(doc, 5568 Кб)
реклама
На правах рукописи МАНЫЛОВ ИГОРЬ ВЛАДИМИРОВИЧ МЕТОДЫ АНАЛИЗА ДАННЫХ АЭРОФОТОСЪЁМКИ ЗЕМЕЛЬ СЕЛЬСКОХОЗЯЙСТВЕННОГО НАЗНАЧЕНИЯ Специальность 05.11.13 – Приборы и методы контроля природной среды, веществ, материалов и изделий АВТОРЕФЕРАТ диссертации на соискание учёной степени кандидата технических наук Санкт-Петербург – 2012 Работа выполнена кафедре микро- и нанотехнологий аэрокосмического приборостроения в Федеральном государственном автономном образовательном учреждении высшего профессионального образования «Санкт-Петербургский государственный университет аэрокосмического приборостроения» Научный руководитель – кандидат технических наук, доцент Федченко Владимир Григорьевич Официальные оппоненты: доктор технических наук, профессор Ефимов Владимир Васильевич доктор технических наук, профессор Михайлов Виктор Федорович Ведущая организация – Государственное научное учреждение Всероссийский научно-исследовательский институт защиты растений Россельхозакадемии (ГНУ ВИЗР) Защита состоится «___»______________ 2012 г. в _____ часов на заседании диссертационного совета Д 212.233.01 при Федеральном государственном автономном образовательном учреждении высшего профессионального образования «Санкт-Петербургский государственный университет аэрокосмического приборостроения» по адресу: 190000, Санкт-Петербург, ул. Большая Морская, д. 67. С диссертацией можно ознакомиться в библиотеке университета. Автореферат разослан «____» ________________ 2012 г. Учёный секретарь диссертационного совета доктор технических наук, профессор Шелест Д.К. 2 I. ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ Актуальность исследования. Дистанционное зондирование Земли сегодня одна из активно развиваемых и обсуждаемых тем. Долгое время данные дистанционного зондирования использовались исключительно военными структурами, но в последнее десятилетие их активно применяют для решения множества гражданских задач. Следует отметить развитие технических средств дистанционного зондирования: появляется новая съемочная техника и различные аппараты для её установки, создаются современные модели беспилотных летательных аппаратов, способных конкурировать с зарубежными аналогами, появляются частные спутники. Кроме того, активно разрабатывается программное обеспечение, позволяющее быстро и качественно обрабатывать полученную информацию и применять её в новых отраслях. Повышенный спрос на данные дистанционного зондирования, в основном на аэрофотосъемку, предъявляет сегодня сельское хозяйство. В условиях плановоадминистративной экономики съемка сельхозугодий проводилась с установленной периодичностью, а также на основе обоснованной потребности каждого конкретно взятого хозяйства. Данные аэрофотосъемки были доступны любым сельским хозяйствам, причем доступ к ним можно было получить в довольно короткие сроки. После распада СССР и постановке подобных исследований на коммерческие рельсы, получение соответствующих данных для большинства сельских хозяйств стало невозможным ввиду финансовых, технических, кадровых и других проблем. Сегодня потребность в данных аэрофотосъемки не только не пропала, но и ввиду длительного застоя и продолжительного кризиса в сельском хозяйстве возросла в несколько раз: необходима классификация и инвентаризация неиспользуемых земель, оценка состояния угодий, анализ нагрузки на почвенный покров и проведение других исследований по смежным направлениям. Но в условиях ограниченности финансовых ресурсов сельское хозяйство не может позволить себе использование новейших технических средств для осуществления летно-съемочного процесса и программных разработок для быстрого и эффективного анализа аэрофотоснимков. В этой связи рассмотрение аэрофотосъемки земель сельскохозяйственного назначения и методов анализа полученных данных для целей сельского хозяйства в привязке к финансовой стороне дела приобретает особую актуальность. Степень разработанности темы исследования. Все исследования, посвящённые аэрофотосъемке, как методу дистанционного зондирования, можно условно разбить на две большие группы: опубликованные в СССР; переводные и отечественные научные издания, опубликованные в конце XX – начале XXI века. Первые отличаются существенной практической направленностью, анализом проблем и перспектив развития технического оснащения летно-съемочного процесса, рассмотрением целей и задач дистанционного зондирования в решении проблем отдельных отраслей. Сельское хозяйство как пользователь данных дистанционного зондирования в трудах отечественных исследователей неразрывно связывается с лесным хозяйством ввиду схожести объекта анализа и решаемых 3 задач. Следует выделить работы Сазонова Н.