Помощь в учёбе, очень быстро...
Работаем вместе до победы

Научно-методические основы построения и программное обеспечение региональной системы мониторинга с интеллектуальной высокопроизводительной обработкой данных

Диссертация: Научно-методические основы построения и программное обеспечение региональной системы мониторинга с интеллектуальной высокопроизводительной обработкой данных
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Выполнен выбор базовых сред разработки системы и интерфейса параллельных вычислений. Предложена структура ПО системы, включающая подсистемы, базирующиеся на ПО сторонних производителей и на оригинальном ПО, созданном с учетом результатов исследований предложенных методов и алгоритмов. Для разработки пользовательского интерфейса предложено использовать среду Borland Delphi 2009. Учитывая… Читать ещё >

Содержание

  • СОКРАЩЕНИЯ И ОБОЗНАЧЕНИЯ
  • ГЛАВА 1. СОВРЕМЕННЫЕ ПРОБЛЕМЫ АЭРОКОСМИЧЕСКОГО МОНИТОРИНГА
    • 1. 1. Аэрокосмический мониторинг окружающей среды
      • 1. 1. 1. Общие положения и разновидности мониторинга
      • 1. 1. 2. Задачи аэрокосмического мониторинга
    • 1. 2. Основные характеристики космических систем дистанционного зондирования Земли
      • 1. 2. 1. Общие положения
      • 1. 2. 2. Системы с данными среднего спектрального разрешения
      • 1. 2. 3. Системы с данными высокого спектрального разрешения
    • 1. 3. Системы аэрокосмического мониторинга
      • 1. 3. 1. Глобальные системы
      • 1. 3. 2. Типовые региональные системы
      • 1. 3. 3. Стандартные программные средства в задачах мониторинга
      • 1. 3. 4. Проблемы создания региональных систем мониторинга нового поколения

Научно-методические основы построения и программное обеспечение региональной системы мониторинга с интеллектуальной высокопроизводительной обработкой данных (реферат, курсовая, диплом, контрольная)

Растущая динамика и масштаб изменений в среде обитания человека вследствие процессов глобального изменения климата и увеличения числа факторов антропогенного воздействия на природно-территориальные комплексы, во многом вызванные активной мировой индустриализацией 50−70-х гг. XX века, до сегодняшнего дня обеспечивают особое внимание к проблемам окружающей среды. Существенная пространственная неоднородность исследуемых природно-территориальных комплексов окружающей среды, их динамичность и большая площадь зачастую не позволяют применять традиционные методы слежения за их состоянием как стационарные исследования, тематическое картирование на местности и т. п. Поэтому широкое распространение получили методы аэрокосмического мониторинга, базирующиеся на применении методов дистанционного зондирования Земли (ДЗЗ), геоинформационных систем (ГИС) и технологий, отличающиеся возможностями решения целого комплекса задач исследования состояния и динамики экосистем, прогноза происходящих в них явлений, и характеризующиеся оперативностью и точностью получаемых данных, адекватностью отражаемых процессов [2].

Для решения задач аэрокосмического мониторинга на международном, национальном и региональном уровнях применяют соответствующие технически сложные и дорогостоящие системы, осуществляющие сбор, обработку, хранение и распространение данных ДЗЗ с различными характеристиками, ежедневно принимаемые объемы спутниковой информации в которых характеризуются терабайтами. Наиболее известными примерами таких систем являются система EOS Data and Information System — EOSDIS, разработанная при поддержке NASA в США, система Information on Earth Observations — INFEO, созданная при участии Европейского космического агентство ESA. Также реализуются крупномасштабные программы исследования Земли из космоса — глобального изменения климата Integrated Global Observing Strategy (IGOS), предупреждения опасности стихийных 8 бедствий Disaster Manager Sequrity Programm (DMSP), глобального экологического мониторинга Global Monitoring for Environment and Security (GMES), экологического мониторинга «Природа» при поддержке Центра обработки и хранения космической информации ИРЭ РАН в России.

В условиях значительных объемов данных ДЗЗ с широким спектром характеристик, регулярно получаемых и размещаемых в архивах систем мониторинга, при дефиците исходной информации о ландшафтно-классовой структуре исследуемой территории растут требования потребителей к точности, адекватности, оперативности и глубине содержательной обработки данных в целях аэрокосмического мониторинга. Такая обработка связана с решением задач, характерных исключительно для интеллектуальных экспертных систем — интерпретации как формирования высокоуровневых выводов из набора данных, прогнозирования как проектирования возможных последствий ситуации, мониторинга как сравнения ожидаемого и фактического поведения среды и др. [80]. При этом стандартные вычислительные средства пользователя и традиционные алгоритмические подходы для такой сложной и затратной обработки в значительной степени не пригодны.

В то же время, несмотря на стремительное развитие глобальных и национальных систем аэрокосмического мониторинга, обеспеченных масштабной финансовой, организационной и технической поддержкой, их применение при решении широкого круга пользовательских задач также существенно ограничено. Это связано с тем, что такие системы, главным образом, реализуют функции глобальных архивов спутниковых данных, которые потенциально предназначены для решения задач атмосферного мониторинга, мониторинга глобальных биосферных процессов, решения масштабных океанографических задач, оперируют данными ДЗЗ со значительной обзорностью зондирования и невысоким пространственным разрешением, и не ориентированы на широкое использование в интересах рядовых потребителей и решение широчайшего спектра задач регионального и городского развития [2,3,20,21,22,24,33,66,75,106,107,108]:

• региональный экологический контроль;

• прогнозирование, планирование и проектирование землепользования;

• оценка биопродуктивности лесных массивов и сельскохозяйственных угодий;

• инвентаризация, контроль строительства и мониторинг состояния транспортной, энергетической, информационной инфраструктуры и прилегающих к ним территорий;

• создание и актуализация крупномасштабных топографических и специальных карт, планов растительности, ландшафтов и природопользования и др.

Учитывая обширные территории Российской Федерации, в которой отдельные субъекты по площади порой соответствуют нескольким странам мира, необходимость в развитых региональных и территориальных центрах аэрокосмического мониторинга, ориентированных на региональные научные изыскания с учётом наземных наблюдений и другой доступной местной информации, повышающей адекватность проводимых исследований, очевидна.

Значительный вклад в создание развитых методов обработки данных ДЗЗ для решения научно-прикладных задач и в исследование проблем построения систем аэрокосмического мониторинга различного назначения внесли отечественные и зарубежные ученые: Бондур В. Г., Виноградов Б. В., Гансвинд И. Н., Гарбук C.B., Гершензон В. Е., Кудашев Е. Б., Кузнецов А. Е., Копылов В. Н., Лебедев В. В., Лукьященко В. И., Лупян Е. А., Марков Н. Г., Пяткин В. П., Рюмкин А. И., Савин А. И., Шокин Ю. И., Plaza A.J., Chang C.-I., Clarke K.C., Landgrebe D. A, Haralick R.M., Richards J.A., Verburg P.H., Pontius Jr., Benenson I., Motta G. и др.

При этом, традиционно, вопросам создания наземных сегментов (в отличие от орбитальных) региональных и территориальных систем аэрокосмического мониторинга с центрами приёма, обработки и распространения, обладающих достаточными техническими возможностями для сложной интеллектуальной и высокопроизводительной обработки данных ДЗЗ в интересах рядовых потребителей, достаточного внимания не уделялось [70,77,109]. Кроме того, проблема создания эффективного математического и программного обеспечения систем аэрокосмического мониторинга существенно осложняется стремительным развитием области знаний, связанной с задачами обработки аэрокосмической информации, отличающейся постоянным совершенствованием спектральной и пространственной разрешающей способности данных ДЗЗ и увеличением накопленных и поступающих объемов таких данных.

В этих условиях крайне мало результатов исследований, посвященных проблемам сжатия аэрокосмических изображений с потерями и без потерь, призванных повысить эффективность процедур архивирования, каталогизации и передачи данных по каналам связи. Недостаточно исследованы вопросы создания гибких подходов к автоматизированной интерпретации с различной спектральной и пространственной разрешающей способностью аэрокосмических изображений, отличающихся низкой чувствительностью к статистическим характеристикам данных и высокой точностью классификации, и при этом, обладающих сравнительно высокой вычислительной эффективностью обработки. Практически отсутствуют подходы, позволяющие на основе накопленных разновременных аэрокосмических данных в условиях дефицита исходной информации о ландшафтно-классовой структуре исследуемой территории осуществлять краткосрочное и долгосрочное пространственное прогнозирование изменений ландшафтного покрова на основе моделирования и построения в привычном для исследователя представлении соответствующих прогнозных карт, отличающихся оперативностью и точностью построения, адекватностью отражаемых на исследуемой территории процессов [70,77,88,92,95−97,108,109,194].

Несмотря на возрастающий интерес отечественных и зарубежных ученых к области высокопроизводительных параллельных вычислений, в том числе и для задач обработки данных ДЗЗ, современные результаты исследований характеризуются обзорной направленностью и не содержат необходимых деталей практической реализации как при использовании дорогостоящей суперкомпьютерной техники, так и недорогих ПЭВМ, объединенных в локальной вычислительной сети [200,231].

