Содержание к диссертации
Введение
Глава 1. Методы определения состояния природных и антропоген ных объектов по данным многоспектральных систем дистанционного зондирования (аналитический обзор) 10
1.1. Методы классификации природных объектов по аэрокосмическим данным. Постановка задачи 12
1.2. Классификация с обучением: основные проблемы
1.3. Влияние флуктуации состояния зондируемых объектов на результаты классификации 11
1.4. Классификация зондируемых объектов без обучения 11
1.5. Специфика задач классификации и определения состояния объектов 21
1.6. Влияние состояния объектов на их дистанционно измеряемые спектральные характеристики
1.7. Регрессионные методы обработки данных дистанционных спектральных измерений
Глава 2. Формализованное описание связи параметров состояния и дистанционно измеряемых,спектральных характеристик раститель ных объектов
2.1. Зондируемые объекты и их состояние
2.2. Функция связи состояние-яркость объекта (ФСЯ)
Глава 3. Экспериментальное определение и анализ естественной степной растительности МНР 71
3.1. Методика экспериментов по определению ФСЯ 71
3.2. Описание спектрометра мИС0Х-020" 81
3.3. Методика экспериментов и их практическая реализация 81
3.4. Методика обработки данных и восстановления ФСЯ 91
3.5. Вопросы устойчивости СЯ 105
Глава 4. Оценка информативности данных дистанционного опре деления состояния растительности 121
4.1. Изучение корреляционных показателей информативности дистанционного зондирования (ДЗ) 121
4.2. Изучение влияния общего вида ІСЯ на информативность ДЗ 131
4.3. Изучение точностных показателей, основанных на информации Шишера как критерии информативности ДЗ 135
4.4. Имитация решения обратных задач ДЗ с помощью информации Фишера 140
Заключение 151
Литература 154
- Классификация с обучением: основные проблемы
- Классификация зондируемых объектов без обучения
- Описание спектрометра мИС0Х-020"
- Изучение влияния общего вида ІСЯ на информативность ДЗ
Введение к работе
Регулярные исследования околоземного космического пространства, начатые с конца пятидесятых годов, приобретают в последние десятилетия все большую практическую направленность. Одной из наиболее актуальных областей таких исследований является изучение природных ресурсов Земли (ИПРЗ) с космических аппаратов и самолетов-лабораторий с использованием метода дистанционного зондирования (ДЗ) в интересах таких отраслей науки и народного хозяйства как геология, сельское, лесное и водное хозяйство, океанология, охрана окружающей среды и многих других. В частности, в сельском хозяйстве материалы космических съемок Земли, выполняемых с помощью бортовой фотографической и сканерной аппаратуры, позволяют успешно следить за ходом полевых работ и фитосанитарным состоянием посевов, прогнозировать их урожайность и т.п.
Решение задач сельского хозяйства, основанное на использовании методов и средств ДЗ, особенно важно для такой страны, как МНР, обладающей значительной по площади территорией, специфическими природными условиями, относительно низкой плотностью населения и специализацией аграрного производства в области пастбищного животноводства. Оценка продуктивности и интенсивности использования пастбищ по данным аэрокосмической съемки необходима для оперативного планирования различного рода хозяйственных мероприятий в животноводстве.
Однако в этом направлении в МНР сделаны пока еще только первые шаги, носящие характер экспериментальных исследований. Ускоренному развитию этих работ, помимо чисто технических причин препятствует также отсутствие необходимого методического обеспечения и строгого обоснования возможностей методов ДЗ (в том числе и предельных) в определении состояния и динамики использования пастбищных угодий.
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 примере 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.
4. Оценка ожидаемой точности (информативности) решения обратных задач ДЗ и ее зависимости от различных факторов, влияющих на спектральные свойства объекта.
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 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.
Классификация с обучением: основные проблемы
Одним из популярных методов классификации является метод, основанный на теореме Байеса /8/. На этапе обучения по подмножествам векторов спектральной яркости X, для которых известно, к каким классам объектов они относятся, оцениваются вектор средних значений d-того класса (М ) и ковариационная матрица (С ). Данная процедура может выполняться по тестовым участкам на самом рабочем изображении. Для отнесения полученного на рабочем этапе и -мерного измерения к некоторому классу используется решающее правило максимального правдоподобия (при этом предполагается, что распределение вероятностей X является нормальным).
