- Главная
- Разное
- Дизайн
- Бизнес и предпринимательство
- Аналитика
- Образование
- Развлечения
- Красота и здоровье
- Финансы
- Государство
- Путешествия
- Спорт
- Недвижимость
- Армия
- Графика
- Культурология
- Еда и кулинария
- Лингвистика
- Английский язык
- Астрономия
- Алгебра
- Биология
- География
- Детские презентации
- Информатика
- История
- Литература
- Маркетинг
- Математика
- Медицина
- Менеджмент
- Музыка
- МХК
- Немецкий язык
- ОБЖ
- Обществознание
- Окружающий мир
- Педагогика
- Русский язык
- Технология
- Физика
- Философия
- Химия
- Шаблоны, картинки для презентаций
- Экология
- Экономика
- Юриспруденция
КАЛЕНДАРНЫЙ ПЛАН презентация
Содержание
- 1. КАЛЕНДАРНЫЙ ПЛАН
- 2. Подбор снимков (тип съемки, разрешение пространственное и
- 3. the CORINE program (Co-ordination of Information on the Environment)
- 5. Level II < 1:80,000 Level III 1:20,000
- 7. КЕРЖЕНСКИЙ ЗАПОВЕДНИК
- 8. 6 потенциально различных типов условий снегонакопления Снежный
- 9. НЕФТЕПРОВОД ВОСТОЧНАЯ СИБИРЬ – ТИХИЙ ОКЕАН
- 10. КЛАССИФИКАЦИЯ – разделение всех пикселей снимка по
- 11. СЕГМЕНТАЦИЯ ИЗОБРАЖЕНИЙ (Image Segmentation) Неопределенность классификации КЛАССИФИКАЦИЯ ИСХОДНЫЕ ДАННЫЕ МАЛИНКИ
- 12. Классификационные признаки (КП) Непостоянство КП Способ классификации
- 13. Области значений яркости не пересекаются
- 14. d c b
- 15. Классификация способом максимального правдоподобия Расстояние Махаланобиса Классификация
- 16. КЛАССИФИКАЦИЯ БЕЗ и C ОБУЧЕНИЕМ
- 17. ОБОСНОВАНИЕ ДРОБНОСТИ КЛАССИФИКАЦИИ ДИСКРЕТНОЕ МНОЖЕСТВО НЕПРЕРЫВНОЕ МНОЖЕСТВО
- 18. ПЕРВЫЙ УРОВЕНЬ (2 класса) ДИХОТОМИЧЕСКАЯ КЛАССИФИКАЦИЯ ВТОРОЙ УРОВЕНЬ (4 класса) ОБОСНОВАНИЕ ДРОБНОСТИ КЛАССИФИКАЦИИ
- 19. = ТЕСТОВЫЕ ИЗОБРАЖЕНИЯ RGB
- 20. Тестовое множество RGB получено совмещением трех случайных
- 21. ТЕСТОВЫЕ ИЗОБРАЖЕНИЯ 100х100 пикселей Landsat 7 ETM+
- 22. ПРИЗНАКОВОЕ пространство, ШАПОЧКА С КИСТОЧКОЙ vs. PCA
Слайд 2Подбор снимков (тип съемки, разрешение пространственное и радиометрическое, сезон, облачность, искажения)
Геометрическая
Радиометрическая коррекция (перерасчет «сырых» значений яркостей съемки в поток отраженной солнечной радиации, зарегистрированный сенсором спутника, Вт/м2). Принципиально при использовании снимков за разные сроки съемки.
Расчет индексных изображений, характеризующие физические свойства отражательной поверхности (биологическая продуктивность (NDVI), температура, влажность, текстурные характеристики и др.)
Классификация. Выбор классификационных признаков в зависимости от целей исследования, особенностей территории и исходных данных, при необходимости снижение размерности данных, обоснование метрики, способа классификации, числа возможных классов.
Интерпретация полученных классов. Сопоставление полученным классам средних значений априорных данных и результатов полевых измерений свойств ландшафтного покрова.
