Определение затопленных территорий на основе интеграции разнородных данных
Запропоновано новий підхід до визначення затоплених територій на основі радіолокаційних та оптичних супутникових даних. Для сегментації та класифікації супутникових зображень використовуються нейронні мережі — карти Кохонена, що саморганізуються. Запропонований підхід верифіковано на даних супутни...
Saved in:
| Published in: | Проблемы управления и информатики |
|---|---|
| Date: | 2007 |
| Main Authors: | , , , , |
| Format: | Article |
| Language: | Russian |
| Published: |
Інститут кібернетики ім. В.М. Глушкова НАН України
2007
|
| Subjects: | |
| Online Access: | https://nasplib.isofts.kiev.ua/handle/123456789/207143 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Cite this: | Определение затопленных территорий на основе интеграции разнородных данных / Н.Н. Куссуль, Е.А. Лупян, А.Ю. Шелестов, С.В. Скакун, Ю.Г. Тищенко, Л. Хлухи // Проблемы управления и информатики. — 2007. — № 6. — С. 117-126. — Бібліогр.: 16 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1859709240690606080 |
|---|---|
| author | Куссуль, Н.Н. Лупян, Е.А. Шелестов, А.Ю. Тищенко, Ю.Г. Хлухи, Л. |
| author_facet | Куссуль, Н.Н. Лупян, Е.А. Шелестов, А.Ю. Тищенко, Ю.Г. Хлухи, Л. |
| citation_txt | Определение затопленных территорий на основе интеграции разнородных данных / Н.Н. Куссуль, Е.А. Лупян, А.Ю. Шелестов, С.В. Скакун, Ю.Г. Тищенко, Л. Хлухи // Проблемы управления и информатики. — 2007. — № 6. — С. 117-126. — Бібліогр.: 16 назв. — рос. |
| collection | DSpace DC |
| container_title | Проблемы управления и информатики |
| description | Запропоновано новий підхід до визначення затоплених територій на основі радіолокаційних та оптичних супутникових даних. Для сегментації та класифікації супутникових зображень використовуються нейронні мережі — карти Кохонена, що саморганізуються. Запропонований підхід верифіковано на даних супутника ERS2 під час повеней на річці Тиса в березні 2001 р. Отримана таким чином інформація може доповнювати дані, що використовуються під час розв’язання задач моніторингу для сільського господарства.
A new approach to flood extent extraction using SAR and optical data is proposed. Segmentation and classification of radar images is done using neural networks —
|
| first_indexed | 2025-12-01T04:52:31Z |
| format | Article |
| fulltext |
© Н.Н. КУССУЛЬ, Е.А. ЛУПЯН, А.Ю. ШЕЛЕСТОВ, С.В. СКАКУН, Ю.Г. ТИЩЕНКО, Л. ХЛУХИ, 2007
Проблемы управления и информатики, 2007, № 6 117
КОСМИЧЕСКИЙ МОНИТОРИНГ
УДК 681.32
Н.Н. Куссуль, Е.А. Лупян, А.Ю. Шелестов,
С.В. Скакун, Ю.Г. Тищенко, Л. Хлухи
ОПРЕДЕЛЕНИЕ ЗАТОПЛЕННЫХ
ТЕРРИТОРИЙ НА ОСНОВЕ ИНТЕГРАЦИИ
РАЗНОРОДНЫХ ДАННЫХ
Введение
В последние годы все бóльшую роль при решении задач экологического и
сельскохозяйственного мониторинга играют спутниковые системы дистанцион-
ного зондирования Земли. Основное преимущество использования спутниковых
данных в информационных системах мониторинга состоит в возможности наблю-
дения больших территорий; оперативного получения информации; проведения
долговременных, устойчивых и воспроизводимых наблюдений; создания системы
с высоким уровнем автоматизации; получения объективной (не зависящей от че-
ловеческого фактора) информации. При этом для более эффективного решения
прикладных задач зачастую используют данные, получаемые в разных спектраль-
ных диапазонах, с разными пространственными и временными характеристиками.