В., Азовцева Н.Н. и Трахова Э.М. в области дистанционного зондирования сельскохозяйственных площадей с использованием авиационной и космической техники, а также исследования Топичева А.Г., Флоринской М.А., Заболоцкого В.Р., Слесарева А.О. по вопросам дистанционных методов оценки качества внесения удобрений и диагностики минерального питания сельхозкультур. Ряд научных изданий посвящен анализу летательных аппаратов, съёмочной аппаратуры и описания летно-съёмочного процесса в целом безотносительно к отрасли. Наиболее подробными можно считать работы Стеценко А.Ф., Мурахтанова Е.С, Сухих В.И. и др. Вопросам дешифрации и обработки снимков внимание практически не уделялось, так в работах Дмитриева И. Д., Лавровой Н.П. проанализирована только ручная дешифрация и средства её осуществления. При этом очень мало внимания уделялось автоматизации решения подобных задач, использованию для дешифрации компьютерной техники и информационных технологий. Первыми обратились к этой проблеме зарубежные учёные, такие как У. Рис, В. Бэйкер, А. Чандра и С. Гош, П. Хаггерт и другие. Их исследования были переведены на русский язык и стали доступны в России в последние 10 лет. Современные исследования в области анализа данных аэрофотосъемки и дистанционного зондирования ориентированы либо на учащихся ВУЗов и знакомят с теоретическими и некоторыми практическими аспектами дистанционного зондирования (например, Трифонова Т.А., Самардак А.С., Книжников Ю.Ф., Кравцова В.И. и др.) или связаны с глубоким анализом возрастающего потенциала техники и технологии, используемых для анализа и интерпретации данных дистанционного зондирования (например, Марков Н.Г., Замятин А.В., Айвазян С.А. и др.). В последнее время практические аспекты аэрофотосъемки активно обсуждаются в специализированных журналах, например, «Геопрофи», «Известия ВУЗов. Геодезия и аэрофотосъемка», а также на страницах всемирной сети. При этом по-прежнему комплексных исследований в области методологии и анализа данных аэрофотосъемки в сельском хозяйстве мы не обнаруживаем. В этой связи проведение такого анализа является новым и необходимым направлением исследования. Цели и задачи исследования. Целью данного исследования является разработка объективного метода анализа и обработки данных аэрофотосъемки земель сельскохозяйственного назначения с использованием программного продукта, способного ускорить данный процесс и повысить качество его выполнения. Для достижения поставленной цели необходимо было решить следующие задачи: 1. Провести анализ принципов и особенностей аэрофотосъемки и определить её современную роль в решении задач мониторинга земель сельскохозяйственного назначения; 2. На основе анализа технических средств аэрофотосъемки в сельском хозяйстве обосновать выбор наиболее пригодных для решения соответствующих задач фотоаппаратуры и летательного аппарата, обладающих также признаком финансовой доступности; 3. Рассмотреть и систематизировать существующие типовые способы и алгоритмы дешифрации аэрофотоснимков сельхозугодий с целью выбора 4 наиболее объективного метода анализа данных и разработки схемы его реализации; 4. На основе анализа методологической и финансовой составляющих современных автоматизированных программ обработки аэрофотоснимков обосновать необходимость разработки узкоспециализированного недорогого программного обеспечения для целей мониторинга земель небольших сельских хозяйств; 5. Предложить математический аппарат и алгоритм классификации объектов аэрофотоснимков земель сельскохозяйственного назначения для разработки на его основе программы автоматизированной дешифрации снимков; 6. Создать программное обеспечение для проведения исследований по дешифрации аэрофотоснимков сельхозугодий и разработать состав и структуру базы данных программы на основе