Автоматизация процесса распознавания объектов застроенных территорий



Искусственная нейронная сеть представляет собой совокупность определенным образом соединенных между собой и с внешней средой нейронов трех типов - входных, выходных и промежуточных. С точки зрения топологии искусственных нейронных сетей различают:

1) полносвязные нейронные сети (рис. 9 а), где каждый нейрон передает свой выходной сигнал всем остальным, в том числе и самому себе, все входные сигналы подаются всем нейронам, а выходными сигналами могут быть отклики всех или некоторых нейронов после нескольких тактов функционирования сети;

2) слоистые или многослойные нейронные сети (рис. 9 б), в которых нейроны расположены в несколько слоев. Нейроны нулевого слоя служат для приема входных сигналов и передачи их через точки ветвления всем нейронам следующего (скрытого) слоя без обработки, 1-й слой осуществляет первичную обработку входных сигналов и формирует сигналы для 2-го слоя, который таким же образом формирует сигналы для 3-го и т.д. вплоть до последнего слоя, который образует выход нейронной сети.

Среди многослойных нейронных сетей выделяют, в свою очередь, следующие типы:

а) нейронные сети прямого распространения, в которых отсутствуют обратные связи, т.е. подача выходных сигналов любого слоя на входы нейронов этого же или любого предыдущего слоя.

б) рекуррентные нейронные сети, где указанные обратные связи присутствуют в том или ином варианте;

3) слабосвязные нейронные сети, где нейроны располагаются в узлах прямоугольной или гексагональной решетки (рис. 17 в,г) [6].

В настоящее время искусственные нейросети способны обучаться на опыте, основанном на знаниях, выполнять абстрактные «умозаключения» и совершать ошибки, характерные для человеческой мысли. Применение нейросетевых методов внесет существенные изменения в методологию дешифрирования.

На рис. 18 показан алгоритм автоматизированного дешифрирования изображений топографических объектов с использованием нейросетевых методов.

Сущность автоматизированного дешифрирования изображений топографических объектов с использованием нейросетевых методов заключается в следующем. Исходные данные для автоматизированного дешифрирования должны быть представлены в цифровой форме. В том случае, если требуется выполнить дешифрирование изображений топографических объектов по фотоснимкам, необходимо преобразовать их в цифровую форму.

Перед автоматизированным дешифрированием выполняются подготовительные работы, которые включают изучение редакционно-технических указаний, подготовку исходных данных и материалов.

Затем выполняется формирование банка данных, которое включает следующие основные этапы: подготовительные работы; предварительную обработку изображений; формирование баз знаний и эталонных изображений; обучение нейросетевых блоков классификации и распознавания изображений топографических объектов; контроль нейросетевых обучения; запись результатов обучения в базу подсистемы обучения нейросетевых; ведение журнала эталонов.

Подготовительные работы включают разработку редакционно-технических указаний, сбор материалов и анализ их качества, подготовку исходных материалов для эталонирования. В ходе предварительной обработки изображений выполняется их фотометрическая нормализация и фильтрация шумов.

База знаний формируется в соответствии с классификатором дешифровочных признаков и содержит структурированный перечень топографических объектов согласно классификатору топографической информации, описание прямых и косвенных дешифровочных признаков и характеристики топографических объектов.



Рисунок 18 - Алгоритм автоматизированного дешифрирования изображений топографических объектов с использованием нейросетевых методов

База эталонных изображений создается на топографические объекты и их возможные сочетания с перечислением их различных свойств.

Эталонные изображения должны быть получены в пределах установленных диапазонов природной изменчивости и разрешения снимка.

Обучение нейросетей выполняется для блоков классификации изображений топографических объектов; автоматизированного распознавания изображений топографических объектов с использованием элементов экспертной системы; автоматизированного распознавания изображений площадных объектов растительного покрова и грунтов [15].

