сигнатур природных и антропогенных объектов на территории Самарской области, выполненная в рамках функционирования лаборатории гиперспектрального анализа согласно программе развития инновационного территориального аэрокосмического кластера Самарской области в 2014-2015 гг.

Теоретические и практические результаты работы, связанные с созданием специализированного программного обеспечения, применялись при выполнении следующих работ в НПЦ «ИТС» в 2012-2016 гг.: «Подготовка исходных данных для создания электронной транспортной модели г.о. Самара», «Подготовка исходных данных для калибровки транспортной модели г.о. Самара», «Корректировка проекта организации дорожного движения на автомобильных дорогах г. Сургут», «Разработка комплексной схемы организации дорожного движения в сельском поселении Кинель-Черкассы», «Разработка комплексной схемы организации дорожного движения в г. Кинель». Разработанные методы, алгоритмы и подходы внедрены в деятельность АО «РКЦ «Прогресс» в качестве элементов технологического процесса тематической обработки информации, получаемой с космических аппаратов разработки предприятия. Разработанные программные модули для геоинформационной системы ITSGIS, реализующие прикладные результаты диссертационной работы в области разработки тематических слоев геоинформационной системы, внедрены и используются в

учебном процессе Самарского университета.

Апробация работы. Основные результаты работы докладывались на международных и всероссийских научных конференциях. Доклады представлены на международных научно-технических конференциях «ПИТ» (г. Самара, 2012 - 2016), всероссийских научно-технических конференциях студентов, молодых ученых и специалистов «Новые информационные технологии в научных исследованиях» (г. Рязань, 2012 - 2014), международных научно-практических конференциях «Перспективы развития и безопасность автотранспортного комплекса» (г. Новокузнецк, 2012, 2014), VI Всероссийской научно-практической конференции «Организация и безопасность дорожного движения» (г. Тюмень, 2013); международной молодёжной научной конференции XII Королевские чтения (Самара, 2013), II международной конференции «Информационные технологии интеллектуальной поддержки принятия решений» (ITIDS'2014, г. Уфа), Одиннадцатой всероссийской открытой конференции «Современные проблемы дистанционного зондирования Земли из космоса» (Москва, 2013)», всероссийских научно-технических конференциях «Актуальные проблемы ракетно-космической техники» (III, IV Козловские чтения, Самара, 2013, 2015), 14, 16 Международной научно-технической конференции «От снимка к карте: цифровые фотограмметрические технологии» (Франция, г. Фонтенбло (2014 г.), Индия, г. Агра (2016)), Международной конференции по транспортным технологиям и интеллектуальным транспортным системам 'VEHITES 2016' (Италия, г. Рим), XIII научно-технической конференции «Системы наблюдения, мониторинга и дистанционного зондирования Земли» (г. Сочи).

Публикации. По теме диссертации опубликовано 48 работ, в том числе 1 монография, 34 статьи, из них 2 статьи - в изданиях, индексируемых Scopus, 10 - в изданиях, входящих в Перечень Высшей аттестационной комиссии Российской Федерации, 1 свидетельство о регистрации программы для ЭВМ.

Структура и объём работы. Диссертационная работа состоит из введения, 4 глав, заключения, списка литературы из 220 наименований и 3 приложений. Объём работы 191 страница машинописного текста, включая 57 рисунков.

1. АНАЛИЗ МЕТОДОВ И СРЕДСТВ ПОСТРОЕНИЯ МОДЕЛИ

ТРАНСПОРТНОЙ ИНФРАСТРУКТУРЫ НА ОСНОВЕ ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ

Рассмотрены основные понятия транспортной инфраструктуры, а также предметной области «Дистанционное зондирование Земли». Рассмотрены основные задачи и направления использования данных дистанционного зондирования Земли для построения моделей объектов транспортной инфраструктуры. Проведен аналитический обзор моделей, методов, современных информационных технологий и программных средств обработки данных дистанционного зондирования Земли, обеспечивающих решение задач в области построения модели транспортной инфраструктуры.

1.1. Транспортная инфраструктура

Классификация задач управления объектами транспортной инфраструктуры (ТрИ) представлена на рисунке 1.1. Приведенный перечень задач решается на каждом уровне управления в соответствии с целями данной ступени иерархии. Системным подходом предусмотрена реализация одинакового набора функций (планирование, организация, мониторинг, координация), содержание которых определяется решаемыми на каждом уровне управления задачами [27].

Класс задач, включающий в себя инвентаризацию, паспортизацию и учёт автомобильных дорог, является базовым в управлении объектами транспортной инфраструктуры. Существуют различные подходы к инвентаризации, при этом, все они имеют характерные черты. Так, основная цель инвентаризации - точное определение наличия объектов дороги, а также их уникальная идентификация. Инвентаризация также выполняется для оценки состояния объектов.

Мероприятия проводят для рационального планирования строительства, реконструкции, ремонта и содержания дорог [24].

О &

& и

« & ф в

и

л> &

о л>

л ■&

5 0

Л>

я

л> Щ

X &

& С

о X

л> &

Инвентаризация фондов

Паспортизация дорог

Ведение схем и карт

Моделирование профилей

Транспортные

Технологиче ские

Топологические

Оптимиз ационные

Нагрузки, потребности

Предпроектный анализ, расчеты / Календарные изменения

К

Транспортные потоки

Сбор данных

Обработка и хранение данных

Пространственные и атрибутивные запросы

Информационное обеспечение / Генерация отчётов, справок

\

\ Формирование планов работ

Рисунок 1.1 - Классификация задач управления ТрИ

Мировая практика проведения работ по инвентаризации, техническому учёту и паспортизации предполагает создание автоматизированных банков дорожных данных (дорожные регистров), наполненных и ежегодно обновляемых новыми данными о состоянии дорог, сооружений, обустройств и т.д. [53, 73].

Разработаны и внедрены системы управления содержанием дорог- Road Maintenance Management Systems (RMMS) и мостов - Bridge Maintenance Systems (BMS), управления состоянием покрытий - Pavement Management Systems (PMS) [46]. Инвентаризация представляет собой непрерывный процесс, который сопровождает ввод в эксплуатацию новых объектов и участков, а также обследование действующих и ликвидацию старых объектов. Данный процесс плотно связан с паспортизацией дороги и относящихся к ней объектов. К пространственной информации о дорогах относятся:

- планы расположения дороги и объектов на местности;

- геометрические профили дороги.

Информация о расположении дороги и объектов на местности необходима для эксплуатационных бригад, для планирования строительства, экологического анализа, взаимодействия со смежными землепользователями, анализа близости различных объектов на местности и объектов сетей, а также для проведения различных расчётов.

Планы расположения дороги и объектов формируются с использованием топографической основы - карт и планов территорий, на которых проложена сеть. Топографическая основа должна иметь точность, необходимую для привязки к ней объектов сети. Методика создания кадастровых планов автомобильной дороги с использованием аэрофотосъёмки описана в [ 71].

Для решения задачи построения профилей необходима информация о рельефе местности. Исходными данными для построения планов являются данные дистанционного зондирования Земли (ДЗЗ) - высокодетальные и точные аэро- и космические снимки. Для построения профилей используются цифровые модели рельефа и местности, получаемые на основе материалов аэрокосмической стереосъёмки (стереопар).

Прикладное использование геоинформационных систем (ГИС) и средств интеллектуального анализа данных осуществляется по направлениям:

- создание тематических карт;

- выполнение запросов, формирование отчётов и выходных форм;

- накопление и хранение технической и иной вспомогательной информации;

- интеллектуальный анализ хранящейся и поступающей информации.

Тематические карты предоставляют пользователю информацию о состоянии автомобильных дорог и дорожной сети в целом, а также отображают их различные свойства на электронной карте.

Информационная система обеспечивает пользователю формирование и выполнение нужного запроса с выгрузкой данных для печати и/или последующего анализа. В качестве критерия для запроса используются технические и паспортные характеристики, положение объекта в транспортной инфраструктуре, балансовая принадлежность и т.д. [51].

Интеллектуальный анализ выполняется для выявления и использования скрытых закономерностей в данных, содержащихся в ГИС, с целью принятия инженерных и управленческих решений [А1, 15, 43, 103].

Геообъекты ТрИ делятся на три вида (рисунок 1.2) [35]:

- точечные;

- линейные;

- площадные.

В качестве точечных объектов ТрИ, имеющих положение в пространстве, но не имеющих длины или протяжённость которых не имеет значения, выступают такие объекты как дорожный знак, световая опора, светофор и др.

Примером линейных объектов ТрИ, представляющих собой отрезок, описанный парой точек, являются дорожная разметка, дорожное ограждение и др. Каждый такой объект на электронной карте может быть стилизован определённым цветом линий, толщиной и типом.

Знак

Световая опора

Светофор

Л |

£

Линейный

Е< ы ф 1? ТО О объект

1 -1

Логический участок

Осевая линия дороги

Ограждение

Дорожная разметка

Недвижимость

Проезжая часть дороги

Обочина

Газон

Рисунок 1.2 - Классификация геообъектов ТрИ Площадные объекты ТрИ представляют собой замкнутые цепочки точек, соединённые отрезками, где последний узел соединён с первым. Примерами площадных объектов являются полоса отвода, недвижимость, газон, участок

дороги и др. На электронной карте каждый такой объект отображается в виде замкнутой линии заданного стиля [37].

Полный набор однотипных объектов ТрИ одного класса в пределах данной территории образует слой ТрИ. Совокупность слоёв определяет электронную карту в ГИС [63].

Виды объектов на электронной карте представлены на рисунке 1.3.

КгтбйкГСУРГУД

справо_ УДС Ограждения ООТ Освещение Инфо

Геовидеомаршруты Наружная

О-Ж-Е_В В Б

В Е1 ВЗ Е1 3 1

Демонтировать Ведомости Статус

Рисунок 1.3 - Виды объектов на электронной карте Объект или участок - протяжённый фрагмент дороги (или сооружение), который исполняет определённый набор функций или представляется в определённом качестве и может находиться в этом качестве как единое целое и при этом может подлежать замене на аналогичный.

Участок или объект несут на себе информационно-аналитическую нагрузку. Так, зачастую рассмотрению подвергаются такие мелкие объекты как слои дорожной одежды, фрагменты дорожных ограждений, детали эстакад и мостовых переходов.

