НОВІТНІ МЕТОДИ ОБРОБКИ НЕТОЧНИХ ДАНИХ ДЛЯ ВИРІШЕННЯ ЗАДАЧ У СФЕРІ  РАДІОЛОКАЦІЙНОГО СПОСТЕРЕЖЕННЯ ТА ДИСТАНЦІЙНОГО ЗОНДУВАННЯ ЗЕМЛІ

С. І. Альперт

doi:10.32782/2521-6643-2025-1-69.29

С. І. Альперт Державний університет «Київський авіаційний інститут» https://orcid.org/0000-0002-7284-6502

DOI: https://doi.org/10.32782/2521-6643-2025-1-69.29

Ключові слова: задачі дистанційного зондування Землі, задачі радіолокаційного спостереження, теорія свідчень Демпстера-Шейфера, неточні дані, базові ймовірності

Анотація

У наш час вирішення задач радіолокаційного спостереження та дистанційного зондування Землі вимагає обробки, аналізу та класифікування неточної, неповної та суперечливої інформації. Однією із найважливіших процедур обробки даних є класифікування супутникових знімків. Великий обсяг неточних даних може спричинити проблему із процедурою класифікування зображень. Зазначено, що у даному випадку для класифікування зображень слід застосовувати теорію свідчень Демпстера-Шейфера, оскільки дана теорія може працювати із неточною та невизначеною інформацією.Правило комбінації Демпстера використовується для об’єднання даних, отриманих від різних експертів, спектральних каналів або радіолокаційних станцій. Теорія свідчень може моделювати невизначеність. Радіолокаційні станції об’єднують дані із різних джерел для визначення координат об’єкта. Радіолокаційні станції можуть відрізнятися за своєю надійністю, точністю і повнотою. Адаптаційні властивості різних радіолокаційних станцій є різними до одного і того ж самого середовища. Тому об’єднання інформації є однією із найбільш важливих та складних процедур при вирішенні задач радіолокаційного спостереження. Новий підхід до об’єднання даних, заснований на теорії свідчень Демпстера-Шейфера, дає надійну комплексну оцінку координат об’єкта. Зазначено, що головною метою об’єднання інформації є спрощення даних, отриманих від різних експертів, джерел, спектральних каналів та радіолокаційних станцій. Об’єднання даних спрощує обчислення. Визначення базової ймовірності є важливою задачею, яка може вплинути на остаточні результати класифікування при застосуванні теорії свідчень. Проаналізовано різні методи визначення базової ймовірності. Розглянуто частотний метод для визначення базової ймовірності. Також детально описано числовий приклад. Запропоновано метод визначення базової ймовірності із використанням нечітких множин, оскільки теорія нечітких множин може працювати із невизначеними та неповними даними. Розглянуто метод визначення базових мас із використанням відстані між класифікованими даними та нормальним розподілом кожної характеристики для кожного еталонного класу. Зазначено, що не існує загального методу для визначення базової ймовірності. Розглянуті методи можуть бути застосовані для вирішення завдань дистанційного зондування, а саме: екологічних, сільсько-господарських, геологічних задач та для вирішення завдань у сфері радіолокаційного спостереження.

Посилання

1. Alpert S. A new approach to applying the discount rule in hyperspectral satellite image classification. Management of Development of Complex Systems. 2020. Vol. 43. P. 76 – 82. dx.doi.org\10.32347/2412-9933.2020 .43.76–82.
2. Alpert S. I. Data combination method in Remote Sensing tasks in case of conflicting information sources. Ukrainian Journal of Remote Sensing. 2021. Vol. 8(3). P. 44–48.
3. Bezdek J. C, Ehrlich R., Full W. FCM: The Fuzzy C-Means clustering algorithm. Computers and Geosciences. 1984. Vol.10. P.191–203.
4. Chander G., Markham B. Revised Landsat-5 TM radiometric calibration procedures and postcalibration dynamic ranges Geoscience and Remote Sensing. IEEE Transactions on Geoscience and Remote Sensing. 2003. Vol. 41. P. 264 – 267.
5. Chang C. I. Hyperspectral data processing. Algorithm design and analysis. Hoboken, N J: John Willey and Sons. 2013. 1164 p.
6. Hartigan J. A., Wong M. A. A K-means clustering algorithm. Applied Statistics. 1979. Vol. 28(1). P. 100–108.
7. Lu D., Weng Q. A survey of image classification methods and techniques for improving classification performance. International Journal of Remote Sensing. 2007. Vol. 28(5). P. 823–870.
8. Myung I. J. Tutorial on maximum likelihood Estimation. Journal of Mathematical Psychology. 2003. Vol. 47 (1). P. 90–100. doi:10.1016/S0022-2496(02)00028-7.
9. Olson C. Parallel algorithms for hierarchical clustering. Parallel Computing. 1995. Vol. 21(8). P. 1313–1325.
10. Shafer G. A Mathematical Theory of Evidence. Princeton, NJ: Princeton University Press. 1976. P. 875–883.
11. Taroun A., Yang J. B. Dempster-Shafer theory of evidence: Potential usage for decision making and risk analysis in construction project management. The Built & Hum. Environ. Rev. 2011. Vol. 4(1). P. 155–166.