Содержание к диссертации
Введение
1 Принятые сокращения и условные обозначения
2. Сводные таблицы известных уравнений для расчета сопротивлений и коэффициентов тепло-и массообмена .
3. Основные геометрические характеристики элементов исследованных барботажных колонок
4. Алгоритмы теплового, гидравлического', и десорбпион-ного расчетов деаэраторов барботажкого типа
5. Дополнительные сведения о характеристиках барботакных деаэараторов.
5.1 . Сводные таблицы результатов исследовании! ТЕПДС- сбілсиа на основных элементах исследованных ко лонок
5.2. Сводные таблицы результатов исследований массообмена на основных элементах исследованных колонок
6 Информация о работоспособности традиционных деаэраторов, внедрении и эффективности модернизированных установок
6.1. Акты основных внедрений
6.2. Документы подтверждающие эффективность и объем
6.3. Материалы подтверждающие признание работы в отрасли 89
7. Основные решения по работе, защищенные авторским свидетельства
- Сводные таблицы известных уравнений для расчета сопротивлений и коэффициентов тепло-и массообмена
- Алгоритмы теплового, гидравлического', и десорбпион-ного расчетов деаэраторов барботажкого типа
- Сводные таблицы результатов исследований массообмена на основных элементах исследованных колонок
- Документы подтверждающие эффективность и объем
Сводные таблицы известных уравнений для расчета сопротивлений и коэффициентов тепло-и массообмена
Корректное решение этой проблемы предполагает рассмотрение целого комплекса методических вопросов, составляющих предмет настоящей диссертационной работы. Это прежде всего изучение характеристик самого зондируемого объекта, влияния условий съемки, формирования коэффициентов спектральной яркости (КСЯ) степной растительности и их связи с параметрами состояв ния последней, а также разработка алгоритмов обработки данных спектрометрических..,, фотографических и сканерных съемок, определение потенциальной точности оценки состояния объекта и оптимизация параметров аппаратуры бортовых информационно-измерительных комплексов ДЗ. Особо следует выделить принципиально новые вопросы статистической оценки состояния зондируемых природных объектов с учетом их пространственной изменчивости, как в пределах элемента разрешения бортовых приборов на местности, так и между самими элементами, а также отличия этой процедуры от достаточно-широко используемых алгоритмов классификации. Исследование возможности таких оценок, также как и их практическая реализация должны базироваться на использовании разнотипной информации, поставляемой комплексом бортовых приборов ДЗ, адекватным решаемой многопараметрической задаче. Примерами их могут служить комплексы, устанавливаемые на станциях типа "Салют", включающие такие приборы как МКШ--6М, МКС-М и "Спектр-ІбМ".
Выполнение сформулированных выше методических работ и исследований позволит дать количественное описание функционирования всего информационно-измерительного тракта ДЗ на при мере пастбищной растительности МНР.
Актуальность проблемы. В семидесятые годы интерес исследователей, разрабатывавших принципы обработки и использования данных дистанционного аэрокосмического зондирования Земли, был сосредоточен в основном на совершенствовании методов автоматической классификации природных объектов, на многозональных аэрокосмических изображениях. Используемые для этих целей математические алгоритмы базировались на стандартных методах распознавания образов или, эквивалентно, методах проверки статистических гипотез с применением простых регрессионных моделей. Опыт, накопленный исследователями в последние годы, показал, что улучшение результатов классификации, выполняем.ой с помощью указанных алгоритмов, имеет довольно жесткие пределы, а круг потребителей аэрокосмической информации весьма ограничен.
Кроме того, в настоящее время все более важной задачей дистанционного зондирования (ДЗ) становится задача оценки состояния природных и антропогенных объектов по данным бортовых информационно-измерительных комплексов, устанавливаемых на аэрокосмических носителях. Попытки ее решения методами проверки статистических гипотез с использованием регрессионных методов оказались неэффективными, пригодными в лучшем случае для какого-либо конкретного весьма ограниченного региона. Это связано с эффектом тешшгог: функции распределения флюктуации состояния зондируемых объектов, а также непостоянством регрессионных зависимостей между значениями коэффициента спектральной яркости (КСЯ) объектов и их предметно-специфических характеристик (ПО!) при переходе с одного участка измерений на другие,достаточно от него удаленные.
В связи с этим рассматриваемые в диссертационной работе вопросы оптимизации методов и технических средств решения задач классификации и оценки состояния природных и антропогенных объектов, исследования характеристик основных элементов информационного тракта дистанционного зондирования, установления инвариантных функций связи спектральных и предметно-специфических характеристик зондируемых объектов на примере пастбищной степной растительности, а также определения предельных точностей решения указанных выше задач делают ее тематику актуальной, имеющей большое практическое значение.
Цель работы. Целью диссертационной работы является исследование возможностей информационно-измерительных систем, используемых в дистанционном зондировании Земли, для решения задач классификации и оценки состояния природных объектов,оптимизации алгоритмов обработки аэрокосмической видеоинформации в таких системах и определения предельных точностей оценки состояния объектов.
В соответствии с сформулированной целью исследования в работе ставились и решались следующие задачи:1. Проведение экспериментов по сбору обучающих данных о связи спектральных свойств и состояния выбранных природных объектов (ими были степные растительные сообщества МНР,имеющие важное народнохозяйственное значение).2. Исследование возможности извлечения из этих данных устойчивой и надежной информации об аналитической форме функции связи параметров состояния зондируемых объектов с их яркостью (ФСЯ).3. Определение на основе поведения ФСЯ сравнительной информативности ДЗ при разных условиях съемки, состояния объектов и т.п.
Алгоритмы теплового, гидравлического', и десорбпион-ного расчетов деаэраторов барботажкого типа
Научная новизна. Научная новизна диссертационной работы заключается в следующем: X. Впервые доказана необходимость использования набора функций связи состояния зондируемого объекта с его спектральной яркостью (ФСЯ) в качестве основного массива априорной информации ("банка данных" объекта). 2. Показана возможность получения надежной информации о $СЯ из данных эксперимента при изменяющихся условиях съемки и воздействии мешающих факторов. 3. Впервые разработана и апробирована методика экспериментального определения ІСЯ, изучения статистических характеристик пастбищной степной растительности, оценки влияния условий измерений и сопутствующих мешающих факторов. 4. Разработаны методы решения прямых и обратных задач дистанционного зондирования и оптимизации параметров информационно-измерительных систем, продемонстрированные на примере изучения пастбищной степной растительности МНР. 5. Выполнены расчеты информации Фишера, как показателя ожидаемой точности и информативности данных дистанционного зондирования. На защиту выносятся следующие основные результаты. 1. Методика полигонного эксперимента и обработки его данных с целью определения $СЯ. 2. Доказательство возможности устойчивого определения ФСЯ по крайней мере относительно одной интересующей потребителя переменной - полной фитомассы. 3. Теоретическое обоснование видовой специфики ФСЯ зондируемого объекта и её достаточности для решения обратной задачи ДЗ. 4. Методика имитации решения обратных задач ДЗ на основе ФСЯ с оценкой результатов по информации Фишера, а также рекомендации по созданию алгоритмов решения таких задач. 5. Результаты анализа перспективности использования ДЗ в определении различных характеристик состояния природных объектов и диапазонов их изменения, а также рекомендации по выбору спектральных каналов бортовых многозональных съёмочных систем. Диссертационная работа выполнялась автором в лаборатории методов: интерпретации аэрокосмической информации о Земле Института космических исследований АН СССР и была включена в план работ лаборатории. Автор выражает глубокую благодарность всем сотрудникам этой лаборатории, в особенности своему научному руководителю кандидату технических наук Егорову В.В.и младшему научному сотруднику Балтеру Б.М. за постоянную помощь в работе. Кроме того, автор считает своим долгом выразить признательность всем коллегам из различных научных организаций МНР, принимавшим участие в 1982-1983 гг. в полигонных экспериментах. До конца шестидесятых годов основным средством дистанционного изучения земной поверхности была панхроматическая аэрофотосъемка. Освоение космического пространства и использование космических летательных аппаратов вызвали резкий скачок в развитии техники и технологии изучения природных ресурсов Земли. В середине семидесятых годов в практику ИПРЗ была внедрена многозональная съемка, которая, сохраняя все достоинства традиционных аэрофотометодов, существенно расширила информативность и резко увеличила эффективность космических средств, что создало новые возможности в изучении Земли из космоса. Совокупность методов ИПРЗ составила основу дистанционного зондирования (ДЗ), довольно строгое и полное определение которого дано в документе ООН A/AC IQ5/C.1/1,94. Физико-математические принципы ДЗ базировались прежде всего на изучении и систематизации данных о спектральных характеристиках зондируемых объектов, таких как коэффициент спектральной яркости (КСЯ), спектральное альбедо, радиояркостная температура и т.п., и их связи с предметно-специфическими характеристиками самих объектов. Из этих характеристик наиболее широко используется КСЯ, под которым понимают отношение яркости зондируемого объекта в заданном направлении наблюдения и спектральном диапазоне к яркости идеального рассеивателя (эталона), находящегося в идентичных условиях освещения. Таким образом, информация о физических, химических и других характеристиках самих природных объектов, называемых также предметно-специфическими характеристиками (ЇЇСЗО, закодирована в значениях спектральной яркости излучения, приходящего с произвольного элемента разрешения (пиксела). Развитие аэрокосмических методов исследования природных ресурсов, способствующих получению огромного количества информации, настоятельно требует развития методов оперативной обработки этой информации. Например, для эффективной обработки данных ИСЗ Landsah (эксперимент LACIE ) по мере их поступления, необходимо было обрабатывать каждый кадр не позже, чем через 30 дней после его поступления. Это соответствует обработке данных по 15-20 тестовым участкам в день /I/. При современном состоянии обработки данных ДЗ эффективное решение этой задачи возможно лишь в автоматическом режиме с использованием адекватных алгоритмов ЭШ. Если преимущество человека - в интеллектуальном анализе сложной или разнородной информации, то преимущество ЭВМ - в большом объеме и точности хранения данных, скорости их обработки и воспроизводимости полученных результатов. Время ручной обработки и интерпретации информации существенно зависит от разрешающей способности, масштаба изображения, решаемой задачи, опыта интерпретатора и степени его знакомства со сценой. В целом, существующие методы ручной обработки не могут считаться удовлетворительными в основном из-за больших затрат времени. При использовании ЭШ встает вопрос о количественной объективной оценке качества интерпретации видеоинформации. Один из самых важных критериев качества ДЗ - средняя точность
Сводные таблицы результатов исследований массообмена на основных элементах исследованных колонок
Однако для большинства характеристик растительности, влияющих на КСЯ, во-первых, подобные работы не проведены, а во-вторых, заранее их значение неизвестно даже приближенно. Примеры - влажность, фитомасса и т.п. Кроме того, важно не только их среднее значение, но и другие моменты распределения вероятности. В этом случае необходим принципиально новый подход - одновременная классификация объектов и определение их состояния по заранее известной функции связи последнего с КСЯ. Этот подход предложен в /12/, в расчете на то, что такая функция - назовем ее $СЯ - огакция связи состояния и спектральной яркости - гораздо в большей степени инвариантна, чем собственно состояние объекта или его КСЯ, и поэтому менее подвержена влиянию отклонений обучающих данных от рабочих.
Таким образом, видно, что исследование влияния состояния объектов на их КСЯ и решение обратной задачи для состояния по данным ДЗ важны как средство устранить расхождение обучающих и рабочих данных при классификации с обучением. В /12/ показано, что это сводится к уменьшению перекрытия гистограмм КСЯ разных объектов и, следовательно, к повышению точности классификации. В /3/ показано, что именно перекрытие гистограмм ставит верхний предел многочисленным попыткам повысить точность классификации с помощью совершенствования алгоритмов обработки данных. Таким образом, можно сказать, что наряду с привлечением новых дистанционно наблюдаемых признаков (текстура объек - 19 та и т.д.) учет и определение состояния объектов ДЗ являются вероятно обязательными, для повышения точности классификации до практически приемлемых значений.
Иногда, особенно на предварительных этапах работы, методы с обучением просто неприменимы, т.к. обучающих данных нет или недостаточно. Тогда применяют метод кластерного анализа. Он известен и используется в течение длительного времени. К настоящему времени он занимает важное место в области ДЗ /18, 19/. В методах с обучением сигнатуры и разделяющие границы получаются по обучающим данным и в готовом виде поставляются этапу классификации основных рабочих данных. В кластерном же анализе ищется оптимальное разделение на кластеры по самим рабочим данным. Функция плотности вероятности имеет моды или максимумы в некоторых областях пространства измерений, так как большая часть векторов измерений имеет тенденцию группироваться вблизи моды соответствующего объекта. Анализ набора векторов измерений, имеющих цель выявить эту тенденцию, называется кластеризацией ( ctusieiinc )# Кластеризация - это поиск наилучшего в смысле какого-либо критерия разделимости разбиения распределения вероятности яркости изображения на кластеры, т.е. на группы тяготеющих друг к другу измерений. Обычно это делается перемещением точек из кластера в кластер, делением кластера на несколько или слиянием нескольких кластеров в один и продолжается до тех пор,пока некая мера разделимости не перестанет улучшаться /3/. Методы кластеризации весьма разнообразны в силу своего эмпирического характера и поэтому далее подробно не рассматриваются.
Проблем, связанных с непредставительностью обучающих данных, у кластеризации нет, так как она отражает естественное разделение яркости сцены, а не навязанное обучающими данными. Поэтому она часто используется как средство обучения. Но кластеризация не дает гарантии точного соответствия выделяемых объектов тем, которые на самом деле нужны. Вследствие этого после кластеризации желательно установление истинной сущности кластеров путем наземного обследования некоторых выбранных из них точек. Кроме того, методы кластеризации не обеспечивают теоретическую минимизацию ошибок классификации. Поэтому следует считать, что методы с обучением более перспективны. Последнее связано, в сущности, с тем, что они используют важную априорную информацию. Необходимо только обеспечить ее адекватность данным ДЗ.
Классификация - это способ распределения данных по дискретным категориям. Реально, на практике, после классификации по данным ДЗ строятся тематические карты землепользования или растительных категорий, видов городской территории, разновидностей почвы, снега, воды, льда, геологических пород и других литологических категорий. Но значение видов объекта далеко не всегда представляет большой интерес для пользователя. Часто он знает вид объекта и без ДЗ. А вот состояние этого объекта, если его определить методами ДЗ достаточно точно, было бы очень ценной информацией. В литературе часто приводятся таблицы требований к определению состояния объектов методами ДЗ в различных задачах, соотнесенные с возможностями существующих бортовых приборов ДЗ (сенсоров). Часть из них приведена в табл.I. Определим теперь более строгое различие между задачами классификации и определения состояния объектов ДЗ. Под объектами следует иметь в виду, в сущности, то, что ищется при кластеризации, т.е. такие компоненты земной поверхности, которые будучи описаны какими-либо естественными характеристиками, сохраняют их примерно постоянными в пределах одного объекта (кластера), а при переходе от одного объекта к другому эти характеристики резко меняются. Указанные характеристики в дальнейшем именуются переменными состояния или компонентами вектора состояния. Ясно, что объекты, разные при одном выборе характеристик, становятся одинаковыми при другом. Так, например, разные с обыденной точки зрения сельскохозяйственные культуры могут иметь практически идентичные спектральные характеристики. Кластеризация разбивает изображение именно на такие, "спектрально определенные объекты". Все проблемы кластеризации как раз в том, что такое "спектральное определение объекта" не совпадает с определением, которое дает интересующим его объектам потребитель информации.
В связи с этим целесообразно ориентироваться не на кластеризацию, а на методы с обучением, и определять объект, исходя из его обычных, наземных характеристик. Для большинства реальных объектов, если описать их достаточно богатым набором характеристик, переход от одного объекта к другому обязательно вызовет скачок какой-либо характеристики. Те характеристики, которые мало меняются для одного типа объекта, и резко -при переходе к другому типу объекта, можно исключить из вектора состояния и считать, что они описывают тип объекта. Разумеется, такое выделение несколько условно, так как вряд ли существуют характеристики, строго инвариантные внутри объекта
Документы подтверждающие эффективность и объем
Типичен в этом смысле пример растительности. Ее виды (и более крупные таксономические единицы) выделяются в самой природе тем, что они не скрещиваются друг с другом. Это пример хорошего естественного определения дискретных объектов. Фенотипические же признаки, по которым ботаник различает виды, могут быть выражены по-разному. Для большинства объектов, представляющих интерес в ДЗ, они очевидны и можно рассчитывать на их проявления в дистанционных данных. Есть, однако, хорошо известные примеры почти полной фенотипической идентичности разных видов. Это объекты, хорошо определенные генотипически, но плохо - фенотипически.
Подобные объекты, а также многие другие, скажем различные горные породы, для которых переход от одной таксономической единицы к другой связан не со скачком каких-либо характеристик, а с переходом содержания тех или иных химических компонент через условно установленный порог, есть пример непрерывной по существу задачи, даже при их дискретизации и разбиении на градации.
Если речь идет об определении по данным ДЗ непрерывных по своей сущности характеристик, то их можно не только отнести к одной из крупных градаций методом классификации, но и оценить их значения методами измерения. Например, они могут быть переменными в регрессионных методах. Такие "непрерывные" методы решения обратных задач ДЗ, как и все семейство методов статистического оценивания непрерывно меняющихся параметров, более перспективны в этих задачах, так как лучше согласуются с их собственной структурой. Они не предполагают, что "правильное" (только зашумленное) отображение пространства признаков в пространство решений - это отображение непрерывного множества в дискретное (и обычно конечное) множество. Наоборот пространство решений предполагается также непрерывным множеством. Если в первой постановке изменения состояния внутри одной точки пространства решений ("градации состояния") -лишь помеха, то во второй они - главный источник полезной информации.
Перечислим некоторые примеры возникающих в ДЗ задач,которые подходят под определение "состояние". С целью определения состояния сельскохозяйственных культур и предсказания урожая наиболее часто исследуются такие характеристики, как биомасса на единицу площади, проективное покрытие почвы раститель ностью, различного рода поражения и заболевания, фазы вегетационного цикла, содержание влаги, содержание хлорофилла в листьях и т.д. /4,23-26/. Для лесных массивов представляет интерес оценка степени поражения вредителями, определение процента хвойных и лиственных деревьев в смешанном лесу, оценка древесной массы. Из характеристик состояния воды часто исследуются прозрачность, содержание взвешенных частиц, химический состав воды, соленость, температура, содержание хлорофилла водорослей, планктона и т.д. /27,28/. Большое внимание исследователи уделяют определению загрязнения воды, в том числе нефтяной пленкой на поверхности /29,30/.
Другие объекты изучения - загрязнение воздуха, особенно аэрозолями, SOg, С0, СО , влажность почвы, соленость почвы, химический состав почвы, глубина снега, содержание воды в снеге, плотность городского населения, химический состав горных пород /31-33/.
Для оценки состояния на первых этапах развития ДЗ применялись те же классификационные методы, что и для определения типа объекта. Можно привести примеры определения степени поражения кукурузы заболеваниями /6/, биомассы растительности /4,34,35/, проективного покрытия почвы растительностью /36, 37/. Приведем полученные в этих работах точности классификации: 55-80% при 3 градациях пораженности /6/; 70-77% при 8 градациях /4/; 60% при 9 градациях /36/; 87% при 8 градациях
Точность оценки биомассы: 25 гДг /35/; 150 т/ъг /34/. В целом результаты нельзя признать удовлетворительными, о чем прямо говорится в /б/.
Это естественно, так как задача определения состояния не порождает четко выраженных кластеров, и вообще, связанные с не различия КСЯ являются куда более тонкими, чем в обычных задачах классификации, так что грубые классификационные методы здесь вряд ли имеют шансы на успех.
Из этих примеров видно, что определение состояния объектов представляет большой научно-практический интерес. Но этому вопросу уделялось гораздо меньше внимания, чем классификации, и полученные результаты были не очень обнадеживающими.
Известно, что любая попытка определения состояния какого-либо объекта на основе данных ДЗ ("Обратная задача") требует предварительного решения "прямой задачи" - определения влияния состояния на КСЯ объекта.
Решение обратных задач ДЗ на основе использования взаимосвязи спектральных и ПСХ объектов потребовало проведения классификации последних по оптическим признакам. Одна из первых таких работ - монография Кринова /39/. Она содержит сведения о КСЯ 370 объектов. Большой вклад в развитие теории и практики спектральных исследований внесли К.Я.Кондратьев, Ю.С.Тол-чельников, Б.В.Виноградов и другие /40-43/. Однако, в настоящее время указанной классификации недостаточно для решения многих задач ДЗ, что обусловлено охватом относительно узкой области спектра, отсутствием данных о динамике хода кривых в связи с изменением состояния объектов исследования и относительно малой статистики наблюдений /44/. Это вызвало в 70-х - 80-х гг. бурное развитие исследований спектральных характеристик объектов в их связи с ПСХ.
Наиболее важные результаты методического и экспериментального характера, полученные в этих исследованиях, приведе-дены в /45-51/. Большинство указанных работ посвящено изучению спектральных характеристик и ПСХ морских, гидрологических и почвенно-растительных объектов.
Значительным достижением в исследовании системы почва-растительность является монография /52/, в которой обобщены начатые еще в 1960-х годах работы по аэрофотоепектрометриче-скому обследованию пастбищной растительности и посевов сельскохозяйственных культур.Значительно слабее представлены результаты изучения