В наше время наиболее масштабные природные стихийные бедствия —
наводнения [1]. Задачи, связанные с мониторингом и прогнозированием наводне-
ний, включены в качестве приоритетных в рабочий план комитета Group on Earth
Observatios (GEO) на 2007–2009 гг. (GEO 2007–2009 Work Plan) по следующим
направлениям [2]:
— стихийные бедствия (Disasters) — «Уменьшение потерь жизней и имуще-
ства, которые наносят естественные и вызванные человеком стихийные бед-
ствия», DI-07-01: «Управление рисками при наводнениях»;
— привлечение пользователей (User Engagement) — US-07-01: «Прогнозиро-
вание для пользователей», «более точное прогнозирование погоды, опасных ме-
теорологических явлений, гидрологических явлений (в том числе наводнений)».
Наводнения, как правило, сопровождаются значительной облачностью, кото-
рая ограничивает использование данных, полученных в оптическом диапазоне.
Поэтому более эффективно использование радиолокационных данных (в санти-
метровом и дециметровом диапазонах), получение которых не зависит от погод-
ных условий. Однако временнóе разрешение таких данных составляет около
35 дней, что не дает возможности проводить оперативный (ежедневный) монито-
ринг наводнений. Для этого используются данные в оптическом диапазоне (в без-
облачные дни) с бóльшим временным разрешением, но худшими по сравнению с
радиолокационными данными пространственными характеристиками.
Особенность такого подхода заключается в необходимости выполнять ком-
плексирование данных, получаемых из разных источников, т.е. в случае наводне-
Работа выполнена при поддержке грантов INTAS–CNES–NSAU «Data Fusion Grid Infrastructure»
(Ref. Nr 06-1000024-9154) и Европейского космического агентства (ЕКА) Category-1 «Wide Area Grid
Testbed for Flood Monitoring using Spaceborne SAR and Optical Data» (№ 4181).
118 ISSN 0572-2691
ний использовать и радиолокационные, и оптические спутниковые данные. Это
простейший пример так называемой интеграции данных, обозначаемой термином
«data fusion». Такой подход все шире применяется при решении сложных задач
экологического мониторинга и положен в основу создания системы GEOSS
(рис. 1) [3].
GEOSS
Модели
системы Земли
• Океаны
• Криосфера
• Суходол
• Атмосфера
• Литосфера
• Биосфера
Другие
источники
данных
Социо-
экономическая
информация
Прогноз и анализ
Высокопроизводи-
тельные вычисления
Передача данных
Визуализация
Стандарты
и совместимость
Управленческие
решения
Интеграция
Поддержка
принятия решений
• Оценка
• Системы принятия
решений
Политика
принятия
решений
Обратная связь для уменьшения
пробелов в системе знаний, улучшения
качества результатов и их применения
для нужд человечества
Системы
наблюдения
Земли
• Наземные
• Авиационные
• Спутниковые
Рис. 1
В данной работе предлагается новый подход к определению затопленных
территорий на основе радиолокационных и оптических данных. Для обработки
радиолокационных изображений предлагается использовать нейронные сети Ко-
хонена [4], которые представляют собой одну из реализаций интеллектуального
подхода к анализу данных и позволяют автоматически выявить статистически
значимые свойства входных данных. В качестве вспомогательных данных исполь-
зуются данные спутника Landsat-7/ETM+ и проекта Corine Land Cover. Тестиро-
вание предложенного подхода выполнено на радиолокационных данных, полу-
ченных прибором SAR со спутника ERS-2 в рамках гранта Европейского косми-
ческого агентства (ЕКА) Category-1 «Wide Area Grid Testbed for Flood Monitoring
using Spaceborne SAR and Optical Data» (№ 4181).
1. Описание существующих подходов
На сегодняшний день радиолокационные данные широко применяются для
мониторинга наводнений [5]. С этой целью разработан ряд методов для определе-
ния затопленных наводнениями территорий. Рассмотрим их подробнее.
В [6] предложено анализировать разновременные снимки одной территории,
сделанные во время паводка и без него, а также их представление в виде компози-
та RGB (Red–Green–Blue). На результирующем изображении затопленные терри-
тории отображаются определенным цветом (обычно синим). В работах [7, 8] для
определения затопленных территорий на основе данных спутника Radarsat-1 ис-
пользовался метод пороговой сегментации, причем значение порога выбиралось
вручную. Утверждается, что точность предложенного подхода для открытой
местности достигает 90 %, а для гористой — 85 %.