Чтобы искусственная нейронная сеть с предварительно выбранной начальной архитектурой могла эффективно функционировать, ее необходимо обучить, т.е. определить оптимальные значения величин связей w_ij, обычно путем минимизации некоторого функционала качества (функции ошибки) в процессе итерационной процедуры, где количество итераций t может быть весьма значительным (t=10³…10⁸). После выбора совокупности обучающих примеров и способа вычисления обучение искусственной нейронной сети превращается в задачу многомерной оптимизации, для решения которой могут быть использованы следующие методы:

- локальной оптимизации с вычислением частных производных 1-го и 2-го порядков (градиентные методы);

- глобальной (стохастической) оптимизации (методы случайного поиска и алгоритмы искусственного отбора) [18].

В качестве исходных данных для обучения нейросетевого классификатора используется серия примеров, составляющих обучающую выборку. Она формируется случайным образом из фрагментов эталонных изображений компактных, линейных и площадных топографических объектов, находящихся в базе эталонных изображений.

Обучение блока распознавания изображений площадных объектов выполняется раздельно по двум нейросетям. Для обучения используются известные фрагменты изображений площадных объектов растительного покрова и грунтов. Для каждого фрагмента производится определение полного набора аналитических дешифровочных признаков (АДП), выделение «значимых аналитических дешифровочных признаков» и подача на вход распознающей нейросети для ее обучения.

Контроль нейросетевого обучения выполняется по эталонным изображениям топографических объектов, не участвующим в процессе обучения. Контрольные участки изображений объектов подбираются в период подготовительных работ. В группу контрольных участков включаются изображения топографических объектов, достоверно опознанных визуально или с использованием качественных достоверных картографических материалов. Запись результатов обучения в базу обучения нейросетей выполняется для накопления дешифровочных данных и их использования при дешифрировании ландшафтов-аналогов. Ведение журнала эталонов необходимо для документирования, хранения, редактирования и контроля данных о созданных эталонах дешифрирования.

После выполнения подготовительных работ и формирования банка данных выполняется предварительная обработка цифровых изображений объектов, а затем - их классификация. В качестве исходных данных для классификации служат изображения топографических объектов, представленные в виде матрицы оптических плотностей. Результатом классификации является разделение изображений по классам компактных, линейных и площадных объектов.

Затем выполняется автоматизированное оконтуривание классифицированных объектов. В результате оконтуривания формируется метрическая информация на каждый объект.

Распознавание изображений топографических объектов выполняется в двух режимах:

· автоматизированном распознавании изображений топографических объектов с использованием элементов экспертной системы, построенной на основе нейросети;

· автоматизированном распознавании изображений площадных объектов.

Во время выполнения первого режима осуществляется распознавание большей части компактных и линейных топографических объектов, значительная часть изображений которых практически не поддается формализованному описанию. Повышение полноты и вероятности распознавания по сравнению с традиционными подходами обеспечивается использованием на этапе принятия дешифровочного решения нейросетей.

Автоматизированное распознавание изображений площадных объектов выполняется для объектов, выделенных на этапе классификации или неопознанных при выполнении автоматизированного распознавания с использованием банка данных.

После распознавания выполняется определение количественных характеристик топографических объектов путем измерения их элементов на изображении. Выполнение этого этапа происходит с использованием традиционных методов.

Результаты автоматизированного дешифрирования регистрируются в наборе данных, расположенном на машинном носителе. В нем содержатся принятые оператором-дешифровщиком окончательные дешифровочные решения и количественные характеристики распознанных объектов.

Завершающим этапом процесса автоматизированного дешифрирования является формирование представления оригиналов контуров в цифровой и графической формах. Цифровой оригинал содержит метрическую и семантическую информацию о контурах. Исходными данными для получения метрической информации являются файлы, содержащие цифровую информацию о контурах. Исходными данными для формирования семантической информации являются результаты дешифрирования - названия объектов, по которым выбираются коды объектов и их количественные характеристики [15].

Однако существует ряд проблем связанных с практической реализацией искусственных нейронных сетей.