управляемой классификации; 7. Разработать в рамках программы математический аппарат оценки точности проводимых процедур дешифрации и определить эффективности работы программного обеспечения на основе реальных снимков сельхозугодий. Объект и предмет исследования. Объектом является процесс исследования сельскохозяйственных земель с использованием аэрофотосъемки, предметом – фотоизображения и методы их дешифрации. Теоретические и методологические основы исследования. Методология данной работы основана на принципах диалектического подхода, методах индукции и дедукции, обобщения, логического и математического моделирования, анализа и синтеза теоретического и практического материала. При получении основных результатов работы использовались общие методы системного анализа, методы теории вероятностей, численные методы линейной алгебры, а также программирование на языке высокого уровня. Теоретической основой исследования послужили работы отечественных и зарубежных авторов в области методологии аэрофотосъемки, анализа и обработки данных, организации летно-съемочного процесса и его технического обеспечения. Информационной базой проведенных исследований служат данные аэрофотосъемки сельскохозяйственных угодий, полученные при помощи беспилотных летательных аппаратов, дельтапланов, самолетов. Научная новизна результатов работы состоит в том, что в ней на основе проведенных исследований, анализа и обобщения практического опыта аэрофотосъемки в сельскохозяйственной отрасли предложен комплексный подход к дешифрации аэрофотоснимков, заключающийся в использовании системных принципов исследования реализации дистанционного зондирования земель сельскохозяйственного назначения. Исследуемая система включает в себя: летательный аппарат, обеспечивающий эффективный режим проведения аэрофотосъемки; фотоаппаратуру, позволяющую получить качественные снимки, пригодные для производительной дешифрации; метод дешифрации данных аэрофотосъемки; алгоритм дешифрации; классификатор; программное обеспечение, позволяющее ускорить процесс обработки снимков и повысить точность распознавания. 5 Наиболее существенные научные результаты, полученные в процессе исследования. 1. Обоснована эффективность применения аэрофотосъемки для решения задач сельскохозяйственного мониторинга и выбраны наиболее адекватные решаемым задачам технические средства реализации летно-съемочного процесса, основанного на использовании сверхлегкого летательного аппарата или БПЛА, а для сокращения издержек на проведение аэрофотосъёмочных работ целесообразно использовать цифровые неметрические фотоаппараты. 2. Обосновано использование для анализа аэрофотоснимков сельхозугодий автоматизированной дешифрации на основе цифровой классификации как экономически оправданного в финансовом и временном плане. 3. Предложен математический аппарат классификации объектов аэрофотоснимка земель сельскохозяйственного назначения на основе расчета Евклидова расстояния и расстояния Махаланобиса (метода максимального правдоподобия), а также создан классификатор. 4. Создано программное обеспечение для дешифрации аэрофотоснимков сельскохозяйственных земель на основе обучающих выборок и предложен алгоритм применения окна дешифрации для повышения качества классификации снимков. 5. Разработан алгоритм оценки точности проводимых процедур дешифрации на основе применения матрицы ошибок и индекса Каппа-статистики. Теоретическая и практическая значимость работы. Теоретическая значимость работы определяется комплексным подходом к исследованию проблем аэрофотосъемки земель сельскохозяйственного назначения и анализа полученных данных различными методами, в том числе с помощью автоматизированной дешифрации. Результаты теоретической части работы могут быть использованы отдельными сельскими хозяйствами в процессе организации дистанционного зондирования, а также в преподавании специализированных курсов. Практическая значимость исследования состоит в разработке метода, алгоритма и программного обеспечения автоматизированного анализа данных дистанционного зондирования сельхозугодий, позволяющих ускорить процесс дешифрации и повысить эффективность деятельности аграрных предприятий России. Результаты работы апробированы на научной сессии ГУАП в 2008 и 2009 годах и представлены в виде научных статей в рецензируемых журналах и других изданиях. Структура и объем работы. Работа состоит из введения, трех разделов, заключения, списка использованной литературы и приложений, включает 152 страницы основного текста, 50 рисунков, 22 таблицы. Список литературы включает 113 наименований. 