ЭТАПЫ АНАЛИЗА ДДЗ:
Слайд 5Level II < 1:80,000
Level III 1:20,000 to 1:80,000
Level IV > 1:20,000.
Michigan Land/Use Cover Classification System
Слайд 86 потенциально различных типов условий снегонакопления
Снежный покров в коренных и производных
НСО 2010
Слайд 10КЛАССИФИКАЦИЯ – разделение всех пикселей снимка по их спектральным признакам на
Выбор признаков
Классификация
без обучения
Классификация
с обучением
Интерпретация
Легенда
Оформление карты
СЕГМЕНТАЦИЯ ИЗОБРАЖЕНИЙ (Image Segmentation)
1.
2.
3.
Слайд 11СЕГМЕНТАЦИЯ ИЗОБРАЖЕНИЙ (Image Segmentation)
Неопределенность классификации
КЛАССИФИКАЦИЯ
ИСХОДНЫЕ ДАННЫЕ
МАЛИНКИ
Слайд 12Классификационные признаки (КП)
Непостоянство КП
Способ классификации
Неопределенность
Дробность (число классов)
ПРОБЛЕМЫ
?
?
?
ДИСКРЕТНОЕ МНОЖЕСТВО
НЕПРЕРЫВНОЕ МНОЖЕСТВО
?
Слайд 13Области значений яркости не пересекаются
Способ параллелепипеда
Области значений яркости разных объектов
Корреляция между классификационными признаками отсутствует
(метрика минимального расстояния)
Существует корреляция между зональными значениями яркост
(метрика максимального правдоподобия)
Объекты, относительно изолированы в пространстве признаков
КЛАССИФИКАЦИЯ БЕЗ ОБУЧЕНИЯ
Слайд 14
d
c
b
Iterative Self-Organizing Data Analysis Technique
итеративный самоорганизующийся способ анализа данных
ШАГ 1.
ШАГ 2. Каждый пиксель относится в определенный кластер по принципу минимального расстояния
ШАГ 3. Результирующее положение центров и границ кластеров
КЛАССИФИКАЦИЯ БЕЗ ОБУЧЕНИЯ: ISODATA
М1
М1 + σ1
М1 - σ1
М2 - σ2
М2
М2 + σ2
a
d
c
b
a
d
c
b
a
Слайд 15Классификация способом максимального правдоподобия
Расстояние Махаланобиса
Классификация способом минимального расстояния
Спектральное расстояние D
Если спектральные
КЛАССИФИКАЦИЯ C ОБУЧЕНИЕМ
Слайд 18ПЕРВЫЙ УРОВЕНЬ (2 класса)
ДИХОТОМИЧЕСКАЯ КЛАССИФИКАЦИЯ
ВТОРОЙ УРОВЕНЬ (4 класса)
ОБОСНОВАНИЕ ДРОБНОСТИ КЛАССИФИКАЦИИ
Слайд 19=
ТЕСТОВЫЕ ИЗОБРАЖЕНИЯ
RGB
Растр 220 колонок х 192 строк
Число пикселей 42020, из них незначащие (No Data Cells) - 20728
Классификация на 3 класса
неопределенность
результат
Слайд 20Тестовое множество RGB получено совмещением трех случайных подмножеств R, G, B.
ТЕСТОВЫЕ ИЗОБРАЖЕНИЯ
RGB R G B
=
+
+
Слайд 21ТЕСТОВЫЕ ИЗОБРАЖЕНИЯ 100х100 пикселей
Landsat 7 ETM+ 22 марта Landsat 5 TM
Центрально-Лесной заповедник, участки условно-коренных и производных лесов, ветровалы, верховое болото "Старосельский мох" и поле д.Староселье. Разрешение - 28.5 м.
Landsat 5 TM 30 августа 1992 Landsat 7 ETM+ 30 мая 2002 Landsat 5 TM 20 мая 2007
САТИНО. Разрешение - 30 м.