Хотя байесов метод теоретически оптимален, на практике некоторые предположения, лежащие в его основе или сделанные для удобства, могут не выполняться. Реально байесов метод может работать очень по-разному, в зависимости от того, какие предположения и насколько не выполняются. В ряде публикаций подробно описаны подобные факторы, влияющие на классификацию. Например, в /9/ основными из них считаются: выполнение предположения о нормальности, соответствие обучающих и рабочих данных, смешивание объектов в одном элементе разрешения.
Проблемы, связанные со смешиванием объектов, можно разделить на два вида. Основное внимание уделялось первому виду, когда элемент разрешения попадает на стык объектов, и его яркость не соответствует ни одному из них. Второй вид - когда наблюдается естественная смесь объектов, такая как, например, смешанный лес. Этот вид смеси, в сущности, можно считать новым отдельным объектом. В реальных данных точек со смешива ниєм может быть несколько десятков процентов, и экспериментально показано, что это заметно ухудшает классификацию /10/. Отметим, что разработанные до настоящего времени методы разделения смесей первого вида основаны на методе максимума правдоподобия, но определяют пропорцию смешивания не поточечно, а в среднем по фрагменту изображения /II/ и поэтому не вписываются в байесов метод. Зато они хорошо вписываются в методику совместного определения состояния и классификации, предложенную в /12/, где пропорции смешивания могут формально фигурировать как одна из характеристик состояния объектов. При смешивании 2-го вида необходимость в определении пропорций смеси возникает, например, при учете просвечивания почвы сквозь растительность. В данном случае необходимо разработать модели, связывающие яркость с характеристиками растительности и яркостью почвы,и разделять смеси подгонкой моделей к наблюдаемым данным /13/. Этот метод, в сущности, представляет собой вариант одновременного определения состояния объекта и классификации. Таким образом, здесь оказывается существенным знание вида зависимости КСЯ от состояния объекта (в данном случае - от проективного покрытия почвы растительностью).
Разница атмосферных условий является одним из основных факторов, которые вносят несоответствие между обучающими и рабочими данными. На большой площади, допустим, порядка кадра МШ-6М или Lotndsafl:% На краях влияние атмосферного рассеяния сильнее чем в центре. Поэтому атмосфера не будет везде такой же, как над обучающим участком. Эта проблема стоит остро также, когда обучающие и рабочие данные получены в разное время /14/, и когда обучающие яркости извлекаются не из самого рабо чего изображения, а из результатов наземного спектрометриро-вания объектов /15/. Но существует много методов борьбы с влиянием атмосферы путем создания ее моделей. По ним приводят яркости рабочего изображения к атмосферным условиям обучающих данных или наоборот.
Однако, наиболее важен, пожалуй, другой фактор, вызывающий расхождение рабочих и обучающих данных. Это изменение состояния объекта, например, для растительности - влажности, фазы вегетации и т.п. Они могут быть гораздо более сильными и разнообразными, чем изменения состояния атмосферы. Кроме того, если состояние атмосферы меняется довольно плавно в пространстве и времени, то состояние самого объекта может меняться куда резче. В итоге реальные гистограммы КСЯ резким и непредсказуемым образом отклоняются от сигнатур объектов.
Разумеется, для некоторых объектов, например, пустынных ландшафтов, обнаженных горных пород, этот фактор не приводит к существенному изменению КСЯ, и для них одни и те же сигнатуры можно использовать практически во всех условиях. Для растительных же объектов какой-то учет влияния их состояния на КСЯ необходим. Делать это в рамках традиционной байесовой схемы - заготовляя сигнатуры, полученные в разных условиях "на все случаи жизни" - бесперспективно. Ввиду многообразия объектов, характеристик их состояния и законов флуктуации последних, такой банк обучающих данных получился бы необозримым.
Некоторые характеристики состояния объектов могут быть всегда известны заранее для рабочего изображения. Пример - фаза вегетации растений, которая тесно связана с датой съемки. Тогда, изучив специально влияние этой характеристики на сигнатуры объектов, можно предварительно "нормировать" рабочие данные, приведя их к тому же значению этой характеристики,что и в обучающих данных, например, к той же дате цикла вегетации, а потом уже начинать собственно классификацию. Именно так делалось в работах /16, 17/.