Наконец, отсутствуют концептуальные основы построения региональных систем мониторинга, ориентированных на создание широкого спектра оригинальных информационных продуктов, и в значительной степени свободных от вышеуказанных ограничений и недостатков.

Поэтому работа, направленная на теоретическое обобщение и решение крупной научно-технической проблемы, связанной с созданием многофункционального математического и программного обеспечения для существующих и вновь проектируемых систем аэрокосмического мониторинга, наделенных возможностями интеллектуальной высокопроизводительной параллельной обработки поступающих и накопленных массивов данных ДЗЗ, позволяющими создавать оригинальные информационные продукты и решать спектр современных задач аэрокосмического мониторинга, представляется крайне актуальной.

Результаты работы способствуют повышению глобальной конкурентоспособности дорогостоящих и технически сложных систем аэрокосмического мониторинга, удовлетворяющих в условиях увеличивающихся объемов доступных данных ДЗЗ с широким спектром характеристик постоянно растущие требования потребителей к оперативности и точности обработки данных, адекватности отражаемых на исследуемой территории процессов, и позволяющих увеличить эффективность использования имеющихся материально-технических и кадровых ресурсов при их создании и эксплуатации.

Цель диссертационной работы. Развитие научно-методических основ построения и разработка программного обеспечения региональных систем мониторинга, позволяющих за счет интеллектуальной высокопроизводительной обработки данных оперативно создавать широкий спектр оригинальных информационных продуктов, направленных на совершенствование решения современных задач мониторинга.

Для достижения поставленной цели необходимо последовательное решение следующих задач:

1. Разработка научно-методических основ построения систем мониторинга с использованием аэрокосмических методов и интеллектуальной высокопроизводительной обработки данных, включая концепцию системы, основные требования к системе и её структуру, предусматривающих возможность оперативного создания спектра оригинальных информационных продуктов, направленных на совершенствование решения задач мониторинга.

2. Создание математического обеспечения (методов и алгоритмов) системы мониторинга, направленного на комплексную интеллектуальную обработку данных ДЗЗ с различным спектральным и пространственным разрешением при низкой чувствительности к статистическим характеристикам данных, доступную за счет более высокой вычислительной эффективности к широкому использованию на типовых ПЭВМ, и обеспечивающих оперативность, точность и адекватность отражаемых процессов и явлений ландшафта в условиях дефицита исходной информации.

3. Адаптация основных компонентов созданного математического и программного обеспечения системы мониторинга для высокопроизводительных параллельных вычислений, применимых как на дорогостоящих суперкомпьютерах, так и на кластерах из недорогих типовых ПЭВМ, и направленная на значительное увеличение производительности в условиях вычислительной сложности обработки данных и их значительных объемов.

4. Разработка программного обеспечения (ПО) основных подсистем системы мониторинга с интеллектуальной высокопроизводительной обработкой данных, созданного с учетом сформулированной концепции и реализующего предложенные методы и алгоритмы.

5. Апробация разработанной системы при создании различных информационных продуктов и решении прикладных задач аэрокосмического мониторинга с использованием данных ДЗЗ и результатов их обработки.

Методы исследования. В работе использованы методы системного анализа, многомерного статистического анализа, теории распознавания образов, текстурного и нейросетевого анализа, пространственной индексации данных, стохастического пространственного моделирования, сжатия аэрокосмических изображений, параллельных вычислений, объектно-ориентированного проектирования и программирования.

Научная новизна. Научной новизной обладают следующие основные результаты:

1. Концепция построения региональной информационной системы мониторинга, предусматривающая возможность альтернативного использования данных ДЗЗ с различным спектральным и пространственным разрешением, а также комплексную интеллектуальную обработку данных, позволяющих оперативно создавать спектр информационных продуктов, адекватно отражающих происходящие процессы и явления ландшафта, и направленных на совершенствование решения задач мониторинга с использованием аэрокосмических методов.

2. Методы и алгоритмы автоматизированной интерпретации мультии гиперспектральных аэрокосмических изображений, отличающиеся от аналогов низкой чувствительностью к статистическим характеристикам данных, и, при этом, обладающих более высокой точностью и вычислительной эффективностью обработки.

3. Методы и алгоритмы построения по разновременным аэрокосмическим данным прогнозных карт динамики ландшафтного покрова, и отличающиеся учетом особенностей краткосрочного и долгосрочного прогнозирования, позволяющих оперативно и адекватно отражать процессы и явления ландшафта в условиях дефицита исходной информации.

4. Алгоритмы сжатия мультии гиперспектральных аэрокосмических изображений, повышающие эффективность процедур архивирования, каталогизации и передачи данных по каналам связи в условиях значительных объемов накопленной и получаемой системами мониторинга аэрокосмической информации.

5. Методы и алгоритмы сжатия и автоматизированной интерпретации мультии гиперспектральных аэрокосмических изображений, а также построения прогнозных ландшафтных карт динамики, значительное увеличение производительности которых достигается их повышенной вычислительной эффективностью, а также адаптацией к параллельным вычислениям, применимой как на дорогостоящих суперкомпьютерах, так и на кластерах из недорогих типовых ПЭВМ.

6. Результаты исследований разработанного математического и программного обеспечения для задач аэрокосмического мониторинга, выполненные с использованием модельных и реальных данных, и позволяющие оценить пределы применимости и вычислительную эффективность предложенных методов и алгоритмов.

Теоретическая значимость работы. Теоретическая значимость работы заключается в решении крупной научной проблемы создания исследовательских и прикладных систем мониторинга, характеризующихся высокой оперативностью, точностью и адекватностью отражаемых процессов и явлений ландшафта, достигаемых использованием аэрокосмических методов и интеллектуальной высокопроизводительной обработкой данных при построении оригинальных информационных продуктов.

Практическая значимость и внедрение результатов работы.

Практически значимыми являются созданные методы, алгоритмы и ПО системы мониторинга, использованные:

• в проектах Российского фонда фундаментальных исследований в качестве руководителя (№№ 11−07−27-а, 03−07−6 024-мас) и ответственного исполнителя (№№ 00−07−90 124-в, 03−07−90 124-в, 06−05−78 056-д);

• в проекте анализа динамики ландшафта территории Португалии при финансовой поддержке Португальского фонда науки и технологии (№ PTDC/CS-GEO/IO1836/2008);

• в международном проекте TEMPUS IV 159 386-TEMPUS-12 009;1-DE-TEMPUS-JPCR в Институте кибернетики Национального исследовательского Томского политехнического университета (ТПУ);

• при выполнении межвузовского исследовательского проекта № 04/72 011 «Теоретические основы построения и программное обеспечение интеллектуальной высокопроизводительной информационной системы аэрокосмического мониторинга» Программы развития ТПУ;

• в проекте создания Международной аэрокосмической системы глобального мониторинга (МАКСМ) для задач прогнозирования природных стихийных бедствий и техногенных катастроф, включая определение концептуальных основ построения наземной инфраструктуры МАКСМ;

• в системе ГО и ЧС по Томской области в целях предупреждения, анализа причин и последствий чрезвычайных антропогенных и природных ситуаций на подведомственных службе территории;

• при выполнении инициативных исследовательских проектов с промышленными предприятиями нефтегазовой отрасли (ООО «Газпром трансгаз Томск», ООО «Норд-Империал», ОАО «ТомскНИПИнефть», ООО «КогалымНИПИнефть»), а также х/д № 8−21/03 между Институтом «Кибернетический центр» ТПУ и ОАО «Востокгазпром».

Результаты внедрения и практического использования результатов подтверждены соответствующими документами.

Основные защищаемые положения.

1. Информационная система мониторинга, основанная на оригинальных концепции, математическом и программном обеспечении, позволяет с высокой степенью оперативности получения результатов, адекватности отражаемых процессов и явлений ландшафта, выполнять комплексную интеллектуальную обработку данных и создавать спектр оригинальных информационных продуктов, направленных на совершенствование решения задач мониторинга.

2. Методы и алгоритмы системы мониторинга позволяют осуществлять интеллектуальную обработку данных дистанционного зондирования Земли с вариативным спектральным и пространственным разрешением и различными статистическими характеристиками при высокой вычислительной эффективности и точности такой обработки.

3. Методы и алгоритмы системы мониторинга позволяют создавать по разновременным аэрокосмическим данным прогнозные карты динамики ландшафтного покрова, отличающиеся учетом особенностей краткосрочного и долгосрочного прогнозирования при высокой адекватности отражаемых процессов и явлений ландшафта в условиях дефицита исходной информации.

4. Оригинальные подходы и алгоритмы сжатия аэрокосмических изображений повышают эффективность процедур архивирования, каталогизации и передачи данных по каналам связи в условиях значительных объемов накопленной и получаемой наземными сегментами систем дистанционного зондирования Земли аэрокосмической информации.

