Агрегирование результатов автоматической классификации данных дистанционного зондирования природных объектов
Журнал: Сибирский аэрокосмический журнал @vestnik-sibsau
Рубрика: Информатика, вычислительная техника и управление
Статья в выпуске: 3 т.27, 2026 года.
Бесплатный доступ
Предлагаются методики агрегирования результатов автоматической классификации значений многомерных спектральных данных дистанционного зондирования. Для реализации этой задачи используются модифицированный алгоритм «Форель» и процедура проверки гипотезы об однородности законов распределения случайных величин, характеризующих обнаруженные классы. При ориентировании алгоритмов автоматической классификации на обнаружение множеств значений случайных величин, соответствующих одномодальным фрагментам их плотности вероятности, обоснованным является повторная группировка классов в пространстве их средних значений случайных величин. Для её реализации используется модификация алгоритма «Форель», параметры которого определяются по результатам вычислительного эксперимента. При наличии дополнительной информации о свойствах природного объекта появляется возможность её использования при агрегировании результатов автоматической классификации в пространстве спектральных признаков. В этих условиях агрегирование классов осуществляется на основе проверки гипотез об однородности законов распределения случайных величин, которые характеризуют дополнительную информацию. Для решения этой задачи используется непараметрический алгоритм распознавания образов, соответствующий критерию максимального правдоподобия. Выбор оптимальных коэффициентов размытости ядерных функций алгоритма классификации осуществляется из условия минимума оценки ошибки распознавания образов в режиме «скользящего экзамена». Полученные результаты обобщаются при построении информационного графа, вершины которого соответствуют классам. Между двумя вершинами графа имеется ребро, если ошибка распознавания образов рассматриваемой пары классов достоверно не отличается от 0,5. Для проверки гипотез используется модификация критерия Колмогорова – Смирнова. В макрокласс объединяются классы, соответствующие полному подграфу, которые достоверно не отличаются законами распределения признаков в дополнительной информации. Последовательная процедура формирования макроклассов начинается с обнаружения полного подграфа с максимальным количеством классов. Полученные результаты являются основой формирования решающего правила оценивания принадлежности значений спектральных признаков к сформированным макроклассам. Предложенная методика агрегирования результатов автоматической классификации является актуальной при системном анализе данных дистанционного зондирования.
Короткий адрес: https://sciup.org/148334400
IDS: 148334400 | УДК: 519.7+004.93 | DOI: 10.31772/2712-8970-2026-27-3-390-399
Aggregation of results of automatic classification of remote sensing data of natural objects
Methods for aggregating the results of automatic classification of multidimensional spectral remote sensing data are proposed. This task is accomplished using a modified «Forel» algorithm and a procedure for testing the hypothesis of the homogeneity of the distribution laws of random variables characterizing the detected classes. When automatic classification algorithms are designed to detect sets of random variable values corresponding to unimodal fragments of their probability density, it is reasonable to regroup classes within the space of their mean random variable values. This is implemented using a modification of the “Forel” algorithm, the parameters of which are determined based on the results of a computational experiment. If additional information about the properties of a natural object is available, it can be used to aggregate the results of automatic classification in the spectral feature space. Under these conditions, class aggregation is based on testing the hypothesis of the homogeneity of the distribution laws of the random variables that characterize the additional information. To solve this problem, a nonparametric pattern recognition algorithm that follows the maximum likelihood criterion is used. The optimal blur coefficients of the classification algorithm's kernel functions are selected based on the requirement to minimize the pattern recognition error estimate in the “sliding exam” mode. The obtained results are summarized in the construction of an information graph, the nodes of which correspond to classes. An edge is formed between two graph nodes if the pattern recognition error for a given pair of classes does not differ significantly from 0,5. A modification of the Kolmogorov–Smirnov test is used to test the hypotheses. A macroclass is formed by classes corresponding to a complete subgraph that do not reliably differ in the distribution patterns of features in the additional information. The sequential procedure for forming macroclasses begins with finding the complete subgraph with the maximum number of classes. The results obtained form the basis for developing a decision rule for assessing the membership of spectral feature values in the resulting macroclasses. The proposed method for aggregating the results of automatic classification is relevant for the system analysis of remote sensing data.