Для правильного разделения объектов ТрИ по классам и подробного описания этих объектов следует провести абстракцию конкретных сущностей реального мира на основе унификации их параметров и функций.

Выделим абстрактный объект ТрИ. К его общим особенностям относятся: принадлежность титулу, расположение, тип (принадлежность к тому или иному виду сущностей), состояние (рисунок 1.4). Набор возможных состояний расширяется по мере конкретизации описания объекта, списка объектов, находящихся в его составе [56].

Рисунок 1.4 - Объект ТрИ

На следующем уровне абстракции рассмотрим линейно-протяжённые объекты (участки), строительные сооружения и другие точечные объекты (знаки, трубы, ограждения т.д.). Непрерывная и перекрывающаяся цепочка участков физически представляет собой дорогу. Участок имеет начало, конец, геометрическое описание, а также специфические для данного типа участка параметры (рисунок 1.5).

Моделирование предполагает реализацию следующих основных задач: мониторинг технологических событий (моделирование жизненного цикла: событий, дефектов и работ); отслеживание и сохранение изменений параметров. Для этого используют модели события, работы и дефекта.

Событие является основной характеристикой описания жизненного цикла объекта транспортной инфраструктуры (рисунок 1.6), представляет собой любое действие, производимое системой управления над объектом (мониторинг характеристик, ремонтные работы и т.д.).

Рисунок 1.5 - Участок транспортной сети

Рисунок 1.6 - События жизненного цикла Любая информация об изменении состояния объекта появляется при проведении очередного события. К такой информации относятся сведения об обна-

руженных и устранённых дефектах, изменении характеристик объекта, зафиксированных в результате измерений.

Дефекты обнаруживаются в ходе выполнения работ. Некоторые из них могут быть устранены в ходе выполнения работ события, некоторые могут остаться неустранёнными в течение некоторого времени (рисунок 1.7).

Дефект

Свойства Функции

Событие -4— ( Обнаружение / 1 дефекта 1

Дата устранения —' ч ( Устранение / у дефекта у

Тип дефекта — * ( Выдача / у рекомендаций у

Рисунок 1.7 - Дефект объекта ТрИ

Задачи моделирования жизненного цикла дороги можно разделить на три категории:

- задачи моделирования технического состояния дороги, объектов и событий во времени;

- задачи отслеживания характеристик объектов ТрИ во времени [47];

- задачи отслеживания конфигурации ТрС во времени.

При моделировании технического состояния дороги и событий требуется иметь полную информацию об объектах и их характеристиках:

- тип дорожного покрытия;

- дефект, время его обнаружения / устранения;

- регламентные и ремонтно-восстановительные работы, время их проведения, исполнит данных работ;

- динамика изменения остаточного ресурса.

Задачи анализа и управления ТрИ предполагают вычисление грузовых и пассажирских потоков, исследование ДТП, вычисление нагрузок на дороги в течение года и др. [55].

Учёт и паспортизация проводятся отдельно по каждой автомобильной дороге. Элементами дороги, подлежащими техническому учёту, являются: полоса отвода, земляное полотно, проезжая часть, искусственные сооружения, здания дорожной службы, дорожные инженерные устройства и обстановка дороги, озеленение дороги, здания автотранспортной службы. Паспорт дороги включает в себя: ведомости наличия и технического состояния мостов, тоннелей, труб, паромных переправ, подпорных стен, зданий дорожной службы, автобусных остановок, переходно-скоростных полос, дорожных знаков, ограждений, направляющих устройств, озеленения, тротуаров и пешеходных дорожек, укрепления обочин, съездов, коммуникаций, находящихся в пределах полосы отвода.

1.2. Основные понятия предметной области «ДЗЗ»

Дистанционное зондирование объектов транспортной инфраструктуры. Дистанционное зондирование определяется как метод измерения свойств объектов на земной поверхности при помощи воздушных летательных аппаратов и искусственных спутников Земли без непосредственного контакта датчиков с этими объектами [72].

Список литературы диссертационного исследования кандидат наук Федосеев, Александр Андреевич, 2017 год

СПИСОК ЛИТЕРАТУРЫ

Монографии

А1. Mikheeva, T.I. Intelligent Transport Systems : Methods, Algorithms, Realization / T.I. Mikheeva, I.G. Bogdanova, A.A. Fedoseev, O.K. Golovnin, D.A. Mikhaylov, S.V. Mikheev, A.A. Osmushin, O.N. Saprykin, O.V. Saprykina, A.V. Sidorov; under the editorship of T. Mikheeva. - Saarbrucken : LAP Lambert Academic Publishing, 2014. - 164 p. Публикации в периодических изданиях из списка ВАК

А2. Федосеев, А.А. Паттерновое проектирование интеллектуальных транспортных систем [Электронный ресурс] / Т.И. Михеева, О.К. Головнин, А.А. Федосеев // Современные проблемы науки и образования. - 2012. -№ 6. - Режим доступа : http://www.science-education.ru/106-7967.

А3. Федосеев, А.А. Технология Data Mining в задачах прогнозирования развития транспортной инфраструктуры [Электронный ресурс] / А.А. Федосеев, С.В. Михеев, О.К. Головнин // Современные проблемы науки и образования. - 2013.-№1. - Режим доступа : http://www.science-education.ru /107.

А4. Федосеев, А.А. Эффективность использования мультиспектральных и гиперспектральных данных дистанционного зондирования в задачах мониторинга окружающей среды / Г.П. Аншаков, Ю.Н. Журавель, А.А. Федосеев // Вестник СГАУ. 2013. - №4 (42). - С. 38-48.

А5. Федосеев, А.А. Особенности обработки гиперспектральных данных дистанционного зондирования при решении задач мониторинга окружающей среды / Ю.Н. Журавель, А.А. Федосеев // Компьютерная оптика. 2013 - Т. 37, № 4. - С. 471-476. (Scopus)

А6. Федосеев, А.А. Кластеризация гиперспектральных данных мониторинга объектов транспортной инфраструктуры / Т.И. Михеева, А.А. Федосеев // Известия СНЦ РАН. - Самара : Изд-во СНЦ РАН, 2014. - С. 435-442.

А7. Федосеев, А.А. Конвертирование геоданных в среде геоинформационной системы «ITSGIS» / А.В. Сидоров, И.Г. Богданова, А.А. Федосеев, А.А. Осьмушин // Известия СНЦ РАН. - Самара : Изд-во СНЦ РАН, 2014. -С. 404-408.

А8. Федосеев, А.А. Учёт мультиколлинеарных атрибутов пространственно-распределённых данных, полученных с беспилотных летательных аппаратов / С.В. Михеев, А.А. Федосеев, О.К. Головнин // Известия СНЦ РАН. -Самара : Изд-во СНЦ РАН, 2015. - Т. 17, №2(5). - С. 1053-1057.

А9. Федосеев, А.А. Архитектура интеллектуальной транспортной системы на основе технологий облачных вычислений / О.Н. Сапрыкин, О.В. Сапрыкина, А.А. Федосеев // Известия СНЦ РАН. - Самара : Издательство СНЦ РАН, 2015. - Т. 17, №2(5). - С. 1109-1113.

А10. Федосеев, А.А. Идентификация изменений конфигурации транспортной сети на основе космической съёмки / Т.И. Михеева, А.А. Федосеев // Известия СНЦ РАН. - 2016. - Т. 18, № 4 (4). - С. 808-814.

А11. Федосеев, А.А. Синтез тематического слоя объектов транспортной сети / А.А. Федосеев, О.К. Головнин, С.В. Михеев // Известия СНЦ РАН. - 2016. - Т. 18, № 4 (4). - С. 839-843. Другие публикации

А12. Федосеев, А.А. Оценка состояния статических и динамических объектов транспортной инфраструктуры на основе аэрофотосъёмки / Т.И. Михеева, А.А. Федосеев // Перспективные информационные технологии в научных исследованиях, проектировании и обучении (ПИТ-2012) : труды научно-техн. конф. с международным участием и элементами научной школы для молодежи, посвященной 40-летию кафедры информационных систем и технологий СГАУ. - Самара : Издательство СНЦ РАН, 2012. - С. 245248.

А13.Федосеев, А.А. Плагин геоинформационной системы для обработки интенсивности дорожного движения / С.В. Михеев, Д.А. Михайлов, О.А. Япрынцева, А.А. Федосеев // Новые информационные технологии в науч-

ных исследованиях : XVII Всероссийская научно-техн. конф. студентов, молодых ученых и специалистов. - Рязань : РГРТУ, 2012. - С. 194-195.

А14. Федосеев, А.А. Использование графа улично-дорожной сети для формирования маршрутов в геоинформационной системе / О.К. Головнин, Д.А. Михайлов, А.А. Федосеев, О.В. Сапрыкина // Новые информационные технологии в научных исследованиях : XVII Всероссийская научно-техн. конф. студентов, молодых ученых и специалистов. - Рязань : РГРТУ, 2012. - С. 207-208.

А15. Федосеев, А.А. Особенности нештатных изменений улично-дорожной сети / А.А. Осьмушин, Д.А. Михайлов, А.А. Федосеев, О.В. Сапрыкина // Новые информационные технологии в научных исследованиях : XVII Всероссийская научно-техн. конф. студентов, молодых ученых и специалистов. - Рязань : РГРТУ, 2012. - С. 210.

А16. Федосеев, А.А. Data Mining в анализе оценки статических объектов транспортной инфраструктуры / А.А.Федосеев, С.В. Михеев, О.Н. Сапрыкин, О.К. Головнин // Новые информационные технологии в научных исследованиях : материалы XVII Всероссийской научно -техн. конф. студентов, молодых ученых и спец. - Рязань : РГРТУ, 2012. - С. 241.

А17. Федосеев, А.А. Эффективность использования мультиспектральных и гиперспектральных данных дистанционного зондирования в задачах мониторинга окружающей среды / Г.П. Аншаков, Ю.Н. Журавель, А.А. Федосеев // Актуальные проблемы ракетно-космической техники (III Козловские чтения) : материалы всероссийской научно-техн. конф., - Самара : ФГУП «ГНПРКЦ «ЦСКБ-Прогресс», 2013. - С. 138-139.