5. Адаптация основных компонентов созданного математического и программного обеспечения системы мониторинга для параллельных вычислений позволяет в несколько раз увеличить производительность сложной обработки данных, и применима как на дорогостоящих суперкомпьютерах, так и на вычислительных кластерах из недорогих типовых ПЭВМ.

Публикации и апробация работы. Полученные новые научно-практические результаты изложены в 50 работах, представленных на отечественных и зарубежных конференциях и симпозиумах, включая статьи в 14 реферируемых журналах, рекомендуемых ВАК РФ, две монографии, одна из которых издана на английском языке за рубежом, свидетельство о государственной регистрации программы для ЭВМ «Программное обеспечение для распределенно-параллельного моделирования изменений ландшафтного покрова» № 2 011 615 128 от 29.06.2011 г., а также учебно-методические пособия с грифами.

Основные результаты работы докладывались и обсуждались на следующих конгрессах, симпозиумах, конференциях и семинарах: Международный научный симпозиум ассоциации ISPRS, Вена, Австрия, 2010 г.- Международный форум по геоинформатике, Зальцбург, Австрия, 2009 г.- 1-ый семинар ассоциации EARSeL, университет Гумбольта, Берлин, 2006 г.- Международные конференции Ассоциации геоинформационных лабораторий Европы AGILE V-X (г. Пальма, Испания, 2002 г.- г. Лион, Франция, 2003 г.- г. Ираклион, Греция, 2004 г.- Эшторил, Португалия, 2005 г.- Визиград, Венгрия, 2006 г.- Олборг, Дания, 2007), Русско-американский семинар «Studies of Socio-Natural Co-Evolution from Different Parts of the World» (г. Новосибирск, 2002 г.), IX Международный симпозиум «Remote Sensing 2002» SPIE, (г. Ираклион, Греция, 2002 г.), V Международный семинар «Computer Science and Information Technologies» (г. Уфа, 2003 г.), V и VI Всероссийские научно-технические конференции «Нейроинформатика — 2003» и «Нейроинформатика — 2004» (г. Москва), XX Международный конгресс ISPRS (г. Стамбул, Турция, 2004 г.), I Международная конференция «Земля из космоса — наиболее эффективные решения» (г. Москва, 2004 г.).

Личный вклад:

1. Постановка цели и задач исследования, разработка концепции построения региональной информационной системы мониторинга, использующей аэрокосмические методы и высокопроизводительную интеллектуальную обработку данных, выполнены автором [45].

2. Разработка математического и программного обеспечения автоматизированной интерпретации мультии гиперспектральных аэрокосмических изображений (АИ) выполнены совместно с Н. Г. Марковым и A.A. Напрюшкиным [41,51,53,265]. Разработка технологии распределенно-параллельной автоматизированной интерпретации, а также результаты соответствующих исследований получены автором [48].

3. Разработка математического обеспечения построения прогнозных карт динамики ландшафтного покрова выполнена совместно с Н. Г. Марковым [51,54]. Разработка математического и программного обеспечения моделирования с учетом ландшафтно-классовых особенностей на основе набора пространственных характеристик, способов повышения эффективности долгосрочного прогнозирования, а также алгоритмов высокопроизводительной распределенно-параллельной обработки данных для моделирования, выполнены под руководством и при участии автора [41,47,49,98,265]. Апробация разработанного ПО моделирования изменений ландшафтного покрова выполнена совместно с П. Кабралом [58, 155].

4. Разработка математического и программного обеспечения сжатия мультиспектральных АИ, а также проведение соответствующих экспериментальных исследований выполнены совместно с То Динь Чыонгом под руководством и при участии автора [61,62]. Разработка математического и ПО дифференцированного сжатия мультиспектральных данных ДЭЗ с потерями, алгоритма сжатия гиперспектральных АИ и его адаптация для параллельного исполнения, выполнены при участии автора [42].

Структура и объем работы. Диссертация состоит из введения, шести глав, заключения, списка использованных источников из 273 наименований и приложений. Объем основного текста диссертации составляет 268 страниц машинописного текста, иллюстрированного 64 рисунками и 11 таблицами.

6.4. Основные результаты и выводы.

1. Выполнен выбор базовых сред разработки системы и интерфейса параллельных вычислений. Предложена структура ПО системы, включающая подсистемы, базирующиеся на ПО сторонних производителей и на оригинальном ПО, созданном с учетом результатов исследований предложенных методов и алгоритмов. Для разработки пользовательского интерфейса предложено использовать среду Borland Delphi 2009. Учитывая требования к высокой вычислительной эффективности модулей собственной разработки применена среда Microsoft Visual С++ 2008. Организацию высокопроизводительных распределенно-параллельных вычислений предложено реализовать в архитектуре с распределенной памятью на основе б’МР-обработки с использованием интерфейса MPI (библиотека MPICH 2.0). Взаимодействие между программными модулями, созданными с использованием разных сред и языков программирования, осуществляется посредством вызова соответствующих функций из динамически связываемых библиотек.

2. Показана детализированная модульная структура ПО подсистемы интеллектуальной обработки. В частности, рассмотрены модули классификации мультии гиперспектральных АИ, включая примеры проектирования модуля классификации гиперспектральных АИ с использованием диаграмм классов и компонентов UML, перечень основных компонентов ПО этого модуля и его файловая структура. Приведена структура модулей распределенно-параллельной классификации мультии гиперспектральных АИ и моделирования изменений ландшафтного покрова, реализующего четыре варианта параллельного исполнения алгоритма моделирования, а также примеры соответствующих экранных форм пользовательского интерфейса.

3. Рассмотрена детализированная модульная структура ПО подсистемы архивирования и каталогизации, отличительной особенностью которой является наличие модулей сжатия мультии гиперспектральных АИ. Модуль каталогизации и хранения данных реализован с использованием языка Transact-SQL на основе СУБД MS SQL Server 2008, а в качестве механизма доступа к БД используется технология Microsoft ActiveX Data Objects. Для долговременного хранения значительных объёмов данных в модуле каталогизации и хранения предусмотрены файловый сервер и средства на основе &4Л)-технологии. Показана структура модуля распределенно-параллельного моделирования изменений ландшафтного покрова, а также примеры экранных форм пользовательского интерфейса.

ЗАКЛЮЧЕНИЕ

.

В качестве основных результатов диссертационной работы следует отметить следующие.

1. Анализ проблем мониторинга окружающей среды, отмечающий такие ключевые недостатки в построении современных систем мониторинга как отсутствие значительной гибкости в подходах к обработке данных ДЗЗ в условиях значительных объемов регулярно принимаемой и хранимой аэрокосмической информации и совершенствования её спектральной и пространственной разрешающей способности, а также отсутствие концепции построения региональных систем мониторинга, лишенных в значительной мере отмеченных недостатков.

2. Концепция построения региональной информационной системы, предназначенной для комплексного решения современных задач экологического мониторинга. Отличительной особенностью систем, реализующих предложенную концепцию, является возможность использования данных дистанционного зондирования Земли с различными характеристиками, позволяющая с высокой степенью точности и оперативности выполнять комплексную интеллектуальную обработку данных и создавать спектр оригинальных информационных продуктов, направленных на повышение эффективности решения задач мониторинга.

3. Оригинальные методы и алгоритмы автоматизированной интерпретации мультии гиперспектральных аэрокосмических изображений, отличающиеся от аналогов низкой чувствительностью к статистическим характеристикам данных, и, при этом, обладающих увеличенной до 10% точностью классификации и в десятки раз повышенной вычислительной эффективностью обработки.

4. Оригинальные подходы, методы и алгоритмы построения по разновременным аэрокосмическим данным прогнозных карт динамики ландшафтного покрова, учитывающие особенности краткосрочного и долгосрочного прогнозирования, и отличающиеся более высокой.

289 адекватностью отражения процессов и явлений ландшафта и точностью построения прогнозных карт в условиях дефицита исходной информации.

5. Оригинальные подходы к автоматизированной интерпретации аэрокосмических изображений и к построению прогнозных ландшафтных карт динамики, увеличение производительности которых в 1,8-^2,5 раза достигается применением методов и алгоритмов, адаптированных для параллельных вычислений, применимых как на дорогостоящих суперкомпьютерах, так и на кластерах из недорогих типовых ПЭВМ.

6. Оригинальные подходы и алгоритмы сжатия аэрокосмических изображений, позволяющие увеличить степень сжатия до 1,5ч-3,0 раз и повышающие эффективность процедур архивирования, каталогизации и передачи данных по каналам связи в условиях значительных объемов накопленной и получаемой наземными сегментами систем дистанционного зондирования Земли аэрокосмической информации.

7. Программное обеспечение системы мониторинга, реализующее предложенную концепцию построения системы, и созданное на основе оригинального математического обеспечения усовершенствованной обработки данных и результатов экспериментальных исследований с использованием тестовых модельных и реальных данных.

8. Практическая апробация математического и программного обеспечения системы мониторинга при решении прикладных задач аэрокосмического мониторинга на территории России (Томская область, Ханты-Мансийский автономный округ) и за рубежом (Португалия) с использованием спутниковых изображений различных систем дистанционного зондирования Земли.

