Алгоритмы обработки данных радиоволнового дистанционного зондирования поверхности Земли на основе искусственных нейронных сетей

Публикации. По теме диссертации опубликовано 11 работ, в том числе 5 - в научных журналах и сборниках научных трудов.

Объем и структура диссертации. Диссертация состоит из введения, главы с обзором литературы и описанием существующих методов и технологий исследования и обработки данных ДЗ, двух глав с описанием собственных исследований, заключения и списка литературы. Общий объем диссертации составляет 127 страниц, работа содержит 25 рисунков и 9 таблиц. Список литературы содержит 137 цитируемых источников отечественных и зарубежных авторов.

Во введении обоснована актуальность работы, сформулированы задачи исследования и дана общая характеристика исследования.

В первой главе «Обзор современных методов обработки радиолокационных и радиометрических данных дистанционного зондирования» автором дается классификация современных методов обработки радиолокационных и радиометрических данных дистанционного зондирования. Анализ и обработка данных дистанционного зондирования в целом сводится к задачам классификация объектов по экспериментальным данным и определению количественных параметров (инверсии).

Традиционные подходы к решению задач классификации основывается на применении к данным статистической модели сигналов (по возможности простой), которая использует распределения вероятностей (обычно - гауссовы), связанные с классами образов. Это объясняется тем, что вследствие случайного характера протекания природных явлений результаты ДЗ подвержены случайным изменениям, маскирующим характерные различия между классами, а исследуемые классы могут перекрываться в пространстве измерений. Особенность формирования изображений земной поверхности, получаемых с радиолокаторов с синтезированной апертурой, обязывает учитывать при обработке, так называемый, мультипликативный спекл-шум, что приводит к существенному усложнению статистических моделей (гамма, К-распределение вероятностей) и самого алгоритма в целом. В большей степени это относится к многоканальным радиолокационным изображениям, алгоритмы обработки которых изначально базируются на рабочих гипотезах о распределении многомерных данных и сейчас находятся в процессе активной разработки и совершенствования, образуя отдельную большую область исследования - поляриметрию.

Решение задач инверсии связано с выбором определенной модели, описывающей изучаемый класс объектов, определением и подстройкой ее параметров в соответствии с некоторой оценкой качества работы такой модели. При обработке радиолокационных и радиометрических данных применяется модельное представление процессов взаимодействия радиоволн со средой (объектами), определение радиоизлучательных и диэлектрических характеристик объектов. В виду сложности протекающих в природе процессов, модели зачастую оказываются сложными, а функциональные зависимости не выражаются в явном виде. Модель связи между искомыми и измеряемыми параметрами может быть статистической. Тогда решение задачи выполняется статистическими методами - получением статистических оценок искомых параметров для конкретной совокупности измеряемых характеристик.

Обзор традиционных подходов к анализу и обработке данных дистанционного зондирования в радиодиапазоне позволяет отметить следующие особенности:

1. заявленные и разрабатываемые алгоритмы достаточно сложны и не столь просто реализуемы. Их применение связано с трудностями, вызванными большой размерностью входных данных, невозможностью получить ряд требуемых параметров непосредственно из результатов радиоволнового зондирования, а также рядом прочих факторов, приводящих к нелинейности задачи в целом;

2. точность работы сложных алгоритмов недостаточна и пока проигрывает обработке данных непосредственно человеком. Используемые модели работают, исходя из определенного рода приближений и допущений. Алгоритмы используют вероятностные модели, которые только пытаются соответствовать реальному поведению данных, либо только для таких вероятностных моделей возможно обосновать и реализовать рабочий алгоритм;

3. эффективные методы классификации, базирующиеся лишь на данных радиоволнового зондирования, существуют только для ограниченных случаев. Остается открытым вопрос о совместном использовании информации, полученной в радиоволновом диапазоне, с информацией, полученной из других источников. Актуален вопрос доступности данных - некоторые методики обработки могут предъявлять к данным ДЗ невыполнимые на сегодняшний момент требования (например, невозможность в данный момент получить информацию в нужном диапазоне, с нужной поляризацией и т.п.).

Исходя из изложенного материала, можно утверждать, что обратные задачи ДЗ являются слабо формализованными (плохо структурированными, плохо определенными) задачами. Но подобные задачи и являются преобладающими в человеческой деятельности. Слабо формализованные задачи обладают следующими свойствами:

1. Ошибочностью, неоднозначностью, неполнотой и противоречивостью знаний о предметной области и о решаемой задаче. Для этих задач трудно строить формальные теории и применять классические математические методы, поскольку в ситуациях, в которых они возникают, имеет место один из двух случаев:

а) уровень формализации соответствующей предметной области и (или) доступная информация таковы, что они не могут составить основу для синтеза математической модели, отвечающей классическим математическим или математико-физическим канонам и допускающей изучение классическими аналитическими или численными методами;

б) математическая модель в принципе может быть построена, однако ее синтез или изучение связаны с такими затратами (сбор необходимой информации, вычислительные ресурсы, время), что они существенно превышают выигрыш, приносимый решением, либо выходят за пределы существующих технических возможностей, либо делают решение задачи бессмысленным.