А18. Федосеев, А.А. Гиперспектральный мониторинг статических объектов транспортной инфраструктуры / Т.И.Михеева, А.А. Федосеев // Перспективы развития и безопасность автотранспортного комплекса : II Междун. научно-практ. конф. - Кемерово : Кузбассвузиздат, 2012. - С. 175-177.

А19. Федосеев, А.А. Получение исходных данных для построения транспортной инфраструктуры с использованием Data Mining / А.А. Федосеев, Т.И.

Михеева, С.В. Михеев [Электронный ресурс] // Тез. докл. XX межд. конф. «Математика. Компьютер. Образование». - М:, 2013. - Режим доступа : http ://www.mce.su/rus/ archive/abstracts/mce20/sect101361.

А20. Федосеев, А.А. Модель пространственных данных оценки состояния объектов транспортной инфраструктуры в интеллектуальной ГИС «ITSGIS» / Т.И. Михеева, О.К. Головнин, А.А. Федосеев, О.А. Япрынцева // Геоинформационные технологии в проектировании и создании корпоративных информационных систем : межвузовский науч. сборник. - Уфа : Изд-во УГАТУ. - 2013. - С. 69-73.

А21. Федосеев, А.А. Автоматизация процесса построения дислокации дорожных объектов на электронной карте / Т.И. Михеева, О.А. Япрынцева, А.А. Федосеев // Организация и безопасность дорожного движения : материалы VI Всероссийской научно-практической конференции / отв. ред. В. И. Бауэр. - Тюмень : ТюмГНГУ, 2013. - С. 122-125.

А22. Fedoseev, A.A. Remote sensing data analysis via Data Mining for road infrastructure surveying / T.I. Mikheeva, A.A. Fedoseev, S.V. Mikheev // Proceedings of the International Conf. «Information Technologies for Intelligent Dec i-sion Making Support», Ufa, Russia, May 21-25, 2013. - P. 73-76.

А23. Федосеев, А.А. Синтез графа улично-дорожной сети при нештатных ситуациях / А.А. Осьмушин, А.В. Сидоров, О.А. Япрынцева, А.А. Федосеев // XII Королевские чтения : Международная молодёжная научная конференция: Тезисы докладов. - Самара : Издательство СГАУ. - 2013. -С. 230.

А24. Федосеев, А.А. Спектральная селекция объектов транспортной инфраструктуры / А.А. Федосеев, Т.И. Михеева, С.В. Михеев // Новые информационные технологии в научных исследованиях : материалы XVIII Всероссийской научно-технической конференции студентов, молодых ученых и специалистов. - Рязань : РГРТУ, 2013. - С. 242-243.

А25. Федосеев, А.А. Автоматизированный анализ объектов транспортной инфраструктуры на основе гиперспектрального ДЗЗ / А.А. Федосеев, Ю.Н.

Журавель // Современные проблемы дистанционного зондирования Земли из космоса : тезисы докладов Одиннадцатой всероссийской открытой конференции. - Москва : ИКИ РАН, 2013. - С. 395.

А26. Федосеев, А.А. Методы обработки гиперспектральных данных дистанционного зондирования при решении задач мониторинга объектов транспортной инфраструктуры / А.А. Федосеев, Ю.Н. Журавель // Перспективные информационные технологии (ПИТ 2013) - Самара : Издательство СНЦ РАН, 2013. - С. 248-252.

А27. Федосеев, А.А. Экспорт данных из ГИС «ITSGIS» в САПР «AUTOCAD / А.В. Сидоров, И.Г. Богданова, А.А. Федосеев, А.С. Токарев // Перспективные информационные технологии (ПИТ 2013) : труды Международной научно-технической конференции /под ред. С.А. Прохорова. - Самара : Издательство СНЦ РАН, 2013. - С. 264-267.

А28. Федосеев, А.А. Методы адаптивного формирования информационных систем анализа состояния сложных технических объектов / А.А. Осьмушин, С.В. Михеев, А.А. Федосеев // Информационные технологии интеллектуальной поддержки принятия решений (ITIDS'2014) : труды II Международной конференции (Уфа, 18-21 мая 2014 г.). - Уфа : Изд-во УГАТУ. -2014. - С. 155-159.

А29. Федосеев, А.А. Актуализация данных, представляемых в ITSGIS, на основе гиперспектрального ДЗЗ / А.А. Федосеев, А.А. Осьмушин, Т.И. Михеева // Информационные технологии интеллектуальной поддержки принятия решений (ITIDS'2014) : труды II Международной конференции. -Уфа : Изд-во УГАТУ. - 2014. - С. 135-139.

А30. Федосеев, А.А. Методы обработки гиперспектральных данных дистанционного зондирования при решении задач мониторинга объектов транспортной инфраструктуры / Т.И. Михеева, А.А. Федосеев // Перспективные информационные технологии (ПИТ 2014) : труды Международной научно-технической конференции / под ред. С.А. Прохорова. - Самара : Издательство СНЦ РАН, 2014. - C. 391-395.

А31. Федосеев, А.А. Создание паспорта автомобильных дорог Ульяновской области / М.Д. Маркова, И.Г. Богданова, В.А. Ключников, А.А. Федосеев // Актуальные проблемы автотранспортного комплекса // межвуз. сб. науч. статей. - Самара : Самар. гос. техн. ун-т, 2014. - С. 245-252.

А32. Федосеев, А.А. Адаптивный алгоритм обработки информации о состоянии транспортной сети / А.А. Осьмушин, А.А. Федосеев, И.Г. Богданова // Новые информационные технологии в научных исследованиях : материалы XIX Всероссийской научно-технической конференции студентов, молодых ученых и специалистов. - Рязань : РГРТУ, 2014. - С. 16-17.

А33. Федосеев, А.А. Построение модели транспортной инфраструктуры на основе пространственно-распределённых данных / А.А. Федосеев, А.А. Осьмушин, И.Г. Богданова // Новые информационные технологии в научных исследованиях : XIX Всерос. научно-техн. конф. студентов, молодых ученых и специалистов. - Рязань : РГРТУ, 2014. - С. 242.

А34. Федосеев, А.А. Методы обработки пространственно-распределённой спектральной информации об объектах транспортной инфраструктуры / А.А. Федосеев, А.Н. Тихонов // ИТ & ТРАНСПОРТ : Сборник научных статей. - Самара : Издательство ИНТЕЛТРАНС, 2015. - С 110-134.

А35. Федосеев, А.А. Метод обследования дорог с помощью полевого гиперспектрометра / А.А. Федосеев, Т.И. Михеева // Перспективы развития и безопасность автотранспортного комплекса : Материалы IV Междун. научно-практ. конференции, - г. Новокузнецк, 2014. - С. 310-320.

А36. Fedoseev, A.A. Constructing and intelligent analysis of transport infrastructure model on basis of spatial-distributed heterogeneous data / T.I. Mikheeva, A.A. Fedoseev, S.V. Mikheev // Proceedings of the International Conf. «Information Technologies for Intelligent Decision Making Support», Ufa, 2015. - P. 1-4.

А37. Федосеев, А.А. Построение модели транспортной инфраструктуры на основе разнородных пространственно-распределённых данных / А.А. Федосеев, Т.И. Михеева, С.В. Михеев // Перспективные информационные тех-

нологии (ПИТ 2015) : труды Международной научно-технической конференции. - Самара : Изд-во СНЦ РАН, 2015. - C. 123-126.

А38. Федосеев, А.А. Учёт параметров транспортной инфраструктуры на основе информации с беспилотных летательных аппаратов / А.А.Федосеев // ИТ & ТРАНСПОРТ : Сборник научных статей / под ред. Т.И. Михеевой. -Самара : ИНТЕЛТРАНС, 2015. - С 79-87.

А39. Федосеев, А.А. Интеллектуальная поддержка принятия решений построения модели объектов транспортной инфраструктуры / А.В. Сидоров, А.А. Федосеев, В.А. Ключников // Перспективные информационные технологии (ПИТ 2015) : труды Международной научно -технической конференции. - Самара : Изд-во СНЦ РАН, 2015. - C. 113-117.

А40. Федосеев, А.А. Система разработки проектов организации дорожного движения Waymark / В.А. Ключников, А.А. Федосеев, С.В. Михеев // Перспективные информационные технологии (ПИТ 2015) : труды Международной научно-технической конференции / под ред. С.А. Прохорова. - Самара : Издательство СНЦ РАН, 2015. - C. 82-86.

А41. Федосеев, А.А. Оперативное управление состоянием дорожно -транспортной инфраструктуры на основе данных дистанционного зондирования Земли / А.А. Федосеев // Актуальные проблемы ракетно-космической техники (IV Козловские чтения) : материалы всерос. научно-техн. конф. -Самара : АО «РКЦ «Прогресс», 2015. - С. 363-364.

А42. Федосеев, А.А. Целевое применение гиперспектральной информации с КА «Ресурс-П» / Ю.Н. Журавель, А.А. Федосеев // Системы наблюдения, мониторинга и дистанционного зондирования Земли : Материалы XII научно-техн. конференции. - Калуга : Манускрипт, 2015. - С. 87-94.

А43. Федосеев, А.А. Распознавание объектов транспортной инфраструктуры на гиперспектральных снимках методом глубинного машинного обучения / А.А. Федосеев, Т.И. Михеева, О.Н. Сапрыкин, Р.Р. Мингазов // Информационные технологии интеллектуальной поддержки принятия решений

(ITIDS'2016) : труды IV Международной конференции. - Уфа : Изд-во УГАТУ. - 2016. - С. 39-44. А44. Fedoseev, A. Recognition of urban transport infrastructure objects via hyper-spectral images / A.A. Fedoseev, O. Saprykin, T. Mikheeva // VEHITS 2016 : Proceedings of the International conference on vehicle technology and intelligent transport systems. Italy: SCITEPRESS, 2016. - P. 203-208. (Scopus) А45. Федосеев, А.А. Автоматизированная идентификация изменений конфигурации дорожной сети на основе материалов космической съёмки / Т.И. Михеева, А.А. Федосеев // Перспективные информационные технологии (ПИТ 2016) : труды Междун. научно-технической конференции /под ред. С.А. Прохорова. - Самара : Изд-во СНЦ РАН, 2016. - C. 663-667. А46. Федосеев, А.А. Имманентные свойства объектов транспортной инфраструктуры / А.А. Федосеев // ИТ & ТРАНСПОРТ : Сборник научных статей / под ред. Т.И. Михеевой. - Самара : ИНТЕЛТРАНС, 2016. - С. 12-22. А47. Федосеев, А.А. Метод синтеза тематического слоя транспортной сети на основе данных ДЗЗ из космоса / А.А. Федосеев // ИТ & ТРАНСПОРТ : Сборник научных статей / под ред. Т.И. Михеевой. - Самара : ИНТЕЛТРАНС, 2016. - С. 28-48.