Показать весь текст

Список литературы

  1. С.А. Классификация многомерных наблюдений. М.: Изд-во Статистика, 1978. — 232 с.
  2. В.Г. Аэрокосмический мониторинг месторождений нефти и газа, М.: ООО «Недра-Бизнесцентр», 2008. 454 с.
  3. O.E. Концепция региональной эколого-информационной системы мониторинга // Информационные технологии, 2009. № 5. — С.62−67.
  4. Баруча-Рид А. Т. Элементы теории марковских процессов и их приложения. М.: Изд-во «Наука», 1969. — 512 с.
  5. В.М., Шокин Ю. И. Математическое моделирование в задачах охраны окружающей среды. Новосибирск: Изд-во «ИНФОЛИО-пресс», 1997.-240 с.
  6. A.M. Геоиконика. М.: Астрея, 1996. — 208 с.
  7. М.А., Михайлов В. И., Дудкин С. А. Основные тенденции, проблемы, перспективы развития систем дистанционного зондирования Земли. Взгляд потребителя // Вопросы электромеханики. Труды Hl 111 ВНИИЭМ. Т. 105, 2008. — С. 82−83.
  8. М.А., Емельянов К. С., Ефремов В. Ю., Лупян Е. А., Мазуров A.A., Пахомов Л. А., Прошин A.A., Саворский В.П. Построение информационной системы удаленной работы с каталогами данных НЦ
  9. ОМЗ // Современные проблемы дистанционного зондирования Земли из космоса, 2010. Т.7. — № 4. — С. 64−71.
  10. О.Б. Алгоритмы текстурной классификации типов лесов на основе анализа космических снимков с ИСЗ «Landsat-7» // Исследование Земли из космоса, 2002. № 5. — С. 87−96.
  11. Буч Г. Объектно-ориентированный анализ и проектирование с примерами приложений на С++. Пер. с англ. под ред. И. Романовского и Ф. Андреева, М: Rational, 1998.-420 с.
  12. A.A., Пяткин В. П., Русин Е. В. Распределенная высокопроизводительная обработка данных дистанционного зондирования Земли // Исследование Земли из космоса, 2007. № 4. — С.34−38.
  13. В.Н. Восстановление зависимостей по эмпирическим данным. -М.: Изд-во «Наука», 1979. 488 с.
  14. В.Н., Стефанюк А. Р. Непараметрические методы восстановления плотности вероятности // Автоматика и телемеханика, 1978 № 8. — С. 3852.
  15. В.Н., Червоненкис А. Я. Теория распознавания образов. Статистические проблемы обучения. М.: Наука, 1974. — 416 с.
  16. Д., Ратушняк А., Смирнов М., Юкин В. Методы сжатия данных. Устройство архиваторов, сжатие изображений и видео. М.: Диалог-МИФИ, 2002, — 384 с.
  17. Г. Анализ изображений, случайные поля и методы Монте-Карло на цепях Маркова: мат. основы.-2-e изд. Новосибирск: Гео, 2008. — 440 с.
  18. .В. Аэрокосмический мониторинг экосистем. М.: Изд-во Наука, 1984.-320 с.
  19. .В. Основы ландшафтной экологии. М.: Изд-во «Геос», 1998.-418 с.
  20. .В., Кондратьев К .Я. Космические методы землеведения. -JL: Гидрометеорологическое изд-во, 1971. 190 с.
  21. В.В., Воеводин В л .В. Параллельные вычисления. СПб.: БХВ-Петербург, 2004. — 608 с.
  22. C.B., Гершензон В. Е. Космические системы дистанционного зондирования Земли. М.: Изд-во, А и Б, 1997. — 296 е.: ил.
  23. География из космоса / В. Т. Савиных, В. А. Малинников, С. А. Сладкопевцев, Э. Н. Цыпина. Изд-во Московского государственного университета геодезии и картографии, 2000. — 224 с.
  24. В.Е. Теория вероятностей и математическая статистика. М.: Изд-во Высш. шк., 2000. — 479 с.
  25. .А. Параллельные вычислительные системы. М.: Наука, 1980. — 520 с.
  26. Е.П., Окладников И. Г., Титов А. Г. Информационно-вычислительные системы на основе веб-технологий для исследования региональных природно-климатических процессов // Вычислительные технологии, 2007. Т. 12. — Спец. выпуск № 3. — С. 20−29.
  27. А.Л., Скрипкин В. А. Методы распознавания. 3-е изд. перераб. и доп. — М.: Изд-во Высш. шк., 1989. — 232 с.
  28. Д., Мишел Д., Тейлор Д. Программирование в среде Delphi: Пер. с англ./ К.: НИПФ «ДиаСофт Лтд.», 1995. — 608 с.293
  29. Джеффри Рихтер Windows для профессионалов: Программирование для Windows 95 и Windows NT 4 на базе Win32 API/Пер. с англ. М.: Издательский отдел «Русская редакция» ТОО «Channel Trading Ltd.», 1997.-712 с.
  30. Дистанционное зондирование: количественный подход / Ш. М. Дейвис, Д. А. Ландгребе, Т. Л. Филлипс и др. Пер с англ. М., Недра, 1983 с. 415.
  31. Р., Харт П. Распознавание образов, пер. с англ. М.: Изд-во Наука, 1981.-450 с.
  32. В.А. Непараметрическая оценка многомерной плотности вероятности // Теория вероятностей и ее применения, вып. 1. 1969.Т. 14.-С. 156−161.
  33. С.Г. Метод устранения необходимости переключения вычислительных узлов при организации параллельной обработки информации // Информационные технологии, 2007. № 10. — С. 65−68.
  34. С.С. Обзор методов распараллеливания алгоритмов решения некоторых задач вычислительной дискретной математики // Математические структуры и моделирование, 2007. № 17. — С. 72−93.
  35. А.Б. Использование искусственных нейронных сетей в задачах изучения Земли из космоса // Исследование Земли из космоса, 2000. -№ 6. С. 79−93.
  36. Н.Г. Методы распознавания и их применение. М.: Изд-во Наука, 1984.-256 с.
  37. A.B. Анализ динамики ландшафтного покрова на основе данных дистанционного зондирования Земли // Исследование Земли из космоса, 2006. № 6. — С.50−64.
  38. A.B. Дифференцированное сжатие аэрокосмических изображений с потерями // Информационные технологии, 2011. № 6. — С.60−65.
  39. A.B. Использование искусственных нейронных сетей при классификации многозональных аэрокосмических изображений // Материалы VI Всероссийской научно-технической конференции «Нейроинформатика 2004», 4.2. — М.: МИФИ, 2004. — С. 239−246.
  40. A.B. Концепция региональной информационной системы аэрокосмического мониторинга с интеллектуальной распределенно-параллельной обработкой данных // Информационные технологии, 2011. -№ 7. С.38−43.
  41. A.B. Операционные системы: учебное пособие- Томск: Изд-во Томского политехнического университета, 2010. 167 с.
  42. A.B. Применение пространственных характеристик при моделировании изменений ландшафтного покрова с использованием клеточных автоматов // Известия Томского политехнического университета. Томск, 2008. — Т.313. — № 5. — С. 14−20.
  43. A.B. Распределенные вычисления в задачах автоматизированной интерпретации аэрокосмических изображений // Информационные технологии, 2010. № 6. — С.75−79.
  44. A.B. Стохастический алгоритм моделирования для задач долгосрочного прогнозирования изменений ландшафтного покрова // Математическое моделирование, 2010. Т.22. — № 11. — С. 148−160.
  45. A.B., Марков Н. Г. Анализ динамики земной поверхности с использованием данных дистанционного зондирования Земли. М.: Физматлит. — 2007. — 176 с.
  46. A.B., Марков Н. Г. Непараметрическая классификация аэрокосмических изображений с использованием набора текстурных признаков // Исследование Земли из космоса, 2006. № 1. — С. 25−34.
  47. A.B., Марков Н. Г. Подход к моделированию изменений ландшафтного покрова с использованием клеточных автоматов // Известия Томского политехнического университета. Томск, 2005. — Т.308. — № 6. -С. 164−169.
  48. A.B., Марков Н. Г., Напрюшкин A.A. Адаптивный алгоритм классификации с использованием текстурного анализа для автоматизированной интерпретации аэрокосмических изображений // Исследование Земли из космоса, 2004- № 2- С. 32−40.
  49. A.B., Михайлов П. В., Cabrai Р. Современные средства для решения задач анализа динамики и прогнозирования изменений ландшафтного покрова // Известия Томского политехнического университета, 2006. Томск. — Т.309. — № 7. — С.80−86.
  50. A.B., Сидоров Д. В. Операционные системы. Лабораторный практикум: учебное пособие Томск: Изд-во Томского политехнического университета, 2010. — 122 с.
  51. A.B., То Динь Чыонг. Повышение эффективности алгоритма сжатия многозональных аэрокосмических изображений // Известия Томского политехнического университета, 2008. Томск. — Т.313. — № 5. -С. 24−28.