6 II. ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ Во введении обоснована актуальность изучения и совершенствования методов анализа данных аэрофотосъемки земель сельскохозяйственного назначения (далее – ЗСН), определены объект и предмет исследования, сформулированы цели и задачи работы, представлены научная новизна, теоретическая и практическая значимость диссертации, а также приведено краткое содержание работы по разделам. В первом разделе раскрыты теоретические основы аэрофотосъемки, как метода дистанционного зондирования, используемого в сельском хозяйстве для мониторинга ЗСН; проведен анализ технических средств аэрофотосъемки сельхозугодий и обоснован выбор наиболее объективных для решаемых задач фотоаппаратуры и летательного аппарата. В работе обосновано, что на сегодняшний день дистанционные методы, прежде всего аэрофотосъемка, предоставляют большие возможности для сельского хозяйства в региональном масштабе для анализа состояния ЗСН, почв и посевов в рамках отдельной страны, местности. В изучении экосистем на региональном уровне дистанционные методы могут обеспечить систематизацию и достоверную экстраполяцию данных единичных натурных наблюдений, как правило, недостаточных для характеристики обширных территорий. Сельское хозяйство – одна из самых перспективных сфер для использования данных аэрофотосъемки в целях повышения интенсификации растениеводческого производства. Сельскохозяйственные культуры отлично проявляются на снимках, они ничем не скрыты, одноярусны, хорошо дешифрируются как по текстуре, так и по спектральным характеристикам. Со времени создания первого аэрофотоаппарата русским инженером В.Ф. Потте прошел почти век. За это время аэрофотосъемка стала эффективным инструментом реализации задач, решаемых сельским хозяйством. Сегодня она широко используется в агропромышленном комплексе многих стран мира (США, Канады, стран Евросоюза, Индии, Китая, Японии и др.). В нашей стране исторически сложилось так, что методы дистанционного зондирования, в том числе аэрофотосъемка, применялись в первую очередь не для народнохозяйственных целей, а для нужд оборонного комплекса. Активное использование методов дистанционного зондирование для целей сельского хозяйство в СССР началось в 80-90-е гг. прошлого века, когда возросла необходимость увеличивать размеры сельскохозяйственных площадей и их производительность. Чаще всего, выполнение обследований осуществлялось в соответствии методиками аэровизуальных и телевизионных аэросъемочных работ, прошедших экспериментальную апробацию на Калужском агрохимическом полигоне. В 1985 году была даже сделана общая оценка качества сельхозугодий, которая составила 3,1 балла (эта оценка показывает, что удобрения внесены на площадь 71% от плановой). В результате распада СССР проведение плановых аэрофотосъемочных работ было приостановлено, а с середины 90-х годов, когда начался упадок сельского хозяйства, и вовсе стали невостребованными. Сегодня сельское хозяйство в России по-прежнему остаётся за пределами приоритетных отраслей развития нашей страны. В настоящее время большинство хозяйств функционируют в условиях жёсткой ограниченности финансовых ресурсов и не могут позволить себе использовать для контроля за состоянием ЗСН данные дистанционного зондирования. В связи с этим необходимо изыскивать такие методы дистанционного зондирования, которые бы обладая высокой информативностью, приемлемым качеством снимков и быстротой получения информации, оставались бы доступными в финансовом плане. К таким методам относится аэрофотосъемка, развитие применения которой для целей сельского хозяйства должно стать одним из приоритетных направлений государственной политики. В рамках первого раздела работы был проведен анализ технических средств аэрофотосъёмки – аэрофотосъемочного оборудования и летательных аппаратов, и выбрано наиболее эффективное и приемлемое для решаемых