Свидетельства о регистрации программ для ЭВМ

А48. Федосеев, А.А. Автоматизированная система формирования тематического слоя объектов транспортной инфраструктуры на основе данных дистанционного зондирования Земли / Т.И. Михеева, А.А. Федосеев, О.К. Головнин // Свидетельство о государственной регистрации программы для ЭВМ № 2017614046 от 05.04.2017. - М : Федеральная служба по интеллектуальной собственности, 2017.

Другие источники

1. Бабаян, П.В. Распознавание объектов на изображениях при наблюдении из космоса / П.В. Бабаян, А.Б. Фельдман [Электронный ресурс] // Вестник

РГРТУ. 2008. - №4, выпуск 26. - Режим доступа : http://www.rsreu.ru/ru.

2. Барсегян, А.А. Технологии анализа данных : Data Mining, Visual Mining, Text Mining, OLAP / А.А. Барсегян М.С. Куприянов, В.В. Степаненко, И.И. Холод. - СПб. : БХВ-Петербург, 2007. - 384 с.

3. Болдырев, Е.А. ИТ-инфраструктура научных исследований: методический подход и реализация / Е.А. Болдырев, Л.В. Массель, Н.Н. Макагонова, А.Н. Копайгородский, А.В. Черноусов // Вычислительные технологии . -Том 11, Специальный выпуск, 2006. - С. 59-68.

4. Бондур, В.Г. Дифференциация космического мониторинга объектов транспорта / В.Г. Бондур, В.Я. Цветков // Междун. электронный научный журнал «Перспективы науки и образования». - 2015. - №5 (17). - С. 130135.

5. Бондур, В.Г. Современные подходы к обработке больших потоков гиперспектральной и многоспектральной аэрокосмической информации / В.Г. Бондур // Исследование Земли их космоса. - 2014. - №1. - С.3-17.

6. Волкова, В.Н. Основы теории систем и системного анализа / В.Н. Волкова, А.А. Денисов // СПб. : Издательство СПбГТУ, 2001. - 512 с.

7. Глумов, Н.И. Задачи мониторинга среды обитания с использованием данных дистанционного зондирования Земли / Н.И. Глумов, А.Ю. Денисова, А.В. Кузнецов, В.В. Мясников, В.А. Федосеев // Перспективные информационные технологии дистанционного зондирования Земли. - Самара. -2015. - С. 177-236.

8. Головнин, О.К. Метод мониторинга автомобильных дорог средствами беспилотных летательных аппаратов / О.К. Головнин // Перспективы развития и безопасность автотранспортного комплекса : IV Междун. научно-практ. конф., - г. Новокузнецк, 2014. - С. 174-176.

9. Головнин, О.К. Поддержка принятия решений автоматической дислокации геообъектов транспортной инфраструктуры / О.К. Головнин, А.В. Сидоров, Д.А. Михайлов // Известия СНЦ РАН. - Самара : Изд-во СНЦ РАН, 2014. - Т. 16, №4(2). - С. 413-418.

10. Гонсалес, Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс. -М: Техносфера, 2005. - 1072 с.

11. ГОСТ Р 52289-2004 Технические средства организации дорожного движения. Правила применения дорожных знаков, разметки, светофоров, дорожных ограждений и направляющих устройств. - М. : Стандартинформ, 2006. 94 с.

12. Дегтярёв, С.В. Методы цифровой обработки изображений / С.В. Дегтярёв, С.С. Садыков, С.С. Тевс, Т.А. Ширабакина // Курск: КГТУ, 2001. - 167 с.

13. Зимичев, Е.А. Пространственная классификация гиперспектральных изображений с использованием метода кластеризации k-means++ / Е.А. Зимичев, Н.Л. Казанский, П.Г. Серафимович // Компьютерная оптика. -2014. - Т. 38, № 2. - С. 281-286.

14. Злобин, В.К. Обработка изображений в геоинформационных системах / В.К. Злобин, В.В. Еремеев, А.Е. Кузнецов. - Рязань : Рязан. гос. радио-техн. ун-т, 2008. - 264 с.

15. Ильясов, Б.Г. Проблемы информационного обеспечения систем анализа состояния природно-технических объектов на основе математико-геоин-формационного моделирования / В.Е. Гвоздев, Б.Г.Ильясов, С.В. Павлов, И.У. Ямалов // Проблемы управления и моделирования в сложных системах. - Самара : ИПУСС РАН, 2000. - С. 323-326.

16. Интеллектуальная транспортная геоинформационная система ITSGIS. Плагины / Т.И. Михеева, С.В. Михеев, О.К. Головнин, А.В. Сидоров, Е.А. Савинов, В.А. Ключников, Д.А. Алтухов, Н.А. Остроглазов, А.Н. Има-мутдинов. - Самара : Интелтранс, 2016. - Т.2. - 217 с.

17. Интеллектуальная транспортная геоинформационная система ITSGIS. Ядро / Т.И. Михеева, С.В. Михеев, О.К. Головнин, А.В. Сидоров, Е.А. Савинов. - Самара : Интелтранс, 2016. - Т.1. - 171 с.

18. Кашкин, В.Б. Дистанционное зондирование Земли из космоса / В.Б. Каш-кин, А.И. Сухинин // Цифровая обработка изображений : учеб. пособие. -М: Логос, 2001. - 264 с.

19. Коварцев, А.Н. Интеллектуализация формирования контекста для вывода понятийной структуры предметной области / А.Н. Коварцев, В.С. Смирнов, С.В. Смирнов // Информационные технологии и системы : труды конференции. - Челябинск : Челябинский государственный университет, 2015. - С. 90-91.

20. Кондранин, Т.В. Автоматизация обработки данных самолетного гиперспектрального зондирования / Т.В. Кондранин, В.В. Козодеров, Е.В. Дмитриев, В.Д. Егоров, В.В. Борзяк, А.А. Николенко // Современные проблемы дистанционного зондирования Земли из космоса. - 2012. - Т.9, № 5. - С. 312-319.

21. Копайгородский, А.Н. Фрактальный подход к проектированию архитектуры информационных систем / А.Н. Копайгородский, Л.В. Массель // Вестник ИрГТУ. - 2010. - №6 (46). - С. 8-12.

22. Кораблин, М.А. Сравнение прогностических возможностей алгоритмов поддержки принятия решений при определении лояльности клиента компании-оператора сотовой связи / М.А. Кораблин, С.В. Пальмов // Мобильные системы. - 2005. - №8. - С. 32-35.

23. Круглов, В.В. Искусственные нейронные сети. Теория и практика / В.В. Круглов, В.В. Борисов. - М. : Горячая линия - Телеком, 2001. - 328 с.

24. Кузин, В.С. Технический учёт, паспортизация дорог и дорожных сооружений / В.С. Кузин, Б.И. Дагаев // Успехи современного естествознания // Материалы конференций. - 2014. - № 7. - С. 92-94.

25. Кузнецов, П.К. Математическая модель формирования видеоданных, получаемых с использованием сканирующей съемки / П.К Кузнецов, Б.В. Мартемьянов // Известия СНЦ РАН. - 2014. - Т.16, № 6 - С. 292-299.

26. Кухаренко, Б.Г. Алгоритмы анализа компонент гиперспектральных изображений / Б.Г. Кухаренко // Приложение к журналу «Информационные технологии». - 2013. - № 6. - 32 с.

27. Леонович, И.И. Концепция управления качеством автомобильных дорог / И.И. Леонович, Е.В. Кашевская // Вестник БНТУ. - 2006.-№3.-С. 5-13.

28. Макагонова, Н.Н. Методический подход к построению онтологического пространства, основанный на использовании фрактальной стратифицированной модели / Н.Н. Макагонова // Информационные и математические технологии в науке и управлении // Труды XVII Байкальской Всероссийской конф., т. III. - Иркутск : ИСЭМ СО РАН, 2012. - С. 81-86.

29. Маркуц, В.М. Фотограмметрический метод определения параметров транспортных потоков [Электронный ресурс] / В.М. Маркуц. - Режим доступа: http://markuts-v.narod.ru/index/0-14.

30. Массель, Л.В. Методический подход к интеграции данных дистанционного зондирования Земли на основе методов интеграции данных и знаний в системных исследованиях энергетики / Л.В. Массель, А.Н. Копайгород-ский // Обработка пространственных данных и дистанционный мониторинг природной среды и масштабных антропогенных процессов (DPRS'2013) : избранные труды конференции // Рос. акад. наук, Сиб. отделение, Ин-т водных и экологических проблем. - Барнаул : Пять плюс, 2013. - С. 4-13.

31. Местецкий, Л.М. Скелетизация многосвязной многоугольной фигуры на основе дерева смежности её границы / Л.М. Местецкий // Сибирский журнал вычислительной математики. - 2006. - Т. 9, № 3. - С.201-216.

32. Михеев, С.В. Архитектура геоинформационной справочной системы объектов городской инфраструктуры [Электронный ресурс] / С.В. Михеев, А.В. Сидоров, О.К. Головнин, Д.А. Михайлов // Современные проблемы науки и образования. - 2013. - № 3. - Режим доступа : http://www.science-education.ru/pdf/2013/3/459.pdf.

33. Михеев, С.В. Нейросетевые модели разнородных пространственно -координированных данных / Т.И. Михеева, О.Н. Сапрыкин, С.В. Михеев // Программные продукты и системы, 2012. - №3. - С. 55-58.

34. Михеева Т.И. Паттерны проектирования сложноорганизованных систем / Т.И. Михеева, С.В. Михеев, О.К. Головнин, О.Н. Сапрыкин // - Самара : Интелтранс, 2015. - 216 с.

35. Михеева, Т.И. Структурно-параметрический синтез интеллектуальных транспортных систем / Т.И. Михеева. - Самара : Самар. науч. центр РАН, 2010. - 380 с.