  52. A.B., То Динь Чыонг. Сжатие многозональных аэрокосмических изображений с использованием вейвлет-преобразования и учетом междиапазонной зависимости // Известия Томского политехнического университета, 2008. Т.313. — № 5. — С.20−24.
  53. А.П., Орлов А. Г., Родионов И. Д. Авиационный гиперспектрометр // Вестник МГТУ им. Н. Э. Баумана. Сер. «Приборостроение», 2006. № 3. — С. 11−24.
  54. В.Б., Сухинин А. И. Дистанционное зондирование Земли из космоса. Цифровая обработка изображений: Учебное пособие. М.:Логос, 2001.-264 е.: ил.
  55. Ю.Ф. Аэрокосмическое зондирование. М.: Изд-во МГУ, 1997. -129 с.
  56. Ю.Ф. Основы аэрокосмических методов географических исследований М.: Изд-во Моск. ун-та, 1980. — 137 с.
  57. Ю.Ф., Кравцова В. И., Тутубалина О. В. Аэрокосмические методы географических исследований. М.: Academia, 2004- 332 с.
  58. Компания Advanced Information Systems и др. Oracle8. Энциклопедия пользователя.: Пер. с англ./К.: Издательство «ДиаСофт Лтд.», 1998. 864 с.
  59. В.Н. Основы создания центра космического мониторинга окружающей среды. Екатеринбург: ПП «Контур», 2006. — 144 с.
  60. В.А. Мониторинг геологической среды. Учебник / Под ред. В. Т. Трофимова. М.: Изд-во МГУ, 1995. — 272 с.
  61. Ю.М., Коршунов Ю. М. Математические основы кибернетики. -М.: Энергоатомиздат. 1980. — 424 с.
  62. В.И. Космические методы картографирования. М.: Изд-во МГУ, 1995. 240 с.
  63. Д., Уингоу С., Шефер Дж. Программирование на Microsoft Visual С++ 6.0 для профессионалов / Пер. с англ. СПб: Питер- М.: Издательско-торговый дом «Русская редакция», 2002. — 864 с.
  64. Е.Б. Электронная библиотека спутниковых данных: доступ к коллекциям экологического мониторинга // Космическая наука и технология, 2003. № 5/6. — С. 207−210.
  65. A.B., Ченцов C.B. Непараметрические системы обработкиинформации: Учебное пособие. М.: Изд-во Наука, 2000. — 350 с.298
  66. В.В., Гансвинд И. Н. Проектирование систем космического мониторинга. М.: Изд-во «Наука», 2010 г. — 388 с.
  67. Лорьер Ж.-Л. Системы искусственного интеллекта. М.: Мир, 1991. -568 с.
  68. Е.А., Мазуров A.A., Назиров Р. Р., Прошин A.A., Флитман Е. В. Универсальная технология построения систем хранения спутниковых данных Препринт ИКИ РАН. Пр-2024. М. 2000. 22 с.
  69. Д.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем, 4-е изд.: пер. с англ. М.: Издательский дом «Вильяме», 2003. 864 с.
  70. Ю.А., Поляков В. И., Рюмкин А. И., Сальников С. П. Информационная система управления землепользованием Красноярского края // Вестник Томского гос. ун-та, 2002. № 275. — С. 47−53.
  71. Г. М. Статистическое оценивание распределения вероятностей. -Тбилиси: Изд-во Тбил. ун-та, 1974. 238 с.
  72. Н.Г., Напрюшкин A.A., Замятин A.B. Применение нейронных сетей при решении задач экологического мониторинга // Межвузовский научно-техн. сб. «Кибернетика и вуз», вып. 30, — Томск: Изд-во ТПУ. -2003.-С. 76−81.
  73. Л.Е. Применение многослойных нейронных сетей для классификации земных объектов на основе анализа многозональных сканерных изображений // Исследование Земли из космоса. 2000. — № 6. -С.41−50.
  74. Д.И., Поликарпов Н. П. Возможен ли прогноз лесного покрова Сибири на XXI век? // Природа. 2001. — № 4. — С. 55−62.
  75. A.A. Алгоритмическое и программное обеспечение системы интерпретации аэрокосмических изображений для решения задач картирования ландшафтных объектов: диссертация на соискание ученой степени к.т.н. Томск. 2002. — 168 с.
  76. Л.А., Шалыто A.A. Клеточные автоматы. Реализация и эксперименты // Мир ПЭВМ. 2003. — № 8. С. 64−71.
  77. Научный центр оперативного мониторинга Земли. Электронный ресурс. Режим доступа: — http://vsrww.ntsomz.ru/, свободный. (1.09.2011)
  78. Нейроинформатика / А. Н. Горбанъ, В.Л. Дунин-Барковский, А. Н. Кирдин и др. Новосибирск: Изд-во Наука. Сибирское предприятие РАН. — 1998. -296 с.
  79. Нейронные сети. Statistica Neural Networks: Пер. с англ. М.: Горячая линия-Телеком. 2000. — 182 с.
  80. Новый метод картографического представления информации о динамике экосистем // Аэрокосмические методы исследований при мелиоративном и водохозяйственном строительстве. М.: Союзводпроект. 1990 — С. 92−99.
  81. Ф.И., Тарасенко Ф. П. Введение в системный анализ. — М.: Высшая школа, 1989. 320 с.
  82. A.C. Распознавание образов и машинное восприятие: общий подход на основе принципа минимальной длины описания. СПб.: Политехника, 2007. — 548 с.
  83. Принципы и методика составления прогнозных металлогенических карт. Сб. статей. Отв. Ред. Е. Т. Шаталов. М.: Изд-во Недра, 1966.
  84. Принципы и методы геосистемного мониторинга / A.M. Грин, H.H. Клюев, В. Д. Утехин и др. М.: Изд-во Наука, 1989. — 168 с.
  85. Проблемы создания региональных геоинформационных комплексов и опыт решения прикладных задач на основе картографической информации / И. Е. Бруни, В. Ю. Вознесенский, А. Ю. Воробьев и др. Подред. В. В. Лебедева, — М.: Изд-во Наука, 2002. 239 с.300
  86. Программное обеспечение для распределенно-параллельного моделирования изменений ландшафтного покрова / Афанасьев A.A., Замятин A.B. // Свидетельство о государственной регистрации программы для ЭВМ № 2 011 615 128 от 29.06.2011 г.
  87. К.Т., Рюмкин А. И. Непараметрический алгоритм распознавания объектов подстилающей поверхности Земли по данным аэрокосмической съемки // Вестник Томского гос. ун-та, 2002. № 275. — С. 41−46.
  88. С., Норвиг П. Искусственный интеллект: современный подход / пер. с англ. 2-е изд. — М.: Вильяме, 2006. — 1408 с.
  89. A.A., Камышев А. П. Природа и сооружения в критических ситуациях//Дистанционный анализ М.: Изд-во «Триада Лтд», 2001. -2008 с.
  90. Региональный географический прогноз управление природопользованием. Сб. статей. — М.: Изд-во Наука, 1989. — 80 с.
  91. Ю.А. Стационарные случайные процессы.-2-е изд., доп.- М.: Изд-во Наука. Гл.ред.физ.-мат.лит., 1990. 272 с.
  92. Г. С. Адекватность математического моделирования экологических систем // Экология, 1989. № 6. — С. 8−14.
  93. Г. С., Брусиловский П. М. Об адекватности экологического моделирования // Статистический анализ и математическое моделирование фитоценотических систем, 1982. Уфа. — С. 6−17.
  94. А.И. Модель планировочной структуры города // Вестник Томского гос. ун-та, 2006. № 290. — С. 279−282.
  95. А.И., Кравченко Г.Г-. Организация регионального развития на основе геоинформационных технологий // Геоинформатика, 2007. № 2. -С. 36−43.
  96. А.И., Тябаев Е. С. О моделировании расселения региона // Вестник Томского гос. ун-та, 2006. № 290. — С. 283−287.
  97. А.И., Бондур В. Г. Научные основы создания и диверсификации глобальных аэрокосмических систем // Оптика атмосферы и океана. 2000-Т.13. -№ 1.С. 46−62.
  98. В.П. Объективизация концептуальной модели ИС ДЗЗ // Современные проблемы дистанционного зондирования Земли из космоса, 2009. Т. 6. — № 1. с. 227−233.
  99. В.П. Узел распределенной системы космических данных Центр обработки и хранения космической информации (ЦОХКИ) ФИРЭ РАН // Современные проблемы дистанционного зондирования Земли из космоса. 2004.-Т.1.-С. 241−247.
  100. Саймон P. Microsoft Windows 2000 API: Энциклопедия программиста (пер. с англ.). К.: ДиаСофт, 2001. 1088 с.
  101. A.B. Триангуляция Делоне и ее применение- Томск: Изд-во Том. ун-та, 2002. 128 с.
  102. С., Пачеко К. Borland Delphi 6. Руководство разработчика.: Пер. с англ.-М.: Издательский дом «Вильяме», 2002.-1120 с.
  103. Теория и методы географического прогнозирования: возможности и пути: Сб. науч. тр. / Научный совет по проблемам биосферы М.: Наука, 1992−151с.
  104. B.C. Моделирование в картографии. М.: Изд-во МГУ, 1997.405 с.