1. Выбор оптимальной архитектуры. Определение оптимального числа скрытых слоев основано на способности искусственной нейронной сети к обобщению полученных знаний, т.е. выдаче правильных результатов при подаче на ее вход данных, не входящих непосредственно в обучающую выборку. Пример разделения множества данных, подчиняющихся правилу R, на обучающее L, контрольное V и тестовое G подмножества приведен на рис. 3.8. Элементы L и G должны быть типичными элементами множества R. Способность отображения сетью элементов L является показателем ее обученности и характеризуется погрешностью обучения , способность распознавания данных подмножества G показывает ее возможности обобщения знаний и описывается погрешностью обобщения . Для верификации качества обучения нейронной сети в составе L выделяется определенное подмножество контрольных данных V.



2. Реализация обобщающих свойств. При обучении нейронных сетей оказывается, что количество весов T_w сети (число степеней свободы) и число обучающих выборок р тесно связаны. Например, если бы целью обучения НС было только запоминание , тогда достаточно было бы p=T_w, однако такая сеть не будет обладать свойством обобщения и сможет только восстанавливать данные. Для обретения обобщающих свойств нейронной сетью необходимо выполнение p>T_w, чтобы веса сети адаптировались не к уникальным выборкам, а к их статистически усредненным совокупностям. Наглядная графическая иллюстрация способности нейронной сети к обобщению показана на рис. 13 на примере аппроксимации одномерной функции двухслойной нейронной сети.

Рисунок 20 - Аппроксимация одномерной функции

y=f(x), заданной в 21 точке, двухслойной нейронной сети, содержащей К нейронов скрытого слоя: а) К=80; б) К=5; в) К=1

Видно, как при избыточном числе нейронов и весов проявляется эффект гиперразмерности нейронной сети, когда минимизация на относительно малом числе обучающих выборок спровоцировала случайный характер значений многих весов, что при переходе к тестовым сигналам обусловила значительное отклонение фактических значений y_i от ожидаемых d_i (рис. 20 а). Уменьшение количества скрытых нейронов до оптимального значения (рис. 20 б) обеспечило и малую погрешность обучения, и высокую степень обобщения (малую ). Дальнейшее уменьшение количества скрытых нейронов привело к потере нейронной сетью способности восстанавливать обучающие данные (рис. 20 в).

3. Оптимизация длительности обучения. Длительность обучения по-разному влияет на значения и .

Рисунок 21 - Влияние длительности обучения на погрешности

и

Если погрешность монотонно уменьшается с увеличением числа итераций t, то снижение происходит только до определенного момента, после чего она начинает расти (рис. 21). Это означает, что слишком долгое обучение может привести к «переобучению» нейронной сети, которое выражается в слишком детальной адаптации весов к несущественным флуктуациям обучающих данных. Такая ситуация особенно заметна при использовании сети с излишним количеством весов. Для предотвращения перетренированности нейронной сети служит контрольное подмножество V, с помощью которого осуществляется оперативная проверка фактически набранного уровня обобщения .

4. Редукция и наращивание нейронной сети. Редукция производится для сокращения количества скрытых нейронов и межнейронных связей, что усиливает способность сети к обобщению. Большинство методов сокращения размерности нейронной сети можно разделить на три группы:

- редукция с учетом величины весов предполагает отсечение весов, значительно меньших средних значений, поскольку они оказывают небольшое влияние на уровень выходного сигнала связанных с ними нейронов;

- редукция с учетом чувствительности основана на разложении в ряд Тейлора с использованием в качестве показателя важности конкретных весов вторых производных целевой функции;

- редукция с использованием штрафной функции состоит в такой организации обучения, которая провоцирует самостоятельное уменьшение значений весов с исключением тех, величина которых опускается ниже определенного порога.

5. Инициализация весов.

6. Подбор обучающих данных.

7. Обеспечение устойчивости функционирования нейронной сети. После определения оптимальной архитектуры нейронной сети, выбора начальных значений параметров, подготовки обучающих данных и хорошего обучения актуальной становится задача обеспечения стабильности выходных сигналов, т.е. устойчивости функционирования нейронной сети. Разработчики нейрокомпьютеров выделяют четыре типа устойчивости:

1) к случайным возмущениям входных сигналов;

2) к флуктуациям параметров сети;

3) к разрушению части элементов нейронной сети;

4) к обучению новым примерам [18].