В работе [9] радиолокационные данные, полученные спутником ERS-2, наря-
ду с данными в оптическом диапазоне (Landsat TM, IRS WIFS/LISS, NOAA AVHRR)
использовались для мониторинга наводнений 2001 года в Венгрии. Для определе-
ния затопленных наводнениями территорий использован коэффициент изменения
двух изображений: одно получено во время наводнения, а второе — без наводне-
ния. Показана согласованность результатов определения затопленных территорий
на основе радиолокационных ERS-2/SAR и оптических IRS/LISS данных.
Проблемы управления и информатики, 2007, № 6 119
В работе [10] спутниковые данные ERS-2/SAR и Envisat/ASAR использова-
лись для определения площадей водоемов. В предложенном подходе сначала при-
менялся метод пороговой сегментации, а потом оператором-экспертом вручную
выполнялась подстройка параметров с учетом визуального анализа изображений.
Точность оценки метода в сравнении с наземными измерениями составила 98 %.
В работе [11] данные спутника Radarsat-1 использовались для мониторинга
наводнений 1997 года на Ред Ривер в США. Для определения затопленных терри-
торий применялся метод обучения с учителем (supervised classification) — метод
параллелепипедов.
Следует отметить, что несмотря на простоту и высокую скорость описанных
методов они не лишены недостатков, которые заключаются в следующем: необ-
ходимость ручной настройки пороговых значений и параметров для сегментации
изображений; отсутствие пространственной взаимосвязи между пикселами изоб-
ражения; привлечение оператора к обработке изображений; необходимость нали-
чия опыта у оператора для анализа радиолокационных изображений. Кроме
того, применение указанных методов для сегментации радиолокационных изоб-
ражений усложняется наличием информации только в одном спектральном диапа-
зоне, что уменьшает различимость классов объектов и соответственно увеличива-
ет ошибки сегментации, а также особенностями фильтрации высокочастотного
сигнала (спекла), что может привести к потере полезной информации.
В данной работе предлагается новый подход для определения затопленных
территорий, который основан на автоматической нейросетевой сегментации изоб-
ражения с использованием пространственных взаимосвязей между пикселами
изображения и не имеет указанных недостатков. Сегментация и классификация
изображений выполняется с использованием нейронных сетей Кохонена [4].
К преимуществам нейронных сетей данного типа следует отнести автоматическое
выявление статистически значимых признаков в обучающей выборке данных и
отсутствие необходимости фильтрации в сложных моделях для удаления спекла.
2. Описание спутниковых данных
Для апробации предлагаемого метода определения затопленных территорий
были использованы радиолокационные изображения, полученные прибором SAR
со спутника ERS-2 во время наводнения на реке Тиса 10.03.2001 (рис. 2, © ESA
2001) и без наводнения 14.04.2001 (рис. 3, © ESA 2001). Данные были предостав-
лены ЕКА в рамках гранта Category-1 «Wide Area Grid Testbed for Flood Moni-
toring using Spaceborne SAR and Optical Data» (№ 4181).
Исходные данные SAR/ERS-2 были предоставлены в формате Envisat SLC
(Single Look Complex) [12] с пространственным разрешением 4 м.
Рис. 2
120 ISSN 0572-2691
Рис. 3
Для более точной геопривязки радиолокационных данных ERS-2 и валида-
ции полученных результатов использованы дополнительные данные для исследу-
емой территории:
— данные спутника Landsat-7/ETM+, дата съемки 30.09.2000 (рис. 4);
— данные Европейского проекта Corine Land Cover [13] по классификации
земного покрова. В данном случае использовалась версия CLC 2000 (рис. 5,
© EEA, Copenhagen, 2000), которая предоставляет информацию о классах земной
поверхности (всего существует 44 класса) с пространственным разрешением
100 м для всех стран Европейского союза.