в сельском хозяйстве задач. Анализ современных метрических (например, Z/I Imaging DMC, Vexcel UltraCam, Leica Geosystems ADS40 и Wehrli/Geosystem 3 DAS) и неметрических фотокамер (Canon EOS 550D, Panasonic Lumix DMC-62, Sony Alpha DSLR-A390, Pentax K-5, Nicon D2X, Canon EOS 5D) позволил сделать вывод о том, что выбор фотооборудования того или иного типа существенно зависит от решаемых задач. Сужая цели съемочных работ и потребность в них до рамок отдельно взятого хозяйства, получаем ряд оценочных критериев, по которым следует вести отбор: разрешение (мегапикселей); поддержка GPS; скорость съемки (кадров в секунду); вес (кг); скорость подготовки к работе (часов); стоимость. По выделенным критериям была проведена оценка метрических и неметрических фотокамер на предмет возможности их использования для аэрофотосъемки сельхозугодий (таблица 1). Таблица 1 – Характеристики метрических и неметрических фотокамер Модель фотокамеры Z/I Imaging DMC Vexcel UltraCam Leica Geosystems ADS40 Wehrli/Geosystem 3 DAS Canon EOS 550D Panasonic Lumix DMC-62 Sony Alpha DSLR-A390 Pentax K-5 Nicon D2X Canon EOS 5D Разрешение, Мп Поддержка GPS Скорость съемки, кадров в сек Метрические фотокамеры Да 0,81 Да 0,56 Да 0,88 Да 0,71 Неметрические фотокамеры 18,7 Да 10 13,1 Да 2,5 16,7 Да 3 16,9 Да 7 13 Да 12 22 Да 5 250 200 120 106 Вес, кг Скорость подготовки к работе, часов Стоимость, долл. 66 75 38 32 4 3,5 4 2,5 1 000 000 700 000 1 000 000 250 000 0,5 0,7 0,5 0,7 1,07 0,9 0,25 0,25 0,25 0,25 0,25 0,25 1 300 600 900 1 000 1 300 1 800 Выбор подходящей модели аэрофотоаппарата был сделан на основе теории принятия решений, которая подразумевает определение коэффициентов относительной важности (весов) каждого из критериев выбора, а затем построение согласованных количественных шкал для каждого из критериев, позволяющих перейти от разных форм их представления (количественной, качественной) и единиц измерения к единой шкале. Для расчета было принято, что максимальная оценка каждого критерия равна 10 баллам. На основе важности критериев и количественной их оценки производится определение агрегированных значений вариантов решений как суммы произведений оценок, полученных по согласованным количественным шкалам, и коэффициентам 8 относительной важности (весам) каждого из критериев. Выбор лучшего варианта происходит на основе интегральной оценки каждой фотокамеры. Результаты анализа приведены в таблице 2. Таблица 2 – Выбор модели фотокамеры на основе теории принятия решений Модель фотокамеры Важность критерия Z/I Imaging DMC Vexcel UltraCam Leica Geosystems ADS40 Wehrli/Geosystem 3 DAS Canon EOS 550D Panasonic Lumix DMC-62 Sony Alpha DSLR-A390 Pentax K-5 Nicon D2X Canon EOS 5D Разрешение, Мп Поддержка GPS Скорость съемки, кадров в сек Вес, кг Скорость подготовки к работе, часов Стоимость, долл. Интегральная оценка фотокамеры 20% 15% 20% 10% 10% 25% 100% 10 8 10 10 0,63 0,71 0,01 0,01 3,71 3,27 4,8 10 0,73 0,13 0,63 0,01 2,68 4,24 10 0,60 0,16 1,00 0,02 2,59 0,748 Неметрические фотокамеры 10 8,33 10,00 10 5 6,47 0,524 10 2,08 7,14 10 10 6,24 0,668 10 2,50 10,00 10 7 5,80 0,676 0,52 0,88 10 10 10 5,83 10,00 4,17 7,14 4,67 5,56 10 10 10 6 5 3 6,02 6,23 4,90 Метрические фотокамеры 0,68 0,08 0,46 0,07 Таким образом, для поставленных задач мониторинга неметрические камеры с хорошим разрешением и дополнительным гироскопическим оборудованием являются более приемлемыми с точки зрения группы анализируемых критериев. На основе данных, приведенных в таблице 2, может быть сделан выбор конкретной модели фотоаппарата: наиболее подходящими являются Canon EOS 550D, Panasonic Lumix DMC-62, Nicon D2X. Анализ летательных аппаратов, система которых приведена в таблице 3, позволил сделать обоснованный выбор наиболее приемлемого для аэрофотосъемочных работ в сельском хозяйстве носителя аппаратуры. Таблица 3 – Летательные аппараты, применяемые для аэрофотосъемки ЗСН Самолеты Вертолеты Беспилотные летательные аппараты Моноплан АН-2, ИЛ-14ФК Биплан АН-24, АН-30 Микросамолет Дельталет Сверхлегкие самолеты Мотодельтаплан Автожир Одновинтовые Ка-15, Ка-18 Двухвинтовые Ми 2, Ми 6, Ми 8, Ка 26 Сверхлегкие вертолеты Автоматические Дистанционно пилотируемые Для анализа пригодности каждой группы