2. Ошибочностью, неоднозначностью, неполнотой и противоречивостью исходных данных. В этих задачах «по определению» существует «плохая» исходная информация, характеризующая сложную в семантическом и структурном отношении ситуацию, - она ограниченная, неполная (с пропусками), разнородная, косвенная (характеристики внешних проявлений процесса, причем не всегда относящиеся к принципиальным особенностям лежащего в его основе механизма), нечеткая, неоднозначная, вероятностная. В этих задачах известно слишком мало для того, чтобы можно было пользоваться классическими методами решения (моделями), но все-таки известно достаточно, чтобы решение было возможно.

Для слабо формализованных задач в некоторых предметных областях могут быть свойственны также большая размерность пространства решения и высокая динамика предметной области.

Один из эффективных подходов к решению слабо формализованных задач, а также созданию систем, способных самостоятельно анализировать природные объекты по предоставляемой информации и формировать экспертное заключение состоит в использовании информационных моделей на основе искусственных нейронных сетей (ИНС). Основной принцип такого подхода состоит в моделировании внешнего функционирования системы с помощью «черного ящика» с чисто информационным описанием - на основе данных экспериментов или наблюдений. Обычно такие модели проигрывают формальным математическим по степени «прозрачности» и «объяснимости» получаемых результатов, однако важной особенностью таких моделей является отсутствие ограничений на сложность моделируемых систем, а также возможность функционировать в режиме реального времени, что является все более актуальным аспектом в области обработки данных мониторинга Земли.

Использование ИНС позволяет избежать ряда проблем при решении задач инверсии и классификации данных ДЗ. Преимущества ИНС очевидны в случае, когда исследуемые данные являются разнотипными и плохо согласуются с известными законами распределения, на которых базируются статистические алгоритмы. Несмотря на популярность карт Кохонена и RBF-сетей, наиболее распространенным типом ИНС является многослойный персептрон, для которого имеется развитая база алгоритмов обучения. В работах большинства исследователей применение ИНС называется эффективным и успешным в сравнении с традиционными методами при соответствующих ограничениях и допущениях, однако попыток провести анализ работы использующего ИНС алгоритма практически не проводится. Между тем, привлечение развитых методик нейроинформатики позволит получать дополнительные знания о работе создаваемых ИНС и проблемной области исследования, что приведет к получению оптимальных для данной проблемы ИНС-решений. Этот этап является важным, поскольку позволяет удостовериться в правильности работы ИНС, расширить знания об особенностях проведенных измерений и зависимости искомых параметров от входных величин, скорректировать необходимый набор измеряемых данных для последующей обработки.

Таким образом, опираясь на большое количество проведенных исследований для самого широкого спектра задач обработки данных дистанционного зондирования, можно сделать вывод о целесообразности и перспективности применения ИНС для решения задач данной работы. Также следует отметить необходимость интеграции методик нейроинформатики по исследованию и оптимизации нейросетевого блока в общую методику разработки базирующегося на искусственной нейронной сети алгоритма обработки данных ДЗ, что дополняет основную задачу исследования - разработку алгоритмов обработки данных радиометрического и радиолокационного дистанционного зондирования с применением искусственных нейронных сетей.

Во второй главе «Восстановление параметров почвенного покрова по данным радиометрического зондирования» изложен способ нейросетевого определения температуры и влажности почв по данным радиометрических измерений, методика оптимизации и анализа нейросетевого алгоритма (решение задачи инверсии).

При дистанционном зондировании важным является факт зависимости мощности принимаемого излучения от температуры, влажности, шероховатости и минералогического состава почв. В целях удобства проведения исследования работы нейросетевого алгоритма этап выполнения радиометрических измерений (получение значений радиояркостных температур) смоделирован искусственно.

Радиояркостная температура TB связана с мощностными характеристиками излучения следующим соотношением:

(1)

где TC - температура растительного покрова, K;

TS - температура почвы, K;

Rsur - коэффициент отражения для поверхности;

- коэффициент прохождения для растительности (в работе полагается = 1).

Вычисление коэффициента отражения осуществляется численно методом инвариантного погружения из-за вертикальной неоднородности входящей в коэффициент отражения комплексной диэлектрической проницаемости (КДП). Неоднородность реализована посредством введения профилей влажности W = W(z).