Основные понятия и методика кластерного анализа

Основные понятия и методика кластерного анализа. Кластерный анализ относится к цифровым автоматизированным методам обработки космических изображений и позволяет выделять контура с неконтрастной по спектральной яркости структурой.

Это могут быть как непосредственно выделяемые растительность, открытые почвы, вода, облака и другие объекты рис так и некоторые особенности территории, выделяемые по косвенным признакам, например, увлажнение, степень продуктивности почв, литологический состав пород и т.д. Алгоритм кластеризации производит спектральный анализ исходного многозонального растрового изображения и пересчитывает его в однозональное, распределяя все пикселы в кластеры по их яркостным характеристикам.

Метод кластеризации ISODATA использует спектральные расстояния как основу, но классифицирует пикселы в несколько приемов итераций, переопределяя критерии для каждого класса и классифицируя снова таким образом, что спектральные расстояния составляющих исходных данных постепенно уточняются.

Также он пересчитывает статистику.

Метод ISODATA использует минимальное спектральное расстояние, чтобы определить соответствующий кластер для каждого пиксела.

Процесс начинается с назначения случайного приближенного среднего значения кластера и повторяется до тех пор, пока это значение не достигнет величины среднего для каждого кластера исходных данных. Начальные средние значения кластеров распределяются равномерно вдоль центрального вектора спектрального пространства.

Количество кластеров задается пользователем. В течение первой итерации пространство равномерно разбивается на области, центром каждой из которых являются средние значения кластеров рис Пикселы анализируются с левого верхнего угла изображения к нижнему правому, блок за блоком.

Вычисляется спектральное расстояние между пикселом и средним значением кластера. Пикселы назначаются в тот кластер, где это расстояние минимально рис При этом назначенные центры кластеров смещаются, т.к. их средние значения меняются в зависимости от преобладающих яркостей попавших в них пикселов.

Для того, чтобы определить расположение новых центров, производится второй пересчет. В процессе второй итерации снова определяются минимальные спектральные расстояния между точками и новыми средними значениями кластеров. В результате этого пикселы снова перераспределяются. Такие пересчеты повторяются до тех пор, пока все точки с 95 -й вероятностью не попадут в какой-либо кластер рис Пользователь может сам задать максимальное количество итераций. Результатом кластеризации методом ISODATA является тематический растровый слой и набор статистик, включающих средние значения кластеров, минимальные и максимальные значения яркостей входящих пикселов, среднее квадратическое отклонение и ковариационную матрицу между спектральными каналами.

Также, используя данный метод, пользователь может оценить пространственные характеристики различных объектов, однако, при этом ему необходимо переводить изображение в какую-либо равновеликую или равнопромежуточную картографическую проекцию, позволяющую рассчитывать площади.

В данной работе была использована проекция Меркатора для стран широт Северной Америки. Функция самоорганизации позволяет обойтись минимальным вмешательством человека в процесс распределения кластеров, пользователю лишь необходимо задать цвета для каждой получившейся градации и идентифицировать их. 1.6 Методика проведения работы Для того, чтобы оценить возможности цифровых методов при дешифрировании и обработке изображений, полученных со спутника, были взяты два снимка высокого и среднего разрешения на район Рыбинского водохранилища.

На значительную часть этого района, занимаемую Дарвинским Государственным заповедником, в результате длительных полевых исследований был накоплен очень обширный фактический, картографический и статистический материал. Это сыграло определенную роль в выборе территории исследования, и заповедник был выбран в качестве тестового участка. Работа состояла из нескольких этапов. Первый заключался в дешифрировании природных и антропогенных структур района Рыбинского водохранилища и, в частности, Молого-Шекснинского полуострова по исходным космическим снимкам.

По снимку среднего разрешения от 31.05.97, как по более информативному для визуального дешифрирования и охватывающему большую территорию, была составлена схема дешифрирования и легенда к этой схеме. На втором этапе проводилась обработка исходных снимков цифровыми методами и анализ полученных результатов. Последний, третий этап заключался в непосредственном анализе возможностей цифровых методов обработки при дешифрировании природных и антропогенных структур района Рыбинского водохранилища и их свойств.

Он осуществлялся с помощью перечисленных в Введении тематических и общегеографических карт на данный район. II. ФИЗИКО-ГЕОГРАФИЧЕСКАЯ И ЛАНДШАФТНАЯ ХАРАКТЕРИСТИКА РАЙОНА РЫБИНСКОГО ВОДОХРАНИЛИЩА 2.1 Климат Данная территория располагается в западной подобласти атлантико-континентальной лесной климатической области и характеризуется достаточным и устойчивым увлажнением.

Годовая сумма инсоляции составляет 78-80 ккал см2 в год. Радиационный баланс составляет 19-20 ккал см2 в год. Значительный радиационный баланс 19-20 ккал см2 в год способствует трансформации прогреванию и увлажнению воздушных масс и обуславливает недостаточно полное испарение выпадающих осадков, которое составляет 500-600 мм в год, в отдельные сезоны и года наблюдается избыток влаги. Такое избыточное увлажнение территории связано с циклоническим режимом погоды.

Средняя температура в январе составляет около -10о С, в июле 17 18о С. Сумма активных температур составляет приблизительно 1800о С, безморозный период длится 120 дней. Зимой устанавливается снежный покров, предохраняющий почву от сильного промерзания. Рыбинское водохранилище, занимающее наиболее пониженную часть Молого-Шекснинской низменности и имеющее площадь около 4.5 км2, является крупным местным фактором, влияющим на климат. Обширное водное пространство способствует усилению ветра и некоторому уменьшению суточных колебаний температуры и влажности воздуха в летние месяцы. 2.2