36. Михеева, Т.И. Управление транспортной инфраструктурой / Т.И. Михеева, С.В. Михеев, О.Н. Сапрыкин. - Самара : Интелтранс, 2015. - 173 с.

37. Михеева, Т.И. Построение математических моделей объектов улично -дорожной сети города с использованием геоинформационных технологий / Т.И. Михеева // Информационные технологии. - 2006. - №1. - С. 69-75.

38. Модуль учёта геометрических параметров проезжей части. Руководство пользователя [Электронный ресурс]. - Режим доступа: http://itsgis.ru /frontend/web/docs/WayMark.pdf.

39. Мясников, В.В. Метод обнаружения транспортных средств на цифровых аэрофото- и космических изображениях дистанционного зондирования Земли / В.В. Мясников // Компьютерная оптика. - 2012. - Т. 36, № 3. -С. 429-438.

40. Мясников, В.В. Сравнение алгоритмов управляемой поэлементной классификации гиперспектральных изображений / А.В. Кузнецов, В.В. Мясников // Компьютерная оптика. - 2014. - Т. 38, № 3. - С. 494-502.

41. Никольский, Д.Б. Передовые направления в обработке и применении радиолокационных данных /Д.Б. Никольский //Геоматика, 2008, №1.С.21-24.

42. Осовский, С. Нейронные сети для обработки информации / С. Осовский. -М : Финансы и статистика, 2004. - 344 с.

43. Павлов, С.В. Обработка пространственной информации на основе методов нечеткой логики при размещении отходов промышленных предприятий / С.В. Павлов, А.Х. Абдуллин, З.Л. Давлетбакова // Вестник УГАТУ. -2014. - Т. 18, № 1. - С. 106-113.

44. Патент US006011875A. Process for enhancing the spatial resolution of multi-spectral imagery using pan-sharpening / Laben et al. - №6,011,875; заявлено 29.04.1998; опубл. 04.01.2000. - 9 с.

45. Перспективные информационные технологии дистанционного зондирования Земли /под ред. В.А. Сойфера.-Самара: Новая техника, 2015.-256с.

46. Петров, А.В. Инвентаризация, паспортизация и диагностика автомобильных дорог / А.В. Петров // Дорожная техника. - 2008. - С. 38-42.

47. Правила диагностики и оценки состояния автомобильных дорог [Электронный ресурс] : ОДН218.0.006-2002 : [отраслевые дорожные нормы : приняты и введены в действие распоряжением Министерства транспорта Российской Федерации от 3 окт. 2002 г. № ИС-840-р]. - Режим доступа: http://base.consultant.ru/cons/cgi.

48. Претт, Э. Цифровая обработка изображений / Э. Претт. - [Пер. с англ. Д.С. Лебедева]. - М.: Мир, 1982. - 576 с.

49. Прохоров, С.А. Исследование алгоритмов инициализации весов многослойного персептрона для решения задачи прогнозирования / Прохоров С.А., Лёзина И.В., Хохлова В.С. // Вестник транспорта Поволжья. - 2013. - № 3 (39). - С. 82-88.

50. Профессиональный информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных [Электронный ресурс]. - Режим доступа: machinelearning.ru.

51. Пуртов, А.М. Разработка геоинформационной системы для анализа автотранспортных сетей / А.М. Пуртов // Вестник Сибирской государственной автомобильно-дорожной академии. - 2013. - № 1 (29). - С. 89-95.

52. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечёткие системы / Д. Рутковская, М. Пилиньский, Л. Рутковский // М : Горячая линия. - Телеком, 2004. - 452 с.

53. Сааренкето, Т. Мониторинг состояния дорог с низкой интенсивностью движения : пер. на русский язык / Т. Сааренкето. - Архангельск : Автодорожный Консалтинг, 2006. - 35 с.

54. Сапрыкин, О.Н. Построение геоинформационной математической модели транспортной инфраструктуры / Михеева Т.И., Сапрыкин О.Н., Сапрыкина О.В. // Известия СНЦ РАН. - Самара : Изд-во СНЦ РАН, 2014. - Т. 16,

№4(2). - С. 409-412.

55. Сапрыкина, О.В. Адаптирующийся меметический алгоритм оптимизации конфигурации улично-дорожной сети [Электронный ресурс] / О.В. Сапрыкина, О.Н. Сапрыкин // Современные проблемы науки и образования.

- 2014. - № 5. - Режим доступа : http://www.science-education.ru/ru/article.

56. Сарычев, Д.С. Создание информационных моделей автомобильных дорог информационной системы на их основе / Д.С. Сарычев, С.П. Крысин, А.В. Скворцов [Электронный ресурс]. Режим доступа : http://ict.edu.ru/ft/004466/51 .pdf.

57. Сарычев, Д.С. Проект дорожной методики по сбору, хранению и обновлению данных ГИС / Д.С. Сарычев // САПР и ГИС автомобильных дорог.

- 2014. - № 2 (3). - С. 103-109.

58. Сергеев, В.В. Анализ и обработка изображений, получаемых при наблюдениях Земли из космоса / В.В. Сергеев // Компьютерная оптика. - 2006. -№1. - С. 41-57.

59. Скворцов, А.В. Геоинформационные системы в дорожной отрасли (на примере IndorGIS) / А.В. Скворцов, П.И. Поспелов, С.П. Крысин - М : Изд-во МАДИ, 2005. - 389 с.

60. Смирнов, С.В. Онтологическое моделирование в ситуационном управлении / С.В. Смирнов // Онтология проектирования.- 2012. - № 2.-С. 16-24.

61. Сойфер, В.А. Методы компьютерной обработки изображений / 2-е изд., испр. - М : ФИЗМАТЛИТ. 2003. - 784 с.

62. Справка по ArcGIS 10.1 [Электронный ресурс]. - Режим доступа : http ://resources. arcgis. com/ru/help.

63. Субботин, С.А. Интеграция технологий ГИС и САПР при создании информационной системы автомобильных дорог / С.А. Субботин, Д.С. Сарычев, А.В. Скворцов [Электронный ресурс]. - Режим доступа : http://cyberleninka.ru/article.

64. Тимофеев, Ю.М. Основы теоретической атмосферной оптики / Ю.М. Тимофеев, А.В. Васильев // СПб : Научно-образовательный центр «Модели-

рование и мониторинг геосфер», 2007. - 152 с.

65. Фурман, Я.А. Введение в контурный анализ; приложения к обработке изображений и сигналов / Я.А. Фурман // М : ФИЗМАТЛИТ, 2003. - 592с.

66. Фурсов В.А. Реализация распределенной системы многопоточной обработки изображений с использованием технологии CUDA / С.А. Бибиков,

A.В. Никоноров, В.А. Фурсов // Санкт-Петербург, 22-25 июня 2009 г. Санкт-Петербург : СПбГУ ИТМО. - 2009. - С. 423-425.

67. Фурсов, В.А. Тематическая классификация гиперспектральных изображений по показателю сопряжённости / В.А. Фурсов, С.А. Бибиков, О.А. Байда // Компьютерная оптика. - 2014. - Т. 38, №1. - С. 154-158.

68. Цветков, В.Я. Информационные модели и геоинформационные модели /

B.Я. Цветков // Образовательные ресурсы и технологии. - 2016. - № 3 (15). - С. 114-120.

69. Чандра, А.М Дистанционное зондирование и географические информационные системы / А.М. Чандра, С.К. Гош. - М : Техносфера, 2008. - 288 с.

70. Чернов, А.В. Мониторинг с помощью ДДЗ и практика регионального управления / А.В. Чернов // Земля из космоса : наиболее эффективные решения. - 2010. - № 7. - С. 19-27.

71. Шинкевич, Д.Н. Методика создания кадастровых планов автомобильной дороги с использованием аэрофотосъёмки / Д.Н. Шинкевич [Электронный ресурс]. - Режим доступа : http://cyberleninka.ru/article.

72. Шовенгердт Р.А. Дистанционное зондирование : методы и модели обработки изображений / Шовенгердт Р.А.; Кирюшин А.В., Демьяников А.И. (пер. с англ.). - М : Техносфера, 2013. - 589 с.

73. Щербаков, М.В. Проблемы проектирования систем прогнозирования эксплуатационного состояния автомобильных дорог на основе нечётких нейронных сетей / М.В. Щербаков, Д.А. Скоробогатченко, А.А. Авдеев, М.А. Аль-Гунаид // Известия Волгоградского государственного технического университета : межвуз. сб. научн. ст. № 3(76) / ВолГТУ. Волгоград : ИУНЛ ВолгГТУ, 2011. - С. 82-87.

74. Abdel-Hamid, O. Applying convolutional neural networks concepts to hybrid NN-HMM model for speech recognition / O. Abdel-Hamid, A.R. Mohamed, H. Jiang, G. Penn // Proceedings of the IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP'12), IEEE. -2012. - P. 42774280.

75. Abe, B. Hyperspectral image classification using random forests and neural networks / B. Abe [et al.] [Электронный ресурс]. - Режим доступа : http://www.iaeng.org/publication/WCECS2012/WCECS2012_pp522.pdf.

76. Ahmadizadeh, S. Land use change detection using remote sensing and artificial neural network: Application to Birjand, Iran / S. Ahmadizadeh, M. Yousefi, M. Saghafi // Computational ecology and software.-2014.-Vol.4, №4.- P.276-288.

77. Attri, P. Remote sensing & GIS based approaches for LULC change detection - a review / P. Attri, S. Chaudhry, S. Sharma // International journal of current engineering and technology. - 2015. - Vol. 5, No. 5. - 12 p.

78. Aytekin, O. Unsupervised building detection in complex urban environments from spectral satellite imagery / O. Aytekin, A. Erener, I. Ulusoy, H. Duzgun // International journal of remote sensing. - 2012. - Vol. 33, № 7. - P. 21522177.

79. Benediktsson, J.A. Classification of hyperspectral data from urban areas based on extended morphological profiles / J.A. Benediktsson, J.A. Palmason, J.R. Sveinsson // IEEE Transactions on Geoscience and Remote Sensing. - 2005. -Vol. 43, No. 3. - P. 480-491.

80. Camps-Valls, G., Kernel-based methods for hyperspectral image classification / G. Camps-Valls, L. Bruzzone // IEEE Transactions on Geoscience and Remote Sensing. - 2004. - Vol. 43 (6). - P. 1351-1362.