С учетом указанной дополнительной информации для обучения нейросете-
вой модели (настройки весовых коэффициентов) выбраны тестовые пикселы, ко-
торые отвечают как территориям с водой (условно отнесем их к классу «Вода»),
так и без воды (класс «Суша»). Всего для обучающей выборки было отобрано
42955 пикселов, из которых 12939 относятся к классу «Вода» и 30016 — к классу
«Суша».
Рис. 4
Рис. 5
Проблемы управления и информатики, 2007, № 6 121
3. Метод определения затопленных наводнениями территорий
Предложенный метод определения затопленных наводнениями территорий
включает предварительную и тематическую обработку. Последняя сводится к
сегментации изображения с использованием нейронных сетей Кохонена и их клас-
сификации на типы «Вода» и «Суша». Рассмотрим эти этапы более детально.
3.1. Предварительная обработка изображений. Предварительная обработка
радиолокационных изображений состоит из следующих этапов.
1. Преобразование в географическую проекцию. Исходные спутниковые дан-
ные ERS-2 SLC поставляются в формате Envisat [12] с контрольными точками на
Земле (Ground Control Point — GCP). Эти точки используются для геопривязки
изображения. Формат получаемого результирующего изображения — GeoTIFF.
Кроме того, на основе комплексного изображения SLC вычислена интенсивность
каждого пиксела изображения.
2. Калибровка изображения. Для калибровки радиолокационных изображе-
ний ERS-2/SAR используется стандартная процедура, описанная в работе [14].
Согласно этой процедуре, исходные значения пиксела в DN (Digital Number) пре-
образуются в коэффициент обратного рассеивания 0 в соответствии с формулой
,)(log10,
sin
sin[DN]
00
ref
2
0 dB
K
=
=
где — локальный угол наклона, ,23ref
= K — калибровочная константа
(в нашем случае K = 93325,3).
3. Географическая привязка. Для данных ERS-2 осуществляется дополни-
тельная географическая привязка. В качестве базового использовано изображение
Landsat/ETM+.
3.2. Обработка изображений с использованием нейронных сетей Кохоне-
на. Самоорганизующиеся карты Кохонена — это специальный класс искусствен-
ных нейронных сетей (НС), работа которых основана на конкурентном принципе
обучения [4]. Нейронная сеть представляет собой двумерную решетку (рис. 6),
в узлах которой расположены нейроны (элементарные обрабатывающие элемен-
ты). В процессе работы сети нейроны конкурируют между собой за право перейти
в состояние возбуждения. Выходом сети считается нейрон-победитель. В соответ-
ствии с идеей Розенблатта [15] для реализации конкурентного принципа обучения
используются латеральные тормозящие связи (отрицательные обратные связи)
между нейронами, обеспечивающие изменение не только весовых коэффициентов
нейрона-победителя, но и нейронов некоторой его окрестности.
Входные
нейроны
Рис. 6
122 ISSN 0572-2691
Весовые коэффициенты j всех нейронов из окрестности нейрона-победите-
ля i модифицируются при переходе от момента времени n к моменту 1+n следу-
ющим образом [4]:
,minarg)(
,1
j
lj
xxi −=
=
;,1)),()(()()()1( )(, ljnxnhnnn jxijjj =−+=+ (1)
здесь — коэффициент скорости обучения, h(n) — функция окрестности нейро-
на-победителя, x — вектор обучающего множества; — евклидова норма.
Значение весового вектора i нейрона-победителя i приближается к x. Век-
торы синаптических весовых коэффициентов отслеживают распределение вход-
ных векторов в соответствии с выбором окрестности, обеспечивая тем самым то-
пологическое упорядочение карты признаков во входном пространстве.
В качестве функции окрестности )()(, nh xij в выражении (1) обычно выбира-
ют ступенчатую функцию или функцию Гаусса. Для скорости обучения )(n ис-
пользуют следующую эвристику:
,,2,1,0,1,0,)( 0
/
0
2 ===
−
nen
n
(2)
где 2 — временнáя константа.
Нейронные сети Кохонена широко применяются для сегментации изображе-
ний в разных предметных областях, возможно с последующей классификаци-
ей [4]. Важный аспект при обработке изображений — выбор информативных при-
знаков, которые будут использованы как входные значения для нейронной сети.
