ифікації використовуються спектральні образи (сигнатури) типів покриттів [1].
Розрізняють два основних методологічних підходи до проведення розглянутої процедури: класифікацію з навчанням і автоматичну класифікацію. У разі класифікації з навчанням, завдання полягає у виявленні на зображенні об'єктів вже відомих типів, що вимагає деяких попередніх знань про досліджуваний ділянці земної поверхні. На першому кроці процедури необхідно інтерактивно вибрати на зображенні еталонні ділянки є характерними (типовими) представниками виділяються класів об'єктів. Етап навчання полягає фактично в розрахунку та аналізі деякого набору статистичних характеристик розподілу значень пікселів, складових ці полігони. Однак більшою популярністю користується інший вид класифікації, який не вимагає додаткової наземної інформації та глибокого знання дистанційних методів обробки. Методологічною основою автоматичної класифікації є кластерний аналіз, в ході якого намагаються визначити всі надибуємо типи об'єктів при деякому рівні узагальнення (вибраних критеріях об'єднання, поділу або числа класів), а завдання їх інтерпретації вирішується на другому етапі. Існують алгоритми поєднують елементи класифікацій з навчанням і автоматичною.
За способом віднесення окремих елементів зображення до того чи іншого класу об'єктів, розрізняють жорсткі і м'які класифікатори. У разі жорстких (традиційних) класифікаторів, приймається строго певне рішення щодо належності пікселів до деякого класу. М'які ж класифікатори оцінюють імовірність, з якою аналізований елемент зображення може належати всім аналізованим класам покриттів (включаючи і невідомі). Сучасні класифікатори дозволяють також вводити елемент невизначеності на різних стадіях процесу, що допускає присутність змішаних класів покриттів у кожному окремому пикселе (субпіксельних класифікація). Ще один порівняно новий вид класифікації пов'язаний з обробкою гіперспектральних даних. Такі дані надходять з експериментальних систем ДЗ працюють з дуже вузькою шириною зон традиційного спектрального діапазону, що збільшує кількість спектральних каналів до десятків і навіть сотень. У цьому випадку для автоматизованого виділення класів об'єктів покриттів використовуються бібліотеки спектральних кривих різних земних матеріалів [1].
Часто виникає необхідність тематичної коректування результатів класифікації, особливо автоматичною, виконуваної фактично з інформаційних характеристикам об'єктів. Для цього використовується цілий набір процедур, званий операціями після класифікаційної обробки: злиття класів, поділ класів, усунення дрібних помилкових об'єктів, згладжування меж об'єктів і т.п.
Важливим етапом у процесі класифікації є оцінка точності отриманих зображень, яка може виконуватися як за даними польових вимірювань, так і шляхом порівняння з відповідними тематичними картами.
Дана область обробки ДДЗ в даний час досить інтенсивно розвивається: з'являються нові класифікатори, засновані на останніх досягненнях в області моделювання штучного інтелекту та інших областях прикладної математики (наприклад, нейронні мережі).
Методи автоматичної класифікації, часто звані кластерним аналізом, засновані на аналізі просторових ознак, отриманих по всіх об'єктах зображення. Кластер - це однорідний ділянку зображення, з точки зору деякого набору ознак (яскравісних, геометричних, текстурних, фізичних/біофізичних). Найбільш широко відомий алгоритм кластерного аналізу ISODATA, який відноситься до категорії самоорганізованих, оскільки вимагає мінімальних апріорних знань для завдання вихідних параметрів. Даний алгоритм використовує критерій близькості точок у просторі ознак. Процес починається з завдання числа виділяються кластерів, що мають довільні середні значення. Подальша автоматична ітеративна процедура спрямована на послідовне наближення початкових значень до центрів кластерів. Після кожної ітерації обчислюються нові центри кластерів з урахуванням розташування в просторі ознак пікселів, відповідних кожному з них. Процес повторюється до тих пір, поки зміни між ітераціями НЕ будуть мінімальними [1].
2.3 Обчислення нормалізованого різницевого індексу рослинності
Характерною ознакою рослинності та її стану є спектральна відбивна здатність, що характеризується великими відмінностями у відображенні випромінювання різних довжин хвиль. Знання про зв'язок структури і стану рослинності з її спектрально відбивними здібностями дозволяють використовувати космічні знімки для картографування та ідентифікації типів рослинності і їх стресового стану. Для роботи зі спектральної інформацією часто вдаються до створення так званих індексних зображень. На основі комбінації значень яскравості в певних каналах, інформативних для виділення досліджуваного об'єкта, і розрахунку за цими значення...