81. Canny, J.F. A Computational Approach to Edge Detection / J.F. Canny // IEEE Trans. Pattern Recognition and Machine Intelligence // Vol. 8, No.6. - 1986. -P. 679-698.

82. Cavalli, R. Hyperspectral Sensor Data Capability for Retrieving Complex Ur-

ban Land Cover in Comparison with Multispectral Data : Venice City Case Study (Italy) / R. Cavalli, L. Fusilli, S. Pascucci, S. Piguatti, F. Santini // Sensors. - 2008. - Vol. 8. - P. 3299-3320.

83. Chang, C.I. Independent component analysis-based dimensionality reduction with applications in hyperspectral image analysis / C.I. Chang // Geoscience and Remote Sensing, IEEE Transactions on. - 2006.- Vol. 44, № 6. - P. 15861600.

84. Chelghoum, N. A decision tree for multi-layered spatial data / N. Chelghoum, K. Zeitouni, A. Boulmakoul // Advances in Spatial Data Handelling: 10th Intern. Symposium on Spatial Data Handling.-London: Springer, 2001.- P.1-10.

85. Chisense, C. Classification of roof materials using hyperspectral data / C. Chisense, M. Hahn, J. Engels // International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. - 2012. - Vol. 39, No. B7. -P. 103-107.

86. Csatho, J.F. Multi-sensor data fusion for automatic scene interpretation / J.F. Csatho, A.F. Schenk // International archives of photogrammetry and remote sensing. - 1998. - Vol. 7. - P. 336-341.

87. Deriche, R. Using Canny's Criteria to Derive a Recursively Implemented Optimal Edge Detector [Text] / R. Deriche // Computer Vision. - Vol. 1, No. 2, 1987. - P. 167-187.

88. Ding, L. On the Canny edge detector [Электронный ресурс} / L. Ding, A. Goshtasby. - Режим доступа: http://soe.rutgers.edu/~meer/TEACH/ADD/ cannyedge.pdf.

89. Dong, J. Advances in Multi-Sensor Data Fusion : Algorithms and Applications / J. Dong [et al.] // Sensors. - 2009. - Vol. 9, No. 10 - P. 7771-77784.

90. Ehlers, M. CEST analysis: automated change detection from very-high-resolution remote sensing images / M Ehlers [et al.] // Archives of XXII ISPRS Congress. - 2012. - P. 317-322.

91. Elder, J.H. Local Scale Control for Edge Detection and Blur Estimation / James. H. Elder, Steven W. Zuckler // IEEE Transactions on Pattern Analysis

and Machine Intelligence. - Vol. 20, No 7. - 1998. - P. 699-716.

92. Farah, I. A Multiviews Approach for Remote Sensing Fusion Based On Spectral, Spatial And Temporal Information [ Электронный ресурс]. - Режим доступа : http ://www.intechopen.com/books/image-fusion.

93. Feature Analyst [Электронный ресурс]. - Режим доступа: http://www.dataplus.ru/soft/erdas/featurean.html от 20.11.2016.

94. Fiset, R. Map-image matching using a multi-layer perceptron: the case of the road network / R. Fiset [et al.] // ISPRS journal of photogrammetry and remote sensing. - 1998. - Vol. 53 (2). - P. 76-84.

95. Foody, G. Status of land cover classification accuracy assessment / G. Foody // Remote sensing of environment. - 2004. - Vol. 80 (1). - P. 185-201.

96. Fukushima, K. Neocognitron: a hierarchical neural network capable of visual pattern recognition / K. Fukushima // Neural Networks. - 1988. - Vol. 1, №. 2. - P. 119-130.

97. Gamba, P. Urban remote sensing using multiple data sets : Past, present, and future / P. Gamba, F. Acqua, Dasarathy B. // Information Fusion. - 2005. -Vol. 6, No. 4. - P. 319-326.

98. Gao, J. Automatic extraction of road networks in urban areas from Ikonos imagery based on spatial reasoning [Электронный ресурс] / J. Gao, L. Wu. -Режим доступа: http://www.isprs.org/proceedings/XXXV/congress/comm3/ papers/290.pdf.

99. Ghasemloo, N. Road and tunnel extraction from SPOT satellite images using neural networks / N. Ghasemloo [et al.] // Journal of geographic information system. - 2013, Vol. 5. - P. 69-74.

100. Gomez, R.B. Hyperspectral imaging: a useful technology for transportation analysis / R.B. Gomez // Optical Engineering, Vol. 41 No. 9, September 2002. - P. 2137-2143.

101. Gualtieri, J.A. Support vector machines for hyperspectral remote sensing classification / J.A. Gualtieri, R.F. Cromp //The 27th AIPR Workshop: Advances in Computer-Assisted Recognition. - International Society for Optics and Pho-

tonics, 1999. - P. 221-232.

102. Hallmark, S. Evaluating remotely sensed images for use in inventorying roadway infrastructure features / S. Hallmark [et. al.] [Электронный ресурс]. -Режим доступа : http://lib.dr.iastate.edu/cgi/viewcontent.cgi?article=1177 &context=intrans_reports.

103. Han, J. Data Mining: Concepts and Techniques / J. Han, M Kamber, J. Pei. -San Francisco : Morgan Kaufmann Publishers, 2012. - 703 p.

104. Hardin, P. Hyperspectral remote sensing of urban areas / P. Hardin, A. Hardin // Geography Compass. - 2013. - Vol. 7, No. 1. - P. 7-21.

105. Herold, M Spectrometry and hyperspectral remote sensing of urban road infrastructure [Электронный ресурс] / M Herold, M Gardner, V. Noronha, D. Roberts. - Режим доступа : http://www.eo.uni-jena.de/~c5hema/pub.

106. Hoppe, E. Transportation infrastructure monitoring using satellite remote sensing [Электронный ресурс] / E. Hoppe [et al.]. - Режим доступа : http://tra2014.traconference.eu/papers/pdfs/TRA2014_Fpaper_18160.pdf.

107. Hu, W. Deep Convolutional Neural Networks for Hyperspectral Image Classification [Электронный ресурс] / W. Hu [et al]. - Режим доступа: http://downloads.hindawi.com/journals/js/2015/258619.pdf.

108. Hussain, M Change detection from remotely sensed images: From pixel-based to object-based aproaches / M Hussain [et al.] // ISPRS Journal of photogrammetry and remote sensing. - 2013. - Vol. 80. - P. 81-106.

109. Intergraph Products [Электронный ресурс]. - Режим доступа: http://www.intergraph.com/sgi/products/ от 24.11.2016.

110. Ivakhnenko G.A. An Analogues Complexing Algorithm for Self-Organization of Double-Multilayer Neural Networks // USiM - 2003. No. 2. - P. 100-106.

111. Jensen, J.R. Remote sensing of urban/suburban infrastructure and socioeconomic attributes / J.R. Jensen, D.C. Cowen // Photogrammetric engineering & remote sensing. - 1999. - Vol. 65, No. 5. - P. 611-622.

112. Jin, H. Road feature extraction from high-resolution aerial images upon rural regions based on multi-resolution image analysis and Gabor filters [ Электрон-

ный ресурс] / H. Jin [et al.]. - Режим доступа: http://cdn.intechopen.com/pdfs-wm/37525.pdf.

113. Jin, H. Road network extraction with new vectorization and pruning from highresolution RS images [Электронный ресурс] / H. Jin, Y. Feng, B. Li. - Режим доступа: http://eprints.qut.edu.au/31180/1/c30110.pdf.

114. Karaman, E. A new algorithm for automatic road network extraction in multi-spectral satellite images / E. Karaman [et al.] // Proceedings of the 4th GEOBIA, May 7-9, 2012, Rio de Janeiro, Brasil. - P. 455-459.

115. Kaufmann, H. Determination of robust spectral features for identification of urban surface materials in hyperspectral remote sensing data / U. Heiden, K. Segl, S. Roessner, H. Kaufmann // Remote Sensing of Environment. - 2007. Vol. 111, No. 4. - P. 537-552.

116. Keshava, N. A Survey of Spectral Unmixing Algorithms / N. Keshava // Lincoln Laboratory Journal. - 2003. - Vol. 14, No 1. - P. 55-78.

117. Kumagai, J. Road extraction from high-resolution commercial satellite data [Электронный ресурс] / J. Kumagai, H. Zhao, M. Nakagawa, R. Shibasaki. -Режим доступа : https://crisp.nus.edu.sg/~acrs2001/pdf/280KUMAGAI.pdf.

118. Kumar, M Road network extraction from high-resolution multispectral satellite imagery based on object oriented techniques / M Kumar [et al.] // ISPRS Annals of the photogrammetry, remote sensing and spatial information sciences. -Vol. II-8. - P. 107-110.

119. Kupriyanov, A.V. Land use/cover change detection through remote sensing and GIS techniques: a case study of Astrakhan, Russia // A.V. Kupriyanov, K. Choudhary., MS. Boori // Информационные технологии и нанотехнологии - 2016, Самара, 17-19 мая 2016. Самара: СамНЦ РАН, 2016. - P. 503-509.

120. LeCun, Y. Efficient BackProp / Y. LeCun [et al.] [Электронный ресурс]: -http://yann.lecun.com/exdb/publis/pdf/lecun-98b.pdf.

121. Lippmann, R.P. An Introduction to Computing with Neural Nets [ Электронный ресурс]. - Режим доступа: https://pdfs.semanticscholar.org.

122. Lu, D. A comparison of multisensor integration methods for land cover classi-

fication in the Brasilian Amazon / D. Lu [et al.] // GIS Science & Remote, Vol. 48, No. 3. - 2011. - P. 345-370.

123. Maretto, R. Spectral attributes selection based on Data Mining for remote sensing image classification / R. Maretto [et al.] // Proceedings XVII GEOINFO. -2015. - P. 155-161.

124. Mas, J.F. The application of artificial neural networks to the analysis of remotely sensed data / J.F. Mas, J.J. Flores // International Journal of Remote Sensing, Vol. 29, No. 3. - 2008. - P. 617-663.

125. Mei, A. Integration of field and laboratory spectral data with multi-resolution remote sensed imagery for asphalt surface differentiation / A. Mei, R. Salvatori, N. Fiore, A. Allegrini, A. D'Andrea // Remote sensing. - 2014. - Vol. 6. - P. 2765-2781.