Обработку изображений обычно выполняют не попиксельно, а используют дан-
ные некоторой окрестности пиксела. В качестве информативных признаков мож-
но выбирать значения интенсивности пикселов, значения производных, разнооб-
разные фильтры, преобразования (например, преобразование Фурье) и т.д. [16].
В данной работе на вход нейронной сети в качестве информативных признаков
подаются значения интенсивностей пикселов некоторой окрестности. В частно-
сти, проведена серия экспериментов, в которой размер окрестности составлял
3 3, 5 5, 7 7, 9 9, 11 11.
Для оценки качества обучения нейронной сети Кохонена использовались
следующие величины:
1) погрешность дискретизации или квантования (quantization error) обучен-
ной сети Кохонена; данная величина определяет качество сегментации изображе-
ния и вычисляется согласно формуле
,minarg)(,
1
,1
)(
1
jt
lj
txit
N
t
xxix
N
QE
i
−=−=
==
где N — размер обучающей выборки;
2) процент правильно классифицированных образов, т.е. результаты класси-
фикации нейронной сети на тестовых данных.
4. Экспериментальные результаты
Для определения оптимальной архитектуры и параметров нейронной сети
Кохонена проведена серия экспериментов. При этом варьировались следующие
параметры:
Проблемы управления и информатики, 2007, № 6 123
— размер окрестности каждого пиксела радиолокационного изображения,
определяющий количество нейронов во входном слое нейронной сети;
— количество нейронов выходного слоя, соответствующий количеству кла-
стеров, на которые сегментируются изображения.
Другие параметры нейронной сети Кохонена, которая использовалась для
сегментации радиолокационных изображений, имели следующие значения:
• структура соседства: шестиугольная;
• функция окрестности: гауссова;
• начальное значение коэффициента обучения: 0,1;
• количество эпох обучения: 20.
Для инициализации весовых коэффициентов нейронной сети применен сле-
дующий подход. Элементы обучающего множества обрабатывались методом
анализа главных компонентов. Затем выбирались собственные векторы, соответ-
ствующие первым двум наибольшим собственным числам. Начальные значения
весовых коэффициентов нейронной сети выбирались из векторов линейного под-
пространства, натянутого на два собственных вектора, которые соответствуют
максимальным собственным числам матрицы корелляции.
Результаты зависимости ошибки квантования и количества правильно клас-
сифицированных пикселов от размера окрестности для сети Кохонена с решеткой
нейронов 5 5 представлены в таблице.
Таблица
Размер
окрестности
пиксела
Ошибка квантования
нейронной сети
Процентное значение правильно
классифицированных тестовых пикселов
«Суша» «Вода» Всего
3 3 17,11 99,12 97,54 98,64
5 5 11,80 99,85 99,58 99,76
7 7 8,89 99,81 99,86 99,90
9 9 7,12 99,99 99,53 99,86
11 11 5,95 99,94 99,84 99,91
Уже для окрестности 7 7 количество правильно классифицированных пик-
селов достигло 99,90 % на всех тестовых данных. Именно это значение окрестно-
сти выбрано для сегментации изображений.
Результаты применения предложенного подхода для определения затоплен-
ных наводнениями территорий с использованием самоорганизующихся карт Ко-
хонена представлены на рис. 7, © ESA 2007 (а — исходное спутниковое изобра-
жение SAR/ERS-2 с затопленными территориями, поглощающими сигнал радара
(эти участки показаны черным и темно-серыми цветами); б — результаты сегмен-
тации изображения с использованием самоорганизующихся карт Кохонена, на ко-
тором четко видно наличие различных кластеров). Дополнительные данные со
спутника Landsat-7 ETM+ и информация по классификации проекта Corine 2000
Land Cover использовались для классификации результатов: назначения каждому
нейрону принадлежности к одному из двух классов — «Вода» или «Суша». Ре-
зультаты маркировки показаны на рис. 7, в: темно-серый цвет отражает затоплен-
ные участки или участки с повышенным содержанием влаги, тогда как незатоп-
ленные области помечены светлым цветом.