летательных средств был избран метод критериального анализа. На основе изучения публикаций, научной литературы по теме, мнений специалистов и материалов исследований научноучебных центров были выбраны 7 критериев: качество съемки, разрешение, оперативность, зона охвата, стоимость, законодательный барьер и зависимость от 9 погодных условий. Каждый критерий был оценён по пятибалльной шкале, в которой выставляемое количество баллов соответствует 5-ти бальной шкале оценок, применяемой для характеристики знаний обучающихся: 1 – очень плохо; 2 – плохо; 3 – удовлетворительно; 4 – хорошо; 5 – очень хорошо. Оценка выбранных параметров по группам летательных средств представлена в таблице 4: Таблица 4 – Сравнительный анализ летательных аппаратов по выбранным критериям Самолёты, вертолёты Качество съёмки Разрешение Оперативность Зона охвата Стоимость Законодательный барьер Зависимость от погодных условий ИТОГО 4 4 3 4 2 3 2 22 СЛА (дельтаплан, мотодельтаплан) 5 5 5 3 4 4 4 30 Беспилотные летательные аппараты 5 5 5 3 5 1 4 28 Обзор технических характеристик летательных аппаратов и последующий критериальный качественный анализ позволяет сделать вывод о том, что наиболее целесообразно для целей сельского хозяйства применять летательный аппарат из класса сверхлёгких, такой как дельтаплан или мотодельтаплан, по следующим причинам: a) отсутствие законодательного барьера при проведении аэрофотосъёмки при помощи СЛА; b) высокая экономическая эффективность по сравнению с реактивными самолётами ввиду низкого расхода топлива; c) высокая мобильность и возможность подготовки к полёту в максимально короткий срок; d) скоростные и высотные характеристики СЛА позволяют использовать не только специализированные АФА, но и обычные цифровые фотокамеры с высоким разрешением. Сделанный вывод подтверждается практикой применения сверхлегкой авиации для соответствующих целей за рубежом. Во втором разделе диссертационной работы рассмотрены особенности получаемых при аэрофотосъемке данных и методы их анализа. Значительное внимание уделено выбору адекватного потребностям сельских хозяйств методу дешифрации и разработке схемы его реализации. Особый акцент сделан на преимущества цифровой классификации как основы современных программных средств обработки изображений. Для целей исследования автором было сформулировано определение аэрофотоснимка ЗСН: Аэрофотоснимок ЗСН – двухмерное фотографическое цифровое изображение земной поверхности, полученное со сверхлегких или беспилотных летательных аппаратов и предназначенное для исследования состояния культурной растительности посредством дешифрации и измерений. Для анализа данных аэрофотосъемки автором была собрана библиотека фотографических снимков с дельтаплана и беспилотного летательного аппарата разной высоты – от 500 до 3000 м., сделанных при помощи неметрической камеры 10 Nikon D2X. Изучение практического и теоретического материала в области анализа данных аэрофотосъемки позволило сделать ряд выводов. Снимки, полученные в результате аэрофотосъёмки сельскохозяйственных угодий, содержат весьма специфическую информацию, которая обуславливает особенности дальнейшей работы с ней. Типичные сельскохозяйственные культуры отличаются сильным поглощением в видимой части спектра (от 0,4 до 0,7 мкм), высокой отражательной способностью в ближнем инфракрасном диапазоне и характерными окнами поглощения на длинах волн 1,45, 1,95 и 2,6 мкм. Спектральные характеристики листового полога зависят от его структуры и других факторов — например, от листовой поверхности, плотности посевов, стадии роста, климатических условий и т.п. Полученная в результате аэрофотосъёмки первичная информация требует дальнейшей обработки – дешифрации. В зависимости от качества полученных снимков, задач, стоящих перед исследователем, наличия специального программного обеспечения для анализа данных аэрофотосъёмки могут быть выбраны различные методы. Автором были выделены две группы методов дешифрации: визуальные (ручные) и численные, частично или полностью реализованные в специальном программном обеспечении. Следует отметить, что в литературе при рассмотрении численных методов дешифрации отмечается некоторая несистематизированность изложения материала по анализируемому вