Экология: миф и реальность

Значение экологии неизмеримо выросло во второй половине двадцатого века, так как произошло фоновое загрязнение природы промышленными выбросами, отходами и продуктами агрохимии. Вследствие неблагоприятного воздействия на окружающую среду в значительной мере уменьшилось видовое разнообразие как флоры, так и фауны. Безвозвратно исчезают хрупкие индивидуумы животных и растений, многие из них занесены в Красную книгу, так как в природе резко уменьшилось их количество.


Распознавание лесных горючих материалов по спектральным признакам и основные принципы создания распознающей системы.

В настоящее время при достаточном уровне развития дистанционных методов исследования, можно достаточно полно изучить пространственную неоднородность ЛГМ. Сейчас изучаются различные физические поля, на основе их анализа можно судить о строении и состоянии ЛГМ. Большой объем информации о растительности может быть получен в инфракрасном, а также в сантиметровом диапазонах. На основе анализа ИК снимка получили пример оценки горизонтальной структуры слоев ЛГМ. Было установлено, что поле влагосодержания ЛГМ может считаться однородным и изотропным, а его структура описывается уравнением нормированной автокорреляционной функцией:

2.5.1.

где , , и - координаты текущей и фиксированной точек на плоскости;

=1,5м - показатель затухания;

=9,2м - период пространственной периодической составляющей поля.

Эта функция позволяет определить наиболее характерные пространственные величины, которые присутствуют в случайном процессе излучения леса. Распознающая система производит серию измерений образа подлежащего классификации и сравнивает эти измерения с набором “типичных образов” в “словаре образов”. Совпадение или наиболее близкое совпадение с элементом словаря дает желающую классификацию.

Естественный Рецептор Классификатор

объект (датчик) (блок принятия Результат

решения)

рис. 2.5.1. Модель системы распознавания ЛГМ по спектральным признакам.

Выход рецептора - набор n

измерений, каждое из которых относится к одному из каналов сканера, которые делаются одновременно. Любой объект в пространстве может быть представлен n - компонентным вектором измерений х, х=[ ], где хi соответствует измерению в i-ом канале сканера. Классификатор относит вектор измерений к одному из множеств предварительно определенных классов. Задача проектирования классификатора образов состоит вначале из разбиения пространства измерений (лесных горючих материалов) на области решения так, чтобы каждый тип ЛГМ относился к данному различному классу, который может отождествлять любой вектор измерений как принадлежащий к классу, соответствующему той области решения, в которую он попадает.

Пусть мы имеем m

классов горючих материалов и определены соответствующие этим классам области решения. Пусть мы можем найти множество функции Х, называемых дискриминантными, которые обозначим , обладающими теми свойствами, что имеет большее значение, чем все стальные дискриминантные функции, всякий раз, когда Х - точка в i-ой области решения. Если мы хотим классифицировать любую точку Хи, то есть определить, к какой области решения она относится, то нам надо вычислить только .

Точка Хи принадлежит к классу имеющему наиболее значение . Правило классификации заключается в следующем:

пусть Wi обозначает i-ый класс; решаем, что , если и только если для всех j=1,2 .m. Действительно две дискриминантные функции могут иметь равные значения только в точках, лежащих на границе раздела областей решения. Для этих случаев определяем правила разрешения неопределенности.

Дискриминантные функции вычисляют на основе информации, выделенной из набора обучающих образов, то есть векторов измерений с известной классификацией, которые считаются типичными представителями интересующих нас классов. обучающая процедура проста и выполняется автоматически, но сходимость к решению гарантирована только тогда, когда обучающиеся образы разделимы линейной границей. Но когда классы образов перекрываются, данный метод не подходит. Поэтому для этих случаев используется статистический подход для распознавания ЛГМ в силу ряда горючих материалов для классификации спектральных измерений с неизвестной идентификацией.

Если число возможных значений данных велико, для записи в память ЭВМ гистограммы может потребоваться очень много места. Число ячеек памяти, необходимых для записи n-мерной гистограммы, в которой каждое измерение может принимать Р значений, равно Рn. Один из способов разрешения этой трудности - предположить, что функция распределения вероятностей может быть адекватно аппроксимирована кривой, имеющей простую функциональную форму, например, нормальной функцией плотности вероятностей. Функция распределения вероятностей для класса i, оцененная по обучающим выборкам имеет вид:

2.5.2.

- оценка дисперсии;

- оценка математического ожидания.

Сделав такое параметрическое предположение о том, что функция вероятности любого класса может быть аппроксимирована нормальной функции плотности, мы должны хранить в ЭВМ вместо всей гистограммы только математическое ожидание и дисперсии каждого класса. Использование матричной записи [ ], позволяет получить очень компактное выражение формул двухмерной или n-мерной функции плотности вероятностей. Для общего случая n-мерных данных:

Тогда многомерная n-мерная функция плотности может быть записана так:

Перейти на страницу: 1 2 3

Интересное по теме

Химическое загрязнение среды промышленностью
На всех стадиях своего развития человек был тесно связан с окружающим миром. Но с тех пор как появилось высокоиндустриальное общество, опасное вмешательство человека в природу резко усилилось, расширился объём этого вмешательства, оно ста ...

Запасы и проблемы пресной воды
20-е столетие характеризуется интенсивным ростом населения Земли, развитием урбанизации. Появились города-гиганты с населением более 10-ти млн. человек. Развитие промышленности, транспорта, энергетики, индустриализация сел ...