Результаты классификации изображения ERS-2 на типы «Вода» и «Суша»
представлены на рис. 8.
124 ISSN 0572-2691
а б в
Рис. 7
а б
Рис. 8
Выводы
В данной работе описан новый нейросетевой подход для определения затоп-
ленных территорий на основе спутниковых данных. Информация о затоплениях
очень важна при оценке ущерба и эффективно используется в гидрологических
моделях, а также в качестве дополнительных данных при решении задач монито-
ринга для сельского хозяйства. Для сегментации и классификации радиолокаци-
Проблемы управления и информатики, 2007, № 6 125
онных изображений используются самоорганизующиеся карты Кохонена, кото-
рые позволяют автоматически выделить статистически значимые свойства вход-
ных данных. В качестве входных признаков используются значения коэффициен-
та обратного рассеивания для окрестности пиксела 7 7. Преимущество предло-
женного подхода по сравнению с известными методами определения площадей
затопленных территорий заключается не в попиксельной обработке, а в использо-
вании контекстной (текстурной) информации, определяемой значениями соседних
пикселов из некоторой окрестности. Кроме того, предложенный метод предпола-
гает автоматическую настройку коэффициентов модели на основе принципов са-
моорганизации, или так называемое обучение без учителя, что дает возможность
использовать данный метод в автоматических сервисах экологического монито-
ринга. Точность классификации построенной нейронной сети с размерностью
входа 49 и решеткой нейронов 5 5 составила 99,90 % на тестовых данных, что
существенно превышает известные из литературы результаты классификации
другими методами.
Использование предложенного подхода для обработки данных спутника ERS-2
во время наводнений на реке Тиса в 2001 году показало высокую точность опре-
деления затопленных территорий и применимость предложенного метода для ре-
шения задач экологического и сельскохозяйственного мониторинга. Отметим
важную особенность предлагаемого подхода, связанную с комплексированием
данных, получаемых из разных источников. В этом случае речь идет о совмест-
ном использовании радиолокационных и оптических спутниковых данных («data
fusion»). Такой подход все шире применяется при решении сложных задач эколо-
гического мониторинга и предполагает применение данных разной природы для
решения одной задачи. При этом помимо спутниковых используются также дан-
ные наземных наблюдений и моделирования. В этом состоит идеология создания
системы систем GEOSS, развиваемой по инициативе комитета GEO. Дальнейшие
исследования авторов по данной тематике будут связаны именно с этим направ-
лением.
Н.М. Куссуль, Є.А. Лупян, А.Ю. Шелестов,
С.В. Скакун, Ю.Г. Тищенко, Л. Хлухі
ВИЗНАЧЕННЯ ЗАТОПЛЕНИХ ТЕРИТОРІЙ
НА ОСНОВІ ІНТЕГРАЦІЇ РІЗНОРІДНИХ ДАНИХ
Запропоновано новий підхід до визначення затоплених територій на основі
радіолокаційних та оптичних супутникових даних. Для сегментації та класи-
фікації супутникових зображень використовуються нейронні мережі — карти
Кохонена, що саморганізуються. Запропонований підхід верифіковано на да-
них супутника ERS-2 під час повеней на річці Тиса в березні 2001 р. Отрима-
на таким чином інформація може доповнювати дані, що використовуються
під час розв’язання задач моніторингу для сільського господарства.
N.N. Kussul, E.А. Lupian, A.Yu. Shelestov,
S.V. Skakun, Yu.G. Tishchenko, L. Hluchy
FLOOD EXTENT EXTRACTION USING DATA
FROM DIFFERENT SOURCES
A new approach to flood extent extraction using SAR and optical data is proposed.
Segmentation and classification of radar images is done using neural networks —
126 ISSN 0572-2691
self-organising Kohonen maps. Proposed approach is verified using data acquired
from ERS-2 satellite during flood event on Tisza river in March 2001 acquired in
such way information can be also used for agriculture purposes.
1. Committee on Earth Observation Satellites Disaster Management Support Group: The use of
Earth observing satellites for hazard support: Assessments & Scenarios // Final Report; National
Oceanic & Atmospheric Administration, Department of Commerce, USA, 2001. — 28 p.
2. GEO Work Plan 2007–2009 — «Toward Convergence». — www.earthobservations.org/docs/
GEO_2007-2009_Work_Plan.v3.pdf.
3. Global Earth Observation System of Systems (GEOSS), 10-year implementation plan reference
document // ESA Publication Division, Netherlands, 2005. — 209 p.
4. Haykin S. Neural networks : A comprehensive foundation. — Upper Saddle River, New Jersey :
Prentice Hall, 1999. — 842 p.
5. Solheim I., Solbo S., Indregard M., Lauknes I. User requirements and SAR-solutions for flood
mapping // 4th Intern. Symposium on Retrieval of Bio- and Geophysical Parameters from SAR
Data for Land Applications, Innsbruck, Austria, 2001. — P. 221–228.
6. ESA Earth Watch. — http://earth.esa.int/ew/floods/.
7. Yang C., Zhou C., Wan Q. Deciding the flood extent with Radarsat SAR data and image fusion //
20th Asian Conference on Remote Sensing, 1999. — http://www.gisdevelopment.net/aars/acrs/
1999/ps3/ps3999.asp.
8. Extracting the flood extent from satellite SAR image with the support of topographic data /
Y. Cunjian, W. Yiming, W. Siyuan, Z. Zengxiang, H. Shifeng // Proc. of Intern. Conference on
Information Technology and Information Networks (ICII 2001). V. 1. — Beijing, China. —
P. 87–92.
9. Evaluation of a remote sensing based regional flood/waterlog and drought monitoring model uti-
lising multi-source satellite data set including Envisat data / G. Csornai, Zs. Suba, G. Nádor,
I. László, Á. Csekő, Cs. Wirnhardt, L. Tikász, L. Martinovich // Proc. of the 2004 Envisat & ERS
Symposium. Salzburg, Austria. 6–10 September 2004 (ESA SP-572, April 2005). — P. 265–272.
10. De Chiara G., Bovolin V.,Villani P., Migliaccio M. Remote sensing technique to estimate the wa-
ter surface of artificial reservoirs Villani — Problems and potential solutions // IEEE GOLD Re-
mote Sensing Conference 2006. — http://www.cugri.unisa.it/paper/Remote sensing technique to
estimate the water surface of artificial reservoirs. — Problems and potential solutions.pdf.
11. Ferdinand B., Roy D. Monitoring flood extent and forecasting excess runoff risk with Radarsat-1
data // Natural Hazards. — 2005. — 35. — P. 377–393.
12. ESA Product Specification for ERS Products within Envisat Format, Ref: PX-SP-50-914.5,
Issue/Revision: 3/1, Date: OCT 3, 2006. — http://earth.esrin.esa.it/pub/ESA_DOC/gen144.pdf.
13. European Topic Centre on Terrestrial Environment. — http://terrestrial.eionet.eu.int/CLC2000.
14. ERS SAR calibration. Derivation of the backscattering coefficient іn ESA ERS SAR PRI products
// ES-TN-RS-PM-HL09 05, November 2004, Issue 2, Rev. 5f. — http://earth.esa.int/ESC2/.
15. Розенблатт Ф. Принципы нейродинамики. — М. : Мир, 1965. — 480 с.
16. Gonzalez R.C., Woods R.E. Digital image processing. — Upper Saddle River, New Jersey : Pren-
tice Hall, 2002. — 793 p.
Получено 07.09.2007
http://earth.esa.int/ew/floods/
http://www.cugri.unisa.it/paper/Remote
http://earth.esrin.esa.it/pub/ESA_DOC/gen144.pdf
http://earth.esa.int/ESC2/
|
| id | nasplib_isofts_kiev_ua-123456789-207143 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 0572-2691 |
| language | Russian |
| last_indexed | 2025-12-01T04:52:31Z |
| publishDate | 2007 |
| publisher | Інститут кібернетики ім. В.М. Глушкова НАН України |
| record_format | dspace |
| spelling | Куссуль, Н.Н. Лупян, Е.А. Шелестов, А.Ю. Тищенко, Ю.Г. Хлухи, Л. 2025-09-29T17:52:22Z 2007 Определение затопленных территорий на основе интеграции разнородных данных / Н.Н. Куссуль, Е.А. Лупян, А.Ю. Шелестов, С.В. Скакун, Ю.Г. Тищенко, Л. Хлухи // Проблемы управления и информатики. — 2007. — № 6. — С. 117-126. — Бібліогр.: 16 назв. — рос. 0572-2691 https://nasplib.isofts.kiev.ua/handle/123456789/207143 681.32 Запропоновано новий підхід до визначення затоплених територій на основі радіолокаційних та оптичних супутникових даних. Для сегментації та класифікації супутникових зображень використовуються нейронні мережі — карти Кохонена, що саморганізуються. Запропонований підхід верифіковано на даних супутника ERS2 під час повеней на річці Тиса в березні 2001 р. Отримана таким чином інформація може доповнювати дані, що використовуються під час розв’язання задач моніторингу для сільського господарства. A new approach to flood extent extraction using SAR and optical data is proposed. Segmentation and classification of radar images is done using neural networks — Работа выполнена при поддержке грантов INTAS–CNES–NSAU «Data Fusion Grid Infrastructure» (Ref.Nr06-1000024-9154) и Европейского космического агентства(ЕКА) Category-1 «Wide Area Grid Testbed for Flood Monitoring using Spaceborne SAR and Optical Data»(No 4181). ru Інститут кібернетики ім. В.М. Глушкова НАН України Проблемы управления и информатики Космический мониторинг Определение затопленных территорий на основе интеграции разнородных данных Визначення затоплених територій на основі інтеграції різнорідних даних Flood extent extraction using data from different sources Article published earlier |
| spellingShingle | Определение затопленных территорий на основе интеграции разнородных данных Куссуль, Н.Н. Лупян, Е.А. Шелестов, А.Ю. Тищенко, Ю.Г. Хлухи, Л. Космический мониторинг |
| title | Определение затопленных территорий на основе интеграции разнородных данных |
| title_alt | Визначення затоплених територій на основі інтеграції різнорідних даних Flood extent extraction using data from different sources |
| title_full | Определение затопленных территорий на основе интеграции разнородных данных |
| title_fullStr | Определение затопленных территорий на основе интеграции разнородных данных |
| title_full_unstemmed | Определение затопленных территорий на основе интеграции разнородных данных |
| title_short | Определение затопленных территорий на основе интеграции разнородных данных |
| title_sort | определение затопленных территорий на основе интеграции разнородных данных |
| topic | Космический мониторинг |
| topic_facet | Космический мониторинг |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/207143 |
| work_keys_str_mv | AT kussulʹnn opredeleniezatoplennyhterritoriinaosnoveintegraciiraznorodnyhdannyh AT lupânea opredeleniezatoplennyhterritoriinaosnoveintegraciiraznorodnyhdannyh AT šelestovaû opredeleniezatoplennyhterritoriinaosnoveintegraciiraznorodnyhdannyh AT tiŝenkoûg opredeleniezatoplennyhterritoriinaosnoveintegraciiraznorodnyhdannyh AT hluhil opredeleniezatoplennyhterritoriinaosnoveintegraciiraznorodnyhdannyh AT kussulʹnn viznačennâzatoplenihteritoríinaosnovííntegracííríznorídnihdanih AT lupânea viznačennâzatoplenihteritoríinaosnovííntegracííríznorídnihdanih AT šelestovaû viznačennâzatoplenihteritoríinaosnovííntegracííríznorídnihdanih AT tiŝenkoûg viznačennâzatoplenihteritoríinaosnovííntegracííríznorídnihdanih AT hluhil viznačennâzatoplenihteritoríinaosnovííntegracííríznorídnihdanih AT kussulʹnn floodextentextractionusingdatafromdifferentsources AT lupânea floodextentextractionusingdatafromdifferentsources AT šelestovaû floodextentextractionusingdatafromdifferentsources AT tiŝenkoûg floodextentextractionusingdatafromdifferentsources AT hluhil floodextentextractionusingdatafromdifferentsources |