Таким образом, хорошо обученная нейронная сеть устойчива к весьма сильным возмущениям. Так, в задачах распознавания образов уровень шума может в несколько раз превосходить полезный сигнал, случайный сдвиг параметров - достигать 0,5-0,7 их идеального значения, разрушение - 30-50% элементов. И, тем не менее, обученная сеть делает не более 10% ошибок.

Перспективами автоматизации процесса дешифрирования являются:

- стандартизация процессов обработки и форматов представления данных;

- повышение быстродействия программных комплексов;

- автоматизация процессов обработки.

Это может быть достигнуто за счет использования контролируемой и неконтролируемой классификации, а так же за счет разработки и внедрения технических и программных средств основанных на использовании нейросетевых методов.

Основными этапами алгоритма автоматизированного дешифрирования объектов с использованием нейросетевых методов являются: подготовительные работы, формирование банка данных, предварительная обработка цифровых изображений объектов и их классификация, автоматизированное оконтуривание классифицированных объектов, распознавание изображений топографических объектов, определение количественных характеристик топографических объектов, формирование представления оригиналов контуров в цифровой и графической формах.

Данный алгоритм позволяет повысить полноту содержания топографических карт в аналоговой и цифровой формах представления на 5-10%, повысить среднюю вероятность распознавания топографических объектов на 13%. Однако, существенными проблемами, связанными с практической реализацией этого алгоритма, являются: выбор оптимальной архитектуры, реализация обобщающих свойств, оптимизация длительности обучения, редукция и наращивание нейронной сети, инициализация весов, подбор обучающих данных, обеспечение устойчивости функционирования нейронной сети.



ЗАКЛЮЧЕНИЕ

Возможность дистанционного изучения объектов земной поверхности с помощью космических средств становится насущной необходимостью, так как основывается на объективно существующих связях между характеристиками (параметрами) природной среды и полем (отраженного и собственного) излучения земной поверхности.

Материалы, получаемые в результате выполнения аэро- и космических съемок, используют при решении разнообразных задач. По снимкам, полученным с воздушных и космических носителей, изготавливают карты и планы, используемые в городском кадастре, землеустройстве, определяют геодезические координаты изобразившихся точек местности, границы изучаемых объектов, их принадлежность к соответствующему классу, а также их качественные характеристики.

Изготовление данных картографических материалов предполагает фотограмметрическую обработку космических снимков. При этом дешифрирование входит основной составной частью в технологический процесс картографирования и является важнейшим технологическим компонентом дистанционного зондирования территорий.

Оно может осуществляться визуальным, машинно-визуальным, автоматизированным, автоматическим методами и обеспечивает получение информации об объектах, подлежащих измерению их координат или нанесению на изготавливаемые планы и карты; опознавание этих объектов на анализируемых изображениях; определение качественных и численных характеристик объектов; нанесение их положения или границ простирания; выражение полученных данных условными знаками.

Получение информации осуществляется на основе регистрации и измерения видовых, сигнальных и вещественных; именных, прямых и косвенных признаков.

Данная информация используется в интересах решения задач кадастрового дешифрирования снимков, дешифрирования снимков населенных пунктов для целей кадастра и инвентаризации земель, дешифрирования снимков урбанизированных территорий.

Наибольшей информативностью обладают именные признаки объекта, однако получение данных признаков требует создания специализированных средств и приводит к необходимости использования большого количества регистрационной аппаратуры, так как именные признаки для объектов дешифрирования разнообразны.

Развитие компьютерных технологий позволяет упростить процедуры выявления и распознавания объектов местности на космических снимках и перейти от визуального дешифрирования к автоматизированному, что ускоряет проведение географического анализа изображений.

Под автоматизированным дешифрированием понимается процесс разбиения пикселов изображения на классы, т.е. на однородные по некоторому критерию области.