126. Mena, J.B. State of the art on automatic road extraction for GIS update: a novel classification / J.B. Mena // Pattern recognition letters. - 2003. - Vol. 24. - P. 3037-3058.

127. Miller, H.J. Geographic data mining and knowledge discovery: an overview / H.J. Miller, J. Han // London and NY : Taylor & Francis, 2001. - P. 3-32.

128. Miraliakbari, A. Development of multi-sensor system for road condition mapping / A. Miraliakbari, M. Hahn // The International archives of the photo-grammetry, remote sensing and spatial information. 2014. Vol. XL-1. - P. 265272.

129. Pohl, C. Multisensor image fusion in remote sensing : concepts, methods and application/ C. Pohl, J. Van Genderen// Remote sensing. - 1998. - Vol. 19, No. 5. - P. 823-854.

130. Ratle, F Semisupervised neural networks for efficient hyperspectral image classification / F. Ratle, G. Camps-Valls, J. Weston // IEEE Transactions on Geo-science and Remote Sensing - 2010. - Vol. 48, No. 5. - P. 2271-2282.

131. Resende, M. Monitoring the condition of roads pavement surfaces : proposal of methodology using hyperspectral images / M. Resende, L. Bernucci, J. Quin-tanilha // Journal of Transport Literature. - 2014. - Vol. 8, No. 2. - P. 201-220.

132. Roberts, D. Spectrometry for urban area remote sensing - development and analysis of a spectral library from 350 to 2400 nm / M. Herold, D. Roberts, M. Gardner, P. Dennison // Remote sensing of environment.-2004.-Vol. 9.-P.304

- 319.

133. Robila, S. Spectral matching accuracy in processing hyperspectral data / S. Robila, A. Gershman // IEEE Transactions on Geoscience and Remote Sensing. -2005. - P. 163-166.

134. Rodarmel, C. Principal component analysis for hyperspectral image classification / C. Rodarmel, J. Shan // Surveying and Land Information Science. - 2002.

- Vol. 62, No 2. - P. 115-122.

135. Roessner, S. Potential of hyperspectral remote sensing for analyzing the urban environment / S. Roessner [et al.] // Urban Remote Sensing: Monitoring, Synthesis and Modeling in the Urban Environment. - 2011. - P. 49-61.

136. Ruder, S. An overview of gradient descent optimization algorithms [Электронный ресурс] / S. Ruder. - Режим доступа : http://sebastianruder.com /optimizing-gradient-descent/index.html.

137. Rumelhart, D.E. Learning representations by back-propagating errors / D.E. Rumelhart, G.E. Hinton, R.J. Williams // Nature. - 1986. - Vol. 323. - P.533-536.

138. Sainath, T.N. Deep convolutional neural networks for LVCSR / T.N. Sainath, A.R. Mohamed, B. Kingsbury, B. Ramadhadran // Proceedings of the 38th IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP '13), IEEE, Vancouver, Canada. - 2013. - P. 8614-8618.

139. Saprykin, O. Multilevel modelling of urban transport infrastructure / O. Saprykin, O. Saprykina // VEHITS 2015 : Proceedings of the International conference on vehicle technology and intelligent transport systems. - Lisbon (Portugal) : SCITEPRESS, 2015. - P. 78-82.

140. Schott, J. Remote sensing : the image chain approach / J. Schott // Oxford University Press, 2007. - 666 p.

141. Schurmann, J. Pattern classification: a unified view of statistical and neural ap-

proaches / J. Schurmann // John Wiley & Sons. - 1996. - 373 p.

142. Shafri, H. Hyperspectral Remote Sensing of Urban Areas: An Overview of Techniques and Applications / H. Shafri [et. al.] // Research Journal of Applied Sciences, Engineering and Technology. - 2012. - No. 4 (11). - P. 1557-1565.

143. Simard, P.Y. Best practices for convolutional neural networks applied to visual document analysis / P.Y. Simard, D. Steinkraus, J.C Platt // Proceedings of the 7th International Conference on Document Analysis and Recognition, Vol. 2, IEEE Computer Society, Edinburgh, UK, 2003 - P. 958-963.

144. Song, W. An integrated approach of automatic road extraction and evaluation from remotely sensed imagery [Электронный ресурс] / W. Song, T. Haith-coat, D. Hipple. - Режим доступа: http://icaci.org/files/documents/ ICC_ proceedings/ ICC2001/icc2001/file/f11071 .pdf.

145. Souleyrette, R. Remote sensing change analysis methodology to support traffic monitoring programs: phase 2 / R. Souleyrette [et al.] // Final report, Iowa state university. - 2004. - 28 p.

146. Spatial-analyst.net [Электронный ресурс]. - Режим доступа: http://spatial-analyst.net/ILWIS/htm/ilwismen/confusion_matrix.htm.

147. Sun, W. An automated approach for constructing road network graph from multispectral images [Электронный ресурс] / W. Sun, D. Messinger. - Режим доступа: http://proceedings.spiedigitallibrary.org/proceeding.aspx.

148. Szegedy, C. Going Deeper with Convolutions [Электронный ресурс] / C. Szegedy [et al.] Режим доступа: http://www.cv-foundation.org/openaccess /content_cvpr_2015/app/1A_001 .pdf.

149. Tikhonov, A.N. Solutions of 111 Posed Problems / A.N. Tikhonov, V.Y. Arsenin. - WH Winston. - Washington DC, 1977. - 54 p.

150. Trinder, J. Knowledge-based road interpetation in aerial images [Электронный ресурс] / J. Trinder, Y. Wang. - Режим доступа: http://www.isprs.org/ proceedings /XXXII/part4/yandong61.pdf.

151. Tuomen, J. Detection of Environmental Change Using Hyperspectral Remote Sensing at Olkiluoto Repositiry Site [Электронный ресурс]. - Режим

доступа: / J. Tuomen, T. Lipping. - Режим доступа: http://www.iaea.org/inis /collection/NCLCollectionStore/ Public/43/066/43066687.pdf.

152. van Vliet, L. An Edge Detection Model Based on Nonlinear Laplace Filtering. Pattern Recognition and Artificial Interlligence / L. van Vliet, I. Young, A. Beckers // Vol. 7. - 1988. - P. 63-73.

153. Verbeek, P. On the Local Error of Curved Edges in Low-Pass Filtered 2-D and 3D Images / P. Verbeek, L. van Vliet // IEEE Trans. Pattern Recognition and Machine Intelligence. - Vol. 16, No7. 1994. - P. 726-733.

154. Vosselman, G. Updating road maps by context reasoning / G. Vosselman, M Gunst // Extraction of man made objects from aerial and space images. -Vol. 2. - P. 267-276.

155. Wang, J. Knowledge-based detection and assessment of damaged roads using post-disaster high-resolution remote sensing image / J. Wang [et al.] // Remote sensing. -2015. - Vol. 7. - P. 4948-4967.

156. Wang, L. Road extraction from remote sensing image based on multiresolution analysis [Электронный ресурс] / L. Wang [et al.]. - Режим доступа: http://www.isprs.org/publications/related/ISRSE/html/papers/274.pdf.

157. Wang, R. Extraction of road networks using pan-sharpened multispectral and panchromatic QuickBird images [ Электронный ресурс] / R. Wang, Y. Hu, X. Zhang. - Режим доступа : http://www.ucalgary.ca/rswang/files/rswang/ geo-maticaaccepted.pdf.

158. Wang, Y. Automatic road extraction of urban area from high spatial resolution remotely sensed imagery / Y. Wang, X. Li, L. Zhang, W. Zhang // The international archives of the photogrammetry, remote sensing and spatial information sciences. - 2008. - Vol. 37, Part B6b. - 6 p.

159. Waxman, A. Information fusion for image analysis : Geospatial foundations for higher-level fusion [Электронный ресурс] / A. Waxman [et al.]. - Режим доступа : //techlab.bu.edu/members/gail/articles/139_Info_Fusion_2002_.pdf.

160. Wei, J. Survey and analysis of land satellite remote sensing applied in highway transportations infrastructure engineering [Электронный ресурс] / J. Wei, G.

Zhou, Z. Zheng. - Режим доступа : http://www.asprs.org/a7 publications/ pro-ceedings/baltimore09/0102.pdf.

161. Wen, X. An Unsupervised Classification Method for Hyperspectral Remote Sensing Image Based on Spectral Data Mining / X. Wen, X. Yang // Advances in Data Mining Knowledge Discovery and Applications. - 2012 - Vol. 6. - P. 143-154.

162. Williamson, R.A. Remote sensing and transportation security [Электронный ресурс] / R.A. Williamson. - Режим доступа: www.isprs.org/proceedings/ XXXIV/part1/paper/00082.pdf.

163. Yang, T. Road vector map change monitoring based on high resolution remote sensing images / T. Yang, L. Zhang, H. Wang, Y. Zhang // Advances in remote sensing. - 2014. - Vol. 3. - P. 272-279.

164. Yang, X. Information mining From Remote Sensing Imagery Based on Multi-Scale and Multi-Feature Processing Techniques / X. Yang [et al.] // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. - Vol. 38, Part II. - P. 158-161.

165. Yanli, Y. Study of environmental change detection using remote sensing and GIS application: a case study of Northern Shaanxi Province, China / Y. Yanli, M Jabbar, J. Zhou // Pol. J. Environ. Stud. -2012.-Vol.21, №. 3. - P. 783-790.

166. Zeiler, M.D. Visualizing and Understanding Convolutional Networks [Электронный ресурс] / M. D Zeiler, R. Fergus. - Режим доступа : https://www.cs.nyu.edu/~fergus/papers/zeilerECCV2014.pdf.

167. Zhang, C. Monitoring the Condition of Unpaved Roads with Remote Sensing and Other Technology [Электронный ресурс] / C. Zhang. - Режим доступа : http://ntl.bts.gov/lib/42000/42300/42378/FinalReport.pdf.

168. Zhang, L. On combining multiple features for hyperspectral remote sensing image classification / L. Zhang [et al.] // Geoscience and Remote Sensing, IEEE Transactions on. - 2012. - Vol. 50, No. 3. - P. 879-893.

169. Zhang, Q. Automatic road change detection and GIS updating from high spatial remotely-sensed imagery [Электронный ресурс] / Q. Zhang, I. Couloigner. -

Режим доступа: http://www.dupad.hku.hk/cusup/asiagis/ Full_Paper/ Zhang_ Qiaoping.pdf.

170. Zhang, T. A Fast Parallel Algorithms For Thinning Digital Patterns // T. Zhang, C. Suen C., Y. Ching // Communication of the ACM. - 1984. - Vol. 27, No. 3. - P. 236-239.

171. Zhang, Y. Texture-Integrated Classification of Urban Treed Areas in HighResolution Color-Infrared Imagery / Y. Zhang // Photogrammetric Engineering & Remote Sensing. - 2001. - Vol. 67, No. 12. - P. 1359-1365.

172. Zheng, L. Urban sensing by hyperspectral data [Электронный ресурс] / L. Zheng [et al.]. Режим доступа : https://crisp.nus.edu.sg/~acrs2001/pdf/ 306ZHENG.pdf.

ПРИЛОЖЕНИЕ А МЕТОДЫ КЛАССИФИКАЦИИ ГИПЕРСПЕКТРАЛЬНОЙ

ИНФОРМАЦИИ

Согласно теории распознавания образов, классификация объектов предполагает разделение пространства признаков на замкнутые области (классы) с определёнными значениями этих признаков. Отнесение пикселей к классам зависит от принятого правила классификации. Возможны два подхода.

Первый из них заключается в разделении всех пикселей изображения на группы (кластеры), название, спектральные характеристики и даже само существование которых предварительно неизвестны. Этот подход называется неконтролируемой классификацией, или классификацией без обучения. Критерием отнесения пикселей к тому или другому кластеру служит схожесть спектральных характеристик. В задачу дешифровщика входит последующее определение соответствия выделенных кластеров классам земной поверхности, которое выполняется с использованием дополнительной информации - материалов наземных наблюдений, карт и т.д.

Во втором подходе классификация основана на признаках объектов, принадлежность которых к определенному классу на местности известна. В этом случае выполняется контролируемая классификации, иногда называемая классификацией с обучением. Контролируемая классификация включает в себя несколько этапов.

Первый этап заключается в определении перечня классов объектов, которые будут выделены в результате выполнения всей процедуры.

На втором этапе для каждого из классов объектов выбираются типичные для него пиксели, т.е. формируется обучающая выборка. Процедура создания обучающей выборки реализуется выбором в пределах изображения эталонного объекта участков в несколько пикселей. Как правило, процесс классификации цифрового снимка производится попиксельно, т.е. каждый пиксел относится к тому или иному классу. Однако в большинстве случаев конечной целью клас-

сификации является получение некоторых областей (дорожных покрытий, растительности, почв и т.д.), что ведёт к пространственному сглаживанию, осреднению значений яркости в пределах класса, для чего выбираются группы пикселей.

Третьим этапом является вычисление параметров «спектрального образа» каждого из классов, сформированного в результате выбора эталонных пикселей. Набор параметров зависит от алгоритма, который предполагается использовать для классификации.

Четвёртый этап процедуры классификации - просмотр всего изображения и отнесение каждого пикселя к тому или иному классу. Результатом этого этапа является изображение, часто называемое «картой классификации», а также таблица, в которой даны координаты пиксела и имя класса, к которому он отнесен.

Обязательным условием выполнения процедуры классификации является наличие спектральных эталонов, однозначно относящихся к некоему классу объектов. Эталоны могут выбираться в виде зон интереса по исследуемому изображению или из спектральных библиотек.

Предпочтительно, чтобы для проведения классификации имелись эталоны, полученные одновременно со съёмкой и основанные на хорошо различающихся классах. На практике, как правило, существует некоторый интервал времени между получением данных и их обработкой. И в этом случае для обучающей выборки можно использовать только пространственно случайное распределение, т.е. группу пикселей, так как использование для обучения отдельных пикселей не имеет смысла.

Качество обучающей выборки в решающей степени влияет на точность классификации и определяется несколькими условиями.

Количество пикселей, относящихся к одному классу, должно быть достаточно большим, в несколько раз превышающем число спектральных каналов. Желательно, чтобы каждому классу соответствовал не один, а несколько эталонных участков, к тому же расположенных в разных частях снимка. Значения

яркостей пикселей, относящиеся к одному классу, должны иметь распределение, близкое нормальному, и располагаться компактно в пространстве признаков, т.е. иметь минимально возможную дисперсию. Области значений яркости разных классов не должны пересекаться, чтобы не произошло смешение классов. Сформировать выборку, полностью отвечающую этим требованиям, удаётся не всегда, но от успешного решения этой задачи зависят результаты классификации объектов.

Далее рассмотрим более подробно некоторые методы неконтролируемой и контролируемой классификации.

Так, в неконтролируемой классификации по методу ¡БООЛТЛ сначала вычисляются средние значения исходных классов, равномерно распределённых по пространству данных, затем пиксели итерационным путем распределяются по классам на основе технологии поиска минимального расстояния. На каждой итерации средние значения классов пересчитываются, и пиксели перераспределяются в соответствии с этими новыми средними значениями. Этот процесс продолжается до тех пор, пока количество пикселей в каждом классе не станет изменяться на величину, меньшую заданного порогового значения, или пока не выполниться максимальное количество итераций.

В алгоритмах контролируемой классификации используются два подхода: детерминированный и статистический.

Детерминированный подход применяется, когда классы объектов не пересекаются в пространстве признаков. Однако, природные и антропогенные объекты, как правило, неоднородны, а спектральные характеристики изучаемых объектов довольно близки и частично пересекаются (например, для разных видов почв и дорожных покрытий).

Поэтому широкое распространение получили методы классификации, основанные на статистическом подходе, которые позволяют учитывать вариации признаков и допускают отнесение пикселей к «чужим» классам, если частота их появления относительно мала.

Метод параллелепипедов основан на статистическом подходе и наиболее простом правиле принятия решения. Данный метод является одним из наиболее быстрых и часто применяемых на практике алгоритмов. Границы решения формируют в пространстве данных изображения п-мерный параллелепипе-дальный классификатор. Размеры этого классификатора определяются на основе среднего значения для каждого выбранного класса. Если значение пикселя находится выше нижнего порога и ниже верхнего порога для всех п классифицируемых диапазонов, то этот пиксель попадает в данный класс. Если значение пикселя попадает в несколько классов, то программа относит этот пиксель к последнему подходящему классу. Области, не попавшие ни в один па-раллелепипедальный классификатор, обозначаются как неклассифицированные.

Метод минимального расстояния - это самый простой и быстрый детерминированный метод классификации. Классификация по методу минимального расстояния использует средние вектора для каждой области интереса и вычисляет Евклидово расстояние от каждого неизвестного пикселя до среднего вектора каждого класса. Все пиксели классифицируются по замкнутым классам до тех пор, пока пользователь не задаст СКО или пороговые значения расстояния, при которых некоторые пиксели могут остаться не классифицируемыми, если они не удовлетворяют заданному критерию.

Классификация по методу максимального правдоподобия предполагает, что статистика для каждого класса в каждом диапазоне имеет нормальное распределение. Смысл этого метода сводится к вычислению вероятности того, что данный пиксель относится к определённому классу. Пока не выбран порог вероятности, классифицируются все пиксели. Каждый пиксель заносится в тот класс, для которого получается наибольшая вероятность (т.е. максимальное правдоподобие).

Классификация по методу расстояния Махаланобиса - это метод, который использует статистику для каждого класса. Он похож на классификацию по методу максимального правдоподобия, но предполагает, что ковариации

всех классов равны, и поэтому является более быстрым методом. Все пиксели заносятся в замкнутые классы до тех пор, пока не будет задано пороговое значение расстояния, которое определяет, в каком случае некоторые пиксели могут остаться неклассифицированными, если они не удовлетворяют этому критерию.

Метод спектрального угла (SAM) - это классификация, основанная на определении схожести эталонных и тестируемых спектров отражения. Для этого используется n-мерный угол между векторами в пространстве с размерностью, равной количеству диапазонов (рисунок А.1). Меньшие углы соответствуют более близкому согласованию спектров отражения. Пиксели, находящиеся за пределами заданного порога максимально допустимого угла, не классифицируются .

Яркость инкччмон н канале 2

Рисунок А. 1- Метод спектрального угла Метод классификации по дивергенции спектральной информации обладает большой производительностью в сравнении другими методами измерения близости. Данная классификация измеряет близость спектральных характеристик между двумя спектральными сигнатурами на основе расхождений между соответствующими вероятностными распределениями сигнатур. Важным аспектом данной классификации является не только соответствие кластеров

классам физических параметров, но и статическое различие кластеров. Дивергенция будет равна нулю, если распределения данных будут идентичны, и будет возрастать для распределений данных, которые не перекрывают друг друга полностью.

Адаптивная согласованная фильтрация (MTMF) - это гибридный метод, основанный на комбинировании хорошо известных методов обработки сигналов и теории линейного смешивания. Этот метод сочетает преимущества метода согласованной фильтрации (не требуется знать все спектральные компоненты) с физическими ограничениями, налагаемыми теорией смешивания (сигнатура в любом заданном пикселе является линейной комбинацией отдельных компонентов, содержащихся в этом пикселе). Данный метод «фильтрует» исходное изображение для получения согласования со спектром выбранного эталона, делая максимальным отклик спектра эталона и подавляя всё остальное, трактуемое как неизвестный фон. МТМБ гарантирует получение только допустимых с точки зрения линейной теории спектрального смешивания смесей, тем самым уменьшается количество ложных тревог. Результаты МТМБ представляются в виде наборов изображений:

- изображения МБ-счётчика со значениями от 0 до 1.0, оценивающие степень соответствия некоторому спектру (где 1.0 - это полное совпадение);

- изображения «недопустимости», на которых наибольшие значения означают, что смесь между составным фоном и целью недопустима.

Наилучшее согласование с целью достигается, когда МБ-счётчик имеет высокое значение (около 1), а счётчик недопустимости - низкое (около 0).

ПРИЛОЖЕНИЕ Б ИЛЛЮСТРАЦИИ К ГЕОИНФОРМАЦИОННОЙ СИСТЕМЕ

Рисунок Б.1 - Диаграмма вариантов использования

Рисунок Б.2 - Диаграмма объектов

Рисунок Б.3 - Диаграмма последовательности

Рисунок Б.4 - Диаграмма сущностных классов