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
Классификация зондируемых объектов без обучения
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
Описание спектрометра мИС0Х-020"
Для измерения КСЯ растительности использовался полевой переносной спектрометр "ИСОХ-020", регистрирующий излучение в 20 интервалах видимого и близкого ИК диапазона электромагнит ного спектра. Принцип измерения КСЯ состоит в сравнении интен сивности солнечной радиации, отраженной (рассеянной) от идеаль ной ортотропной поверхности эталона и отраженной (рассеянной) КСЯ, в(Лі) - яркость поверхности объекта, 8(Лі) - яркость эталонной поверхности при одинаковых условиях освещенности. Спектрометр "ИСОХ-020" был изготовлен в ЦЛКИ БАН (рис.14). По данным изготовителя, средний относительный коэффициент отражения экрана в диапазоне 400-800 нм равен 99%, а его индикатриса отражения отличается от идеальной менее, чем на 2% / 107 /. Первое из указанных условий было подтверждено при калибровке прибора перед экспериментом, и в пределах точности калибровки (5-10%) нарушений его не обнаружено. Спектрометр ИСОХ-020 имеет следующие технические характеристики : 1. Разложение спектра - посредством интерференциаонных фильтров. 2. Число каналов - 20. 3. Спектральный диапазон измерения - 400 + 800 нм. 4. Ширина каналов -10+12 нм. 5. Число измерительных охватов (коэффициентов усиления сигнала) -4(1; 0,5; 0,2; ОД). 6. Входной угол зрения - 13. 7. Точность измерения - 0,1% (при калибровке обнаружена нестабильность некоторых каналов, и они исключены из рассмотрения) . 8. Средние длины волн каналов спектрометра, который был использован: в 1982 году - 404, 416, 426, 440, 467, 484, 503, 548, 557, 599, 619, 662, 690, 702, 715, 729, 741, 754, 777, 808 нм; в 1983 году - 418, 422, 457, 474, 386, 515, 539, 562, 588, 611, 621, 653, 667, 686, 723, 762, 791, 802 нм. 9. Отсчет показания прибора в 1982 году стрелочно-цифровой в 1983 году - стрелочный.
В соответствии с теоретическими требованиями, которые были даны в параграфе 3.1. и на основе литературных данных о влиянии характеристик растительности на КСЯ (см., например, /25/,/52/, / 89/ ), были включены в группу "а" и измерены следующие характеристики состояния растительности: I)полная биомасса на единицу площади, 2) полная сухая биомасса на единицу площади, по которой рассчитывалась влажность травы; 3) влажность почвы, 4) высота самого высокого листа, пятого и десятого в порядке убывания высот. Еще ряд параметров,которые, по литературным данным, могли быть интересны пользователям, можно было отнести к группе "а", но из-за специфической архитектуры растительных сообществ данного полигона, трудоемкости и времяемкости их измерения были исключены из рассмотрения. Это, например, индекс площади листьев, число растений на единицу площади, содержание гумуса в почве, содержание хло рофилла в листьях и т.д.
Одним из основных источников априорной информации настоящего эксперимента была карта и описание растительных сообществ района Тувшрулэх, где в течение 10 лет работала советско-монгольская биологическая экспедиция. На основе этой информации был осуществлен выбор тестовых участков для трех наиболее характерных для данного региона типов растительных сообществ: байкалоковыльной, луговой и петрофитной степи. Соответствующие массивы данных для 1982 г. были обозначены в дальнейшем соответственно ИА, Би В", а данные для байкалоковыльной степи за 1983 год составили массив Г. Из вышеуказанной априорной информации заимствованы критерии, которыми руководствовался ботаник при определении этих типов сообществ на местности. Кроме того на основе тех же данных для сокращения описания видового состава на каждой станции, где проводились измерения, все многообразие видов растительности было отнесено ботаником к 4 основным группам: злаки, осоки, разнотравье и кустарники, различавшимся архитектурой или спектральными свойствами. Описание видового состава на каждой станции, таким образом, сводилось к указанию полной и сухой биомассы по каждой из этих групп. Эти характеристики относились к набору б . Условия постоянства характеристик из группы 6JJ соблюдались следующим образом.1. По углу визирования - строгим поддерживанием горизонтальности спектрометра (с точностью не хуже 1 по нивелиру).2. По типу растительного сообщества и типу почвы - ограничением площади участка (см. параграф 3.1). При этом первоначальный выбор участка производился визуально так, чтобы он имел однородные рельеф и растительное сообщество и находился
Изучение влияния общего вида ІСЯ на информативность ДЗ
Разумеется, это очень грубые оценки. Но на данном этапе, пожалуй, именно они представляют наибольший интерес. Именно поэтому, как следует из гл.1, ими довольно широко пользуются при работе над смежным кругом проблем.