  105. Ту Д., Гонсалес Р. Принципы распознавания образов. Пер. с англ. М.: Изд-во Мир, 1978.-412 с.
  106. Ф. Нейрокомпьютерная техника. М.: Изд-во Мир, 1992.
  107. В.Ф., Анфимов H.A., Лукъященко В. М. и др. Концепция построения космической программы России // Проблемы авиационной и космической техники, 1995. № 8. — С 6−8.
  108. Фу К. Последовательные методы в распознавании образов и обучении машин. Пер. с англ. М.: Изд-во Наука, 1971. — 256 с.
  109. Фу К. Структурные методы в распознавании образов. Пер. с англ. М.: Изд-во Мир, 1977. — 320 с.
  110. К. Введение в статистическую теорию распознавания образов / Пер. с англ. М.: Изд-во Наука, 1979. 368 с.
  111. П. Пространственный анализ в экономической географии. М.: Изд-во Прогресс, 1968. — 390 с.
  112. С. Нейронные сети. Изд-во «Вильяме». пер с англ., под ред. H.H. Кускуль, 2006.- 1105 с.
  113. P.M. Статистические и структурные подходы к описанию текстур // ТИИЭР, 1979. Т. 67. — № 5. — С. 38−45.
  114. Ю.С., Степанова М. Д. Практикум на ЭВМ по математической статистике. Мн.: Изд-во «Университетское», 1987. — 304 с.
  115. .П. Непрерывные полумарковские процессы— Спб.: Изд-во Наука, 2001.-432 с.
  116. P.A. Динамическое программирование и марковские процессы. -М.: 1964. -302 с.
  117. Центр информационной поддержки космической программы «Природа». Электронный ресурс. Режим доступа: — http://www.ire.rssi.ru/priroda, свободный.
  118. Шамис В.А. Borland С++ Builder. Программирование на С++ без проблем. М.: «Нолидж», 1997. 266 с.
  119. Е.И. Непараметрические оценки плотности вероятности в задачах обработки результатов наблюдений // Зарубежная радиоэлектроника-2000.- № 2, — С. 3−22.
  120. К. Работы по теории информации и кибернетике. М.: Наука, 1963. — 829 с.
  121. Ю.И., Пестунов И. А., Смирнов В. В., Синявский Ю.Н., Скачкова
  122. А.П., Дубров И. С., Левин В. А., Алексанин А. И., Алексанина М. Г., Бабяк
  123. Ю.И., Пчельников Д. В., Добрецов Н. Н., Чубаров Л. Б. Особенности информационного обеспечения комплексных исследований динамики природной среды и социально-экономического развития территорий // Геоинформатика-2010, 2010. № 3. — С. 42−56.
  124. Экоинформатика. Теория. Практика. Методы и системы. Под ред. РАН В. Е. Соколова, С.-Пб., Изд-во Гидрометеоиздат, 1992 520 с.
  125. Е.Г., Шатилов А. Ю. Геоэкологический мониторинг: учебное пособие для вузов. Томск: Изд-во Томского политехнического университета, 2008. — 276 с.
  126. А., Буч Г., Рамбо Дж. Унифицированный процесс разработки программного обеспечения. СПб.: Питер, 2002. — 496 с.
  127. Ancis M., Murroni M., Giusto D.D., Petrou M. Region-based remote-sensing image compression in the wavelet domain // IGARSS '99 Proceedings. IEEE 1999 International, 1999. Vol. 38. — No. 22. — pp. 1335 — 1337.
  128. Baker W.L. A review of models of landscape change // Landscape Ecology, 1989.-No. 2.-P. 111−133.
  129. Bell E.J. Markov analysis of Land Use Change An Application of Stochastic Processes to Remotely Sensed Data // J. of Socioeconomic Planning Sciences, 1974.-№ 8.-P. 311−316.
  130. Benazza-Benyahia A., Pesquet J.-C., Gharbia M.H. Adapted vector-lifting schemes for multiband textured image coding // IEEE 2003 International Geoscience and Remote Sensing Symposium IGARSS'2003, 2003. Toulouse. -France.-P. 1833−1835.
  131. Benenson I. Warning! The scale of land-use CA is changing! // Computers, Environment and Urban Systems, 2007. 31(2). — P. 107−113.
  132. Benenson I., Torrens P. Geosimulation: Automata-based modeling of urban phenomena. Chichester, John Wiley & Sons Ltd, Chichester, 2004. 286 p.
  133. Berry M., Comiskey J., Minser K. Parallel Analysis of Clusters in Landscape Ecology // IEEE Computational Science and Engineering, 1994. Vol. 1. -No. 2. — P. 24−38.
  134. Bischof H., Scheider W., Pinz AJ. Multispectral Classification of LandsatImages Using Neural Networks // IEEE Transactions on Geoscience and Remote Sensing, 1992. P. 482−493.
  135. Bishop C.M. Neural Networks for Pattern Recognition. Oxford Univ. Press, 1995.-508 p.
  136. Brown D.G., Goovaerts P., Burnicki A., Li M.Y. Stochastic simulation of landcover change using geostatistics and generalized additive models // Photogram metric Engineering and Remote Sensing, 2002. 68(10). — P.1051−1061.
  137. Brown D.G., Pijanowski B.C., Duh J.D. Modeling the relationships between land use and land cover on private lands in the Upper Midwest, USA // J. of Environmental Management, 2002. Vol. 59. — P. 1−17.
  138. Butz A.R. Convergence with Hilbert’s Space Filling Curve // J. Computer and System Sciences, 1969. Vol. 3. — P. 128−146.
  139. Cabral P., Zamyatin A. Three Land Change Models for Urban Dynamics Analysis in Sintra-Cascais Area //1st EARSeL Workshop of the SIG Urban Remote Sensing Humboldt-Universitat zu Berlin, Berlin, 2006. p. 1−8.
  140. Cabral P., Zamyatin A. Advanced Spatial Metrics Analysis in Cellular Automata Land Cover Change Modeling // DYNA, Sede Medellin, 2011. Vol. 78. -No 170. — pp.42−50.
  141. Cabral P., Zamyatin A. Markov processes in modeling land use and land cover changes in Sintra-Cascais, Portugal // DYNA, Sede Medellin, 2009. Vol. 76. -No. 158. — pp.191−198.
  142. Cagnazzo M., Cicala L., Poggi G., Verdoliva L., Low-complexity compression of multispectral images based on classified transform coding // Signal Processing: Image Communication, 2006. Vol. 10. — No. 21. — pp. 850−861.
  143. Camps-Vails G., Gomez-Chova L., Calpe J., Soria E., Martin J. D., Alonso L., Moreno J. Robust support vector method for hyperspectral data classification and knowledge discovery // IEEE Trans. Geosci. Remote Sens., 2004. Vol. 42, No. 7.-pp. 1530−1542.
  144. Chang Ch.-Ch., Lin Ch. -J. LIBSVM: a Library for Support Vector Machines / Электронный ресурс.- Режим доступа: -http://www.csie.ntu.edu.tw/~cjlin/libsvm/ (31.05.2011), свободный.
  145. Chang L. Multispectral image compression using eigenregion-based segmentation // J. of Pattern Recognition. 2004. Vol. 37. No. 6. — pp. 12 331 243.
  146. Chen Q., Mynett A.E. Eeffects of cell size and neighbourhood type in a cellular automata based prey predator «model. // Simulation Modelling Practice and Theory, 11. 2003. — pp. 609−625
  147. Christopoulos C., Skodras A., Ebrahimi T. The JPEG2000 still image coding system // Signal Processing Magazine, IEEE, 2001. Vol. 18. — No. 5. — pp. 36 -58.
  148. Clark Labs. Geoinformation system Idrisi Kilimanjaro. Электронный ресурс. Режим доступа: — http:// www.clarklabs.org/ IdrisiSoftware/ (31.05.2011), свободный.
  149. Clarke K.C., Gaydos J. Loose-coupling a cellular automaton model and GIS: long-term urban growth prediction for San Francisco and Washington/Baltimore // Int. J. Geographical information science, 1998. Vol.12, No.7. — pp. 699−714.
  150. Clarke K.C., Hoppen S., Gaydos L. A self-modifying cellular automaton model of historical urbanization in the San Francisco Bay area // Environment and Planning B: Planning & Design: 24, 1997. pp. 247−261.
  151. Committee on Earth Observation Satellites. Электронный ресурс. Режим доступа: — http://www.ceos.org/pages/DMSG/2001Ceos/overview.html, свободный.
  152. Dietzel С., Clarke К.С. Decreasing Computational Time of Urban Cellular Automata Through Model Portability // Geoinformatica, 2006. No.10. -pp. 197−211.
  153. Dietzel C., Clarke K.C. Spatial Differences in Multi-Resolution. Urban Automata Modeling, Transactions in GIS, 2004. Vol. 8. — pp. 479−492.
  154. EoPortal sharing earth observation resources. Электронный ресурс. Режим доступа: — http://www.eoPortal.org/, свободный.
  155. ERDAS Corp. Система обработки данных ДЗЗ ERDAS Imagine. Электронный ресурс. Режим доступа: — http:// www.erdas.com (31.05.2011), свободный.
  156. ESRI Software. Электронный ресурс. Режим доступа: -http://www.esri.com (31.05.2011), свободный.
  157. Faloutsos С. Gray Codes for Partial Match and Range Queries // IEEE Transactions on Software Engineering. 14(10), 1988. — pp. 1381−1393.
  158. Fine S., Scheinberg K. INCAS: An incremental active set method for SVM. Technical Report, IBM Research Labs, Haifa, 2002.
  159. Fitz H.C., DeBellevue E.B., Costanza R., Boumans R., Maxwell Т., Wainger L., Sklar F.H. Development of a General Ecosystem Model for a Range of Scales and Ecosystems // Ecological Modeling, 1996. Vol. 88. — pp. 263−295.
  160. Forman R.T.T. Land mosaics: the ecology of landscapes and regions. Cambridge, Cambridge University Press, 1995. 632 p.
  161. Frigaard C., Gade J., Hemmingsen Т., Sand T. Image compression based on a fractal theory. Institute for Electronic Systems Aalborg University. Denmark-ftp://ftp.informatik.uni-freiburg.de/papers/ fractal/ FGHS94.ps.gz. — 1994.
  162. Geman S., Geman D. Stochastic relaxation, Gibbs distributions and the Bayesian restoration of images // IEEE Transaction on Pattern Analysis and Machine Intelligence, 1984. Vol. 6. — pp.721−741.
  163. Giacinto G., Roli F. Adaptive Selection of Image Classifiers // ICIAP '97, 9th International Conference on Image Analysis and Processing, Florence, Italy, Springer Verlag Ed, 1997. pp.38−45.
  164. Giacinto G., Roli F. Dynamic Classifier Selection Based on Multiple Classifier Behaviour // Pattern Recognition, 2001. 34(9). — pp. 179−181.
  165. Giacinto G., Roli F., Bruzzone L., Combination of Neural and Statistical Algorithms for Supervised Classification of Remote-Sensing Images // Pattern Recognition Letters, 2000. Vol. 21. — No. 5. — pp. 385−397.
  166. Giacinto G., Roli F., Fumera G., Selection of Image Classifiers // Electronics Letters, 2000. 36(5). — pp. 420−422.
  167. Global Monitoring for Environment and Security (GMES). Электронный ресурс. Режим доступа: — http://www.gmes.info, свободный.
  168. GotAI.NET Материалы — Нейронные сети. Электронный ресурс. -Режим доступа: — http://www.gotai.net/ documents/ doc-nn-004.aspx (31.05.2011), свободный.
  169. Griffin М.К., et al., Examples of EO-1 Hyperion. Data Analysis // Lincoln Laboratory Journal, 2005. Vol. 15. — No.2. — P. 271−298.
  170. Gropp W., Lusk E., Skjellum A., Using MPI: Portable Parallel Programming with the Message-Passing Interface, 1999. MIT Press. — 371 p.
  171. Guo L. Z., Mei S.S., Billings S.A. Neighbourhood detection and identification of spatio-temporal dynamical systems using a coarse-to-fine approach, International Journal of Systems Science, 2007. Vol. 38. — No.l. — P. 1−15.
  172. Hagen A. Multi-method assessment of map similarity // 5th AGILE Conference on Geographic Information Science, 2002. P. 171−182.
  173. Haralick R.M., Shapiro L.G. Computer and Robot Vision, Addison-Wesley, Massachusetts, 1992.
  174. Hecht-Nielsen R. Kolmogorov’s Mapping Neural Network Existence Theorem // IEEE First Annual Int. Conf. on Neural Networks, San Diego, 1987. Vol. 3. — P. 11−13.
  175. Herold M., Goldstein N.C., Noah C., Clarke K.C. The Spatiotemporal Form of Urban Growth: Measurement, Analysis and Modeling // RSE (86), 2003. No. 3 (15). — P. 286−302.
  176. Hervas J., Barredo J.I., Rosin P., Passuto A., Mantovani F., S. Silvano. Monitoring landslides from optical remotely sensed imagery: the case history of
  177. Tessina landslide, Italy // Geomorphology, 2003. Vol. 54. — P. 63−75.309
  178. Integrated Global Observing Strategy (IGOS). Электронный ресурс. -Режим доступа: http://www.igospartners.org/, свободный.
  179. Jain A., Zongker D. Feature Selection: Evaluation, Application, and Small Sample Performance // IEEE Transactions on Pattern Analysis and Machine Intelligence, 1997. Vol. 19. — No. 2. — P. 153−158.
  180. Jantz C.A., Goetz S.J. Analysis of Scale Dependencies in an Urban Land Use Change Model // International Journal of Geographical Information Science, 2005.-19 (2).-P. 217−241.
  181. Jenerette G.D., J. Wu. Analysis and Simulation of Land Use Change in the Central Arizona Phoenix region // Landscape Ecology, 2001. — Vol. 16. -P. 611−626.
  182. Jimenez L.O., Landgrebe D.A., Supervised classification in high-dimensional space: geometrical, statistical, and asymptotical properties of multivariate data // IEEE Trans. Syst. Man Cybernet, 1998. Part C. — 28 (1). — P. 39−54.
  183. Kalluri S., JaJa J., Bader D.A., Zhang Z., Townshend J., Fallah-Adl H. High performance computing algorithms for land cover dynamics using remote sensing data // Int. J. Remote Sensing, 2000. Vol. 21, No. 6−7. — P. 1513−1536.
  184. Kaneko I.S., Igarashi S. Combining Multiple k-Nearest Neighbour Classifiers Using Feature Combinations // J. IECI, 2000. Vol. 2. — No. 3. — P. 23−31.
  185. Katkovnik V., Shmulevich I. Nonparametric density estimation with adaptive varying window size // Conference on Image and Signal Processing for Remote Sensing VI, European Symposium on Remote Sensing, Barcelona, Spain, -2000.
  186. Kiely A., Klimesh M., Xie H., Aranki N. ICER-3D: A Progressive Wavelet-Based Compressor for Hyperspectral Images // The Interplanetary Network Progress Report, 2006. pp. 142−164.
  187. Kocabas V., Dragicevic S. Assessing cellular automata model behaviour using a sensitivity analysis approach. Computers, Environment and Urban Systems, 2006. 30(6). — P. 921−953.
  188. Kumar A. A Study of Spatial Clustering techniques // DEXA, 1994. P. 57−71.310
  189. Li X., Yeh A.G.O. Data mining of cellular automata’s transition rules. International Journal of Geographical Information Science, 2004. No.18. -P. 723−744.
  190. Li Xia, Yeh A. G.-O. Data mining of cellular automata’s transition rules // Int. J. Geographical Information Science, 2004. Vol.18. — No.8. — P. 723−744.
  191. Maplnfo Corporation. GIS Maplnfo. Электронный ресурс. Режим доступа: — http://www.mapinfo.com (31.05.2011), свободный.
  192. Marcellin M.W., Abousleman G.P., Hunt B.R. Compression of hyperspectral imagery using the 3d dct and hybrid dpcm/dct // IEEE Transactions on Geoscience and Remot Sensing, 1995. Vol. 33. — No. 1- P. 26−35.
  193. Markov N.G., Napryushkin A.A., Zamyatin A.V. Application of Neural Network Methods in RS-based Thematic Mapping// Proceedings of the 5-th AGILE conference on Geographic science, Palma de Mallorca, Spain, 2002. -pp. 485−490.
  194. Markov N.G., Napryushkin A.A., Zamyatin A.V., Vertinskaya E. V. Adaptive Procedure of RS Images Classification with Use of Extended Feature Space // Proceedings of SPIE, 2003. Vol. 4885. — pp. 489−500.
  195. McGarigal К. Landscape pattern metric. Электронный ресурс. Режим доступа: — www.umass.edu/landeco/pubs/Fragmetricsshort.pdf (31.05.2011), свободный.
  196. McGarigal К., Tagil S., Cushman S.A. Surface metrics: An alternative to patch metrics for the quantification of landscape structure. Landscape Ecology, 2009. 24. — P. 433−450.
  197. McGarigal L., Marks B.J., FRAGSTATS manual: spatial pattern analysis program for quantifying landscape structure, 1994. — (accessed March 1, 2009).
  198. Melgani F., Bruzzone L. Classification of hyperspectral remote sensing images with support vector machines, 'IEEE Trans. Geosci. Remote Sens., 2004. -Vol. 42. No. 8. — 2004. — P. 1778−1790.
  199. Menard A., Marceau D.J. Exploration of spatial scale sensitivity in geographic cellular automata // Environment and Planning B: Planning and Design, 2005. -32(5). P. 693−714.
  200. Microimages Inc. Система обработки данных ДЗЗ TNT MIPS. -Электронный ресурс. Режим доступа: — http://www.microimages.com (31.05.2011), свободный.
  201. Microsoft Windows 2000 Server. Учебный курс MSCE: Пер. с англ. 2-е изд., перераб. — М.: Издательско-торговый дом «Русская редакция», 2001.912 с.
  202. Motta G., Rizzo F., Storer J.A. Hyperspectral Data Compression. Berlin: Springer, 2006. — 415 p.
  203. Muller M. R., Middleton J. A Markov model of land-use change dynamics in the Niagara Region, Ontario, Canada // Landscape Ecology, 1994. Vol. 9. — No. 2.-P. 151−157.
  204. Official GRASS GIS homepage. KMC GRASS http://grass.itc.it/.(31.05.2011)
  205. Omachi S., H. Aso. A Fast Algorithm for k-NN Classifier Based on Branch and Bound Method and Computational Quantity Estimation // Transaction IEICE DII, J82-D-II, 4,1999. pp. 641−649.
  206. O’Sullivan D., Torrens P.M. Cellular models of urban systems // Theoretical and Practical Issues on Cellular Automata. London: Springer-Verlag, 2000. P. 108 117.
  207. Park S., Wagner D. F. Incorporating Cellular Automata simulators as analytical engines in GIS // Transaction in GIS, 1997. Vol. 2. — No. 3. — pp.213−231.
  208. Pennebaker W.B., Mitchell J.L. JPEG still image data compression standard (3rd ed.). Springer. 1993. — p. 291.
  209. Pijanowski B.C., D. Brown, B. Shellito and G. Manik. Using neural networks and GIS to forecast land use changes: A Land Transformation Model //Computers, Environment and Urban Systems, 2004. Vol. 26. -P. 553−576.
  210. Plaza A.J., Chang C.-I. High Performance Computing in Remote Sensing. Chapman & Hall/CRC. 2008. — 496 p.
  211. Podest E., Saatchi S. Application of Multiscale Texture in Classifying JERS-1 Radar Data Over Tropical Vegetation // International Journal of Remote Sensing, 2002. Vol. 23. — No. 7. — P. 1487−1506.
  212. Pontius Jr., Malanson J. Comparison of the structure and accuracy of two land change models // International Journal of Geographical Information Science. 2005. Vol. 19. — No. 2. — P. 243−265.
  213. Porter W.M., Enmark H.T. A System of the Airborne Visible/Infrared Imaging Spectrometer (AVIRIS) // Proc. 31st Annual International Technical Symposium (SPIE), Bellingham, WA, 1987. Vol. 834. — pp. 22−31.
  214. Pratt W.K. Digital Image Processing. John Wiley & Sons, 4th Ed. 2001. 738 p.313
  215. Purdue/LARS. Электронный ресурс. Режим доступа: — MultiSpec -http://dynamo.ecn.purdue.edu/~biehl/MultiSpec/ (31.05.2011), свободный.
  216. Raymer M.L., Punch W.F., Goodman E.D., Kuhn L.A., and Jain L.C. Dimensionality reduction using genetic algorithms. IEEE Trans, on Evolutionary Computation, 2000. 4(2). — pp. 164−171.
  217. Remmel Т.К., Csillag F. When are two landscape pattern indices significantly different? // Journal of Geographical Systems, 2003. Vol. 5. — Iss. 4. — P. 331 351.
  218. Richards J.A., Xiuping Jia. Remote Sensing Digital Image Analysis: An Introduction. Berlin: Springer. 1999. — 363 p.
  219. Richardson D., van Oosterom P. Urban Simulation Using Neural Networks and Cellular Automata for Land Use Planning // Advances in Spatial Data Handling. Berlin: Springer-Verlag, 2002. pp. 451−464.
  220. Salomon D. Data Compression: The Complete Reference. Springer, 4th ed., 2007. — 1092 p.
  221. Scanex NeRIS. Программа нейросетевой интерпретации данных ДЗЗ. Электронный ресурс. Режим доступа: -www.scanex.ru/rus/tematica/Program/neris.htm (31.05.2011), свободный.
  222. SNNS Stuttgart Neural Network Simulator. Электронный ресурс. — Режим доступа: — http://www-ra.informatik.uni-tuebingen.de/SNNS/ (31.05.2011), свободный.
  223. Spatial Analysis: Modeling in a GIS Environment, ed. P. Longley & M. Batty. -Cambridge: Geolnformation International. 392 p.
  224. Steele B.M., Winne J.C., Redmond R.L. Estimation and mapping of misclassification probabilities for thematic land cover maps // Remote Sensing of the Environment, 1998. vol. 66. — pp. 192−202.
  225. Support vector machines: Theory and applications / Eds. L.Wang.- 2005, 434 p.
  226. Syphard A.D., Clarke K.C., Franklin J. Using a cellular automaton model to forecast the effects of urban growth on habitat pattern in southern California //
  227. Ecological Complexity, 2005. No.2. — pp. 185−203.314
  228. The Math Works MATLAB and Simulink for Technical Computing. Электронный ресурс. — Режим доступа: — http://www.mathworks.com (31.05.2011), свободный.
  229. Tischendorf L. Can landscape indices predict ecological processes consistently? // Landscape Ecology, 2001. 16(3). — P. 235−254.
  230. Turner M.G. Spatial simulation of landscape changes in Georgia: a comparison of 3 transition models //Landscape Ecology, 1987. Vol. 1, P. 29−36.
  231. Tutorial on ER Mapper SDK (Earth Resource Mapping). ER Mapper 5.5 user’s manual. -1997.
  232. Vane G., Green R.O., et al. The Airborne Visible/Infrared Imaging Spectrometer (AVIRIS) // Remote Sensing of Environment, 1993. Vol. 44, P. 127−143.
  233. Veldkamp A., Verburg P.H., et al., Modeling the Spatial Dynamics of Regional Land Use: The CLUE-S Model // Environmental Management, 2002. Vol. 30, No. 3.-pp. 391−405.
  234. Verburg P., Schot P., Dijst M., Veldkamp A. Land use change modelling: current practice and research priorities // GeoJournal, 2004. Vol. 61. — P. 309 324.
  235. Verburg P.H. et al. A method to analyze neighborhood characteristics of land use patterns. // Computers, Environment and Urban Systems, 2003. Vol. 24. -P. 354−369.
  236. Verburg P.H., Soepboer W., Limpiada R., Espaldon V., Mastura S., Veldkamp S.A. Modelling the spatial dynamics or regional land use: the CLUE-S model // Environmental management, Springer-Verlag New-York Inc., 2002. 30(3). -P. 391−405.
  237. Voinov A., Costanza R., Wainger L., Boumans R., Villa F., Maxwell Т., Voinov H. Patuxent Landscape Model: Integrated Ecological Economic Modeling of a Watershed // Environmental Modeling and Software, 1999. Vol. 14.-P. 473−491.
  238. Weng Q. Land Use Change Analysis in the Zhujiang Delta of China Using Satellite Remote Sensing, GIS, and Stochastic Modeling // J. of Environmental Management, 2002. Vol. 64. — P. 273−284.
  239. Westin L.K. Department of computer Science Umee University. Receiver operating characteristic (ROC) analysis. http://www.cs.umu.se/ research/ reports/ 2001/ 018/ partl. pdf (31.05.2011)
  240. В., Lehr M.A. 30 Years of Adaptive Neural Networks: Perceptron, Madaline, and Backpropagation // Proceedings of the IEEE, 1990. Vol. 78, No. 9.-P. 1415−1442.
  241. Wright D.B. Receiver Operating Characteristics Curves. In Encyclopedia of Statistics in Behavioral Science, Chichester, John Wiley & Sons Ltd, 2005. -721 p.
  242. Wu J.G. Can landscape indices predict ecological processes consistently? // Landscape Ecology, 2000. V.16. — № 3. — P. 235−254.
  243. Zadeh L.A. Fuzzy Sets // Information control, 1965. pp. 338−353.
  244. Zamyatin A. A set of spatial characteristics in cellular automata land cover change modeling // Proceedings of the Geoinformatics Forum Salzburg, Helbert Wichmann Verlag, Bobingen, Germany, 2009. p.236−239.
  245. Zamyatin A. Advanced Processing of Remote Sensing Data for Land Use and Land Cover. LAP Lambert Academic Publishing AG & Co. KG, Saarbrucken, Germany, 2010. 232 p.
  246. Zamyatin A., Mikhaylov P., Cabral P. Spatial Metrics Approach to Land Cover Change Forecasting Using Cellular Automata // Proc. of 10th AGILE International Conference on Geographic Information Science, Denmark, 2007. -p. 1−8.
  247. Zamyatin A.V., Markov N.G. Advanced GIS Tool for Assessment of Land Use Change // Proceedings of the 5 th International Workshop on Computer Science and Information Technologies, 2003. Ufa, Russia. — pp. 115−118.
Заполнить форму текущей работой

Пора сдавать?