Перспективами автоматизации процесса дешифрирования являются:

- стандартизация процессов обработки и форматов представления данных;

- повышение быстродействия программных комплексов;

- автоматизация процессов обработки.

Это может быть достигнуто за счет использования контролируемой и неконтролируемой классификации, а так же за счет разработки и внедрения технических и программных средств основанных на использовании нейросетевых методов.

Основными этапами алгоритма автоматизированного дешифрирования объектов с использованием нейросетевых методов являются: подготовительные работы, формирование банка данных, предварительная обработка цифровых изображений объектов и их классификация, автоматизированное оконтуривание классифицированных объектов, распознавание изображений топографических объектов, определение количественных характеристик топографических объектов, формирование представления оригиналов контуров в цифровой и графической формах.

Изучение возможности автоматизации процесса распознавания объектов застроенных территорий показал, что использование нейросетевых методов при дешифрировании позволяет повысить полноту содержания топографических карт в аналоговой и цифровой формах представления на 5-10%, повысить среднюю вероятность распознавания топографических объектов на 13%.

В результате анализа современных методов дешифрирования космических снимков и выявления по ним изменений при мониторинге природно-территориальных комплексов было установлено, что необходима комплексная обработка, позволяющая при дешифрировании космических снимков использовать как спектральные яркости объектов, так и их структурные признаки.



СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Конституция Российской Федерации: офиц. текст. - М.: Инфа-М, 2009. - 129 с. дешифрирование космический нейросетевой

2. Федеральный закон «О государственном кадастре недвижимости» от 27 июля 2007 г. № 221-ФЗ//Консультант Плюс - Режим доступа: http//consultant.ru

3. Федеральный закон «Об охране окружающей среды» от 10 января 2002 г. №7-ФЗ//Консультант Плюс - Режим доступа: http//consultant.ru

4. Федеральный закон «Об экологической экспертизе» от 23 ноября 1995 г. №174-ФЗ//Консультант Плюс - Режим доступа: http//consultant.ru

5. Земельный кодекс Российской Федерации: Федеральный закон от 25 октября 2001 г. №136-ФЗ//Консультант Плюс - Режим доступа: http//consultant.ru

6. Алтынцев, М.А. Исследование возможности применения корреляционного анализа Фурье-образов изображений для автоматического дешифрирования снимков [Текст] / М.А. Алтынцев // Сборник научных трудов аспирантов и молодых ученых Сибирской государственной геодезического академии под общ. ред. Т.А. Широковой. - Новосибирск: СГГА, 2010. - Вып. 7. - С. 57-63.

7. Алтынцев, М.А. Вейвлет-анализ для выявления вырубок в лесных массивах по аэрофотоснимкам [Текст] / М.А. Алтынцев, А.С. Гордиенко, А.А. Гук // ГЕО-Сибирь-2010: сб. материалов VI Междунар. науч. конгр. «ГЕО-Сибирь-2010», 19-23 апр. 2010 г., Новосибирск. - Новосибирск: СГГА, 2010. - Т. 4, ч. 1. - С. 3-8.

8. Алтынцев, М.А. Преобразование Tasseled Сар по космическим снимкам IKONOS для дешифрирования растительности [Текст] / М.А. Алтынцев // ГЕО-Сибирь-2011: сб. материалов VII Междунар. научн. конгресса «ГЕО-Сибирь-2011», 27-29 апр. 2011 г., Новосибирск. - Новосибирск: СГГА, 2011. - Т. 4. - С. 30-35.

9. Антощук С.Г., Сербина Н.А. Система распознавания текстурных изображений при экологическом мониторинге // Искусственный интеллект. - 2012. - №4. - С. 406-412.

10. Баландин В.Н., Матвеев А.Ю. Об определении физических площадей участков / В.Н. Баландин, А.Ю. Матвеев и др. // Геодезия и картография. - 2010. - №8. - С. 49-53.