Дія большинства длин волн, массивов данных, значений вспомогательных переменных и параметров регрессионных методов значения биомассы получаются в лучшем случав равными «/ .Но есть и более благоприятные состояния. Так, для Л = 0,62 мкм в массивах А и Г и доходит до 2-3, что соответствует точности определения фитомассы 15 ц/га. Это значение, как и , хорошо согласуется с приведенными в гл.1 результатами /70/ и других работ.
Общий вид зависимости КСЯ от биомассы различен в видимом диапазоне (там КСЯ падает с ростом биомассы) и ближнем ИК (растет). Но в обоих случаях он становится более пологим при больших значениях биомассы. Это означает, что область малой биомассы (разреженная растительность) более благоприятна для ДЗ. Такой результат согласуется с выводами теоретических моделей переноса излучения в растительном покрове, которые для случая больших значений удельной биомассы обеспечивают выход КСЯ на постоянный уровень (насыщение).
Дня проективного покрытия в лучшем случае = 1-2 В основном это связано с низкой устойчивостью сечения СЯ по этой переменной. Поскольку ход КСЯ как функции проективного покрытия более пологий, чем для биомассы, неустойчивость ФСЯ резко снижает величину v Можно сказать, что такие низкие значения і? представляют интерес разве что для идентификации участков с высоким уровнем антропогенной деградации (выпас, покос) и различения петрофитных и луговых участков. По этой же причине нельзя сделать каких-либо достоверных выводов об информативности из хода этого сечения ФСЯ.
Зависимость КСЯ от переменной "дата" практически одна и та же в массивах А и Г (в массивах Б и В ее нет, так как каждый из этих массивов регистрировался всего за один день). Эта зависимость значительно более устойчива, чем для биомассы. Для массива А доходит до 5-8, а точность определения фазы вегетации растительности - до 2-3 дней. Для массива Г несколько хуже (3-4), но в силу того", что и величина л в этом случае меньше, точность оценки составляет те же 2-3 дня. Такая высокая чувствительность КСЯ к этой переменной была несколько неожиданной. Она свидетельствует о том, что возможно весьма детальное прослеживание всего цикла вегетации степной растительности по дистанционным данным. Этот же факт эмпирически установлен зарубежными исследователями /3,25/ для зерновых культур.
В то же время в задаче оценки удельной биомассы такая резкая зависимость КСЯ от фазы вегетационного цикла является серьезной помехой, поскольку требует непременного учета этой переменной, что повышает размерность СЯ и ведет к снижению точности оценивания фитомассы, либо требует увеличения числа спектральных каналов. Правда, с практической точки зрения, эта проб лема будет несколько смягчена тем, что для известного растительного сообщества биомасса и дата цикла вегетации взаимосвязаны, а для некоторых потребителей информации - взаимозаменяемы. Однако при исследовании степени деградации какого-либо объекта и видовых различий между растительными сообществами необходимо учитывать обе указанные переменные.
Очевидно, что основным фактором, снижающим величину » , является ошибка и неустойчивость определения ФСЯ. Однако это уже не параметры самой задачи ДЗ растительности, а свойства текущего состояния зондируемого объекта или, точнее, погрешности эксперимента по восстановлению ФСЯ. Поскольку это, в сущности, первый эксперимент такого рода, можно рассчитывать, что в будущем точность определения ЮЯ значительно повысится.
Наконец, значительный теоретический и практический интерес вызывает вопрос: на какую точность ДЗ различных характеристик состояния объектов можно рассчитывать в случае, если ФСЯ известна точно? Ясно, что если бы наблюдения КСЯ были бы абсолютно точными, то при наличии достаточного числа спектральных каналов (не меньшего, чем число подлежащих учету переменных состояния) обратную задачу оценку состояния растительности можно было бы также решить совершенно точно. Однако на практике состояние объекта и, следовательно, КСЯ флуктуируют, что и ограничивает точность решения обратной задачи. В следующем параграфе приведено описание теоретического формализма, позволяющего по виду ФСЯ оценить максимальную потенциально возможную точность, и ее зависимость от различных факторов и особенностей решаемой задачи. Однако, некоторые из выводов о сравнительных возможностях ДЗ (например, на основе крутизны хода ФСЯ как функции биомассы), сделанных выше, носят достаточно общий характер и подтверждаются анализом, проведенным ниже.