11. Бирюков, В. С. Методика топографического дешифрирования с автоматическим опознанием изображений объектов местности / В. С. Бирюков, А. В. Даргель, Д. И. Новоселов // Известия вузов. Геодезия и аэрофотосъемка. - 2010. - № 3. - С. 182 - 187.

12. Бирюков, В. С. О методах автоматизации топографического дешифрирования / В. С. Бирюков, А. В. Даргель, Д. И. Новоселов // Известия вузов. Геодезия и аэрофотосъемка. - 2012. - № 1. - С. 134 - 140.

13. Бирюков, В. С. О понятиях в дешифрировании / В. С. Бирюков // Геодезия и картография. -- 2008. -- №7.-- С. 35--38.

14. Бирюков, В. С. О Признаках и процессе топографического дешифрирования / В. С. Бирюков, Д. И. Новоселов // Геодезия и картография. - 2010. - № 5. - С. 20-25.

15. Бирюков, В. С., О понятиях «объект» и «изображение» в топографическом дешифрировании / В. С. Бирюков, Д. И. Новоселов // Геодезия и картография. -- 2010. -- № 4 -- С. 45--49.

16. Виноградова, Н.С. Выделение растительности и объектов гидрографии по снимкам городских территорий сверхвысокого разрешения/ Н.С. Виноградова// Пространственные данные. - 2009. - №4. - С.42-46

17. Волков, А.В. Методика автоматизированного дешифрирования изображений топографических объектов/ А.В. Волков// Геодезия и картография. - 2012. - №10. - С.53-56

18. Гольдман, Л. М. Дешифрирование аэроснимков/ Л. М. Гольдман. - Режим доступа: http://bse.sci-lib.com/article025013.html

19. Гордиенко, А.С. Разработка методики многоступенчатого дешифрирования космических снимков / А.С. Гордиенко, М.А. Алтынцев, С.А. Арбузов // Геодезия и аэрофотосъемка. - 2011. - № 2. - С. 29-33.

20. Дубенок, Н. Н. Землеустройство с основами геодезии: учебники и учеб. пособия для студентов высш. учеб. заведений / Н. Н. Дубенок, А. С. Шуляк. - М.: КолосС, 2004. - 320 с.

21. Клюкин, В.И. Нейросетевые сруктуры и технологии: учеб. пособие для вузов/ В.И. Клюкин, Ю.К. Николаенков. - Воронеж: Издательско-полиграфический центр Воронежского государственного университета, 2008. - 63 с.

22. Книжников Ю.Ф., Кравцова В.И., Тутубалина О.В. Аэрокосмические методы географических исследований - М.: Изд. Центр Академия, 2014. - 336 с.

23. Кучейко, А.А. Перспективы использования данных со спутника TerraSAR-X в России/ А.А. Кучейко// Пространственные данные. - 2009. - №4. - С.29-38

24. Лабутина, И.А. Дешифрирование аэрокосмических снимков: учеб. пособие для студентов вузов/ И.А. Лабутина. - М.: Аспект Пресс, 2012. - 184 с.

25. Локализация изменений объектов природно-территориальных комплексов по разновременным космическим снимкам [Текст] / А.П. Гук, Л.Г. Евстратова, А.С. Гордиенко, М.А. Алтынцев // Геодезия и картография. -2010.-№2.-С. 19-25.

26. Малинников, В. А. Визуальное дешифрирование панхроматических снимков сверхвысокого разрешения с целью определения топографических объектов урбанизированных территорий / В. А. Малинников, С. А. Сладкопевцев, В. С. Марчуков // Известия вузов. Геодезия и аэрофотосъемка. - 2011. - № 3. - с. 98 - 111.

27. Мурашева, А. А. Модель информационной системы кадастра недвижимости территорий / А. А. Мурашева // Известия вузов. Геодезия и аэрофотосъемка. - 2010. - № 2. - С. 168 - 176.

28. Назаров, А. С. Фотограмметрия: учеб. пособие для студентов вузов / А. С. Назаров. - Мн.: ТетраСистемс, 2006. - 368 с.

29. Обиралов, А. И. Фотограмметрия и дистанционное зондирование: учебники и учеб. пособия для студентов высш. учеб. заведений / А. И. Обиралов, А. Н. Лимонов, Л. А. Гаврилова. - М.: КолосС, 2010. - 334 с.

30. Оперативная система мониторинга земель после аварий и катастроф / В.А. Алексеев, М.В. Телегина, И.М. Янников, М.В. Цапок // Вопросы современной науки и практики. Университет им. В.И. Вернадского. - 2014. -№4(10). - С.102-106.

31. Определение площадей земельных участков / В.Н. Баландин, В.А. Коугия, А.Ю. Матвеев и др. - М.: Колосс. 2010. - 106 с.

32. Рис. Г.У. Основы дистанционного зондирования. - М.: Техносфера, 2011. - 336 с.

33. Русак, О.Н. Безопасность жизнедеятельности: учебное пособие - 3-е изд., испр. и доп. / О.Н. Русак, К.Р. Малаян, Н.Г. Занько / под ред. О.Н. Русака. - СПб.: Издательство «Лань», 2010. - 448 с.

34. Смирнов Л.Е. Аэрокосмические методы географических исследований. - СПб.: Изд-во С-Петербургского ун-та, 2011. - 348 с.

35. Способы и средства защиты информации / ГНИИИ ПТЗИ ГосТехКомиссии России. - М.: ГНИИИ ПТЗИ ГосТехКомиссии России, 2010. - 210.

36. Телегина М.В. Анализ пространственных структур цветных графических изображений - карт // Геоинформатика. - М, 2011. - №4. - С. 16-22.

37. Телегина М.В., Коробейников А.А. Основные функции геоинформационной системы MAP 3D // Информационные технологии в науке, образовании и экономике: IV Всероссийская научно-практическая конференция с международным участием: тезисы докладов.- Якутск: Издательский дом СВФУ, 2012. - Ч. I. - С. 116-118.

38. Урмаев М.С. Оптимальный метод интегрирования уравнений движения; ИСЗ/М.С. Урмаев - М.: Геодезистъ, 2011. - 120 с.

39. Федоров, А.И. Геоинформационные основы природопользования учеб. пособие для студентов вузов / А. И. Федоров, Е. И. Паншин, Л. Т. Голдырев. М.: Издательский центр «Академия», 2012. - 369 с.

40. Федоткин, Д.И. Тенденции развития средств первичной обработки данных ДЗЗ/ Д.И. Федоткин// Пространственные данные. - 2008. - №3. - С.32-37.



ПРИЛОЖЕНИЕ А

Технологическая схема изготовления топографического плана на основе фотограмметрической обработки одиночного снимка

Рисунок А1 - Технологическая схема изготовления топографического плана на основе фотограмметрической обработки одиночного снимка

ПРИЛОЖЕНИЕ Б

Технологическая схема создания ортофотоплана на основе стереофотограмметрической обработки снимков

Рисунок Б1 - Технологическая схема создания ортофотоплана на основе стереофотограмметрической обработки снимков

ПРИЛОЖЕНИЕ В

(справочное)

Таблица В.1

Основные объекты дешифрирования и их признаки

Объект	Прямые дешифровочные признаки	Косвенные дешифровочные признаки	Космический снимок
	Форма, размер	тон	текстура и структура
Железные дороги	прямолинейные с закруглениям большого радиуса	темно-серый		две параллельные очень тонкие линии -- рельсы
Шоссейные дороги	узкая лента одинаковой ширины с прямолинейными участками и геометрически правильными закруглениями	светлый		разветвления и пересечения с другими дорогами.
Грунтовые дороги	извилистое начертание наезженного следа в виде линий неравномерной толщины	светло-серый		многочисленные разветвления и пересечения
Полевые дороги	узкая извилистая линия	светлых		отходят от населенного пункта, шоссе, проселочных дорог, идут по пашням, лугам и в лесу, где, как правило, обрываются
Тропы	нить	белый или серый		обычно соединяют населенные пункты по кратчайшему пути или спрямляют большие извилины других дорог. Часто прокладываются для выхода напрямик из населенного пункта на другие дороги или к другим местным предметам -- к железнодорожным станциям и платформам, колодцам вне населенного пункта, полевому стану и т. п.
Трассы ЛЭП и трубопроводов	линейная со сменой направления под углом
Реки и ручьи	извилистые полосы различной ширины	преимущественно темный: водоемы с грязной, мутной водой более светлые, чем водоемы с чистой; отмели имеют более светлый тон, чем глубокие участки реки.	бесструктурный (аморфный) рисунок	Песчаные отмели по берегам в виде ярко-белого окаймления вдоль береговой линии или закругленных выступов на поворотах. Крутые берега опознаются по падающей от них тени.
Озера и пруды	чаще всего овальная	преимущественно темный: водоемы с грязной, мутной водой более светлые, чем водоемы с чистой; отмели имеют более светлый тон, чем глубокие участки.	бесструктурный (аморфный) рисунок	береговая линия, которая изображается в виде замкнутой кривой линии с плавными закруглениями (береговая линия пруда отличается от изображения береговой линии озера наличием более резких изломов)
Каналы	правильная прямая форма	темный		резко очерченные края русла, одинаковая ширина, наличие гидротехнических сооружений.
Леса	более или менее резко очерченные фигуры	темный; лиственные леса более светлого тона по сравнению с хвойными лесами.	крупно зернистая	размытые тени, отбрасываемые деревьями; просеки в лесу в виде узких прямых светлых полосок, заканчивающиеся у опушки леса.
Кустарники			мелкозернистая
Сады	участки (площади) со строго очерченными границами		сетчатая
Виноградники	участки (площади) со строго очерченными границами		полосчатая
Огороды	параллельные полоски	от белого до темного
Пашни	четкость границ и определенная «геометричность» форм полей	различный (зависит от состояния участка, произрастающей культуры, фазы развития культуры и др.)	полосатая	борозды в направлении обработки
Залежь			пятнистая	приуроченность залежи к межотроговым овражным и балочным участкам, к сильно эродированным участкам
Сенокосы	неопределенная	Заболоченный луг ровного серого тона; сухой луг имеет более светлый тон	различная (зависит от качественных характеристик)	приуроченность к определенным природным комплексам, отсутствие возможности прогона скота к участку и отсутствие признаков систематического выпаса скота
Пастбища	неопределенная			Положение вблизи скотных дворов, возможность прогона скота к пастбищному участку, наличие множества выбитых скотом троп, вытоптанных у водопоев и на местах стоянок травостоев, наличие специальных сооружений (загонов, навесов и т.п.)
Болота	лентообразная или овальная форма	темно-серый, более темный тон обычно соответствует более увлажненным местам.	мелкозернистые пятна (кустарник), иногда волокнистой структуры
Городские населенные пункты				большое число улиц и переулков, более или менее правильно расположенных и образующих кварталы жилых домов. В центральной части выделяются площади и большие здания. Небольшие города характеризуются сравнительно малыми размерами построек, а также наличием участков с садами и огородами.
Сельские населенные пункты				сравнительно маленький размер, небольшое количество улиц (иногда только одна улица). Непосредственно к границам примыкают сады, огороды и пахотные участки, разделенные изгородями, плетнями и заборами, которые видны как тонкие линии с полоской тени при них. Жилые постройки располагаются, как правило, вдоль улиц или непосредственно у дорог, а нежилых постройки-- ближе к внешним границам
Крупные промышленные предприятия				большие размеры занимаемой ими площади, наличие заводских труб, форма основных сооружений и наличие хороших подъездных путей
Ферма				Относительно крупные вытянутой формы здания, расположенные на окраине или вблизи сельского населенного пункта, со сбитой растительностью вокруг них и сетью расходящихся прогонов
Здания	прямоугольник или фигура, состоящая из нескольких прямоугольников			резкая граница тени угловатых объектов

Размещено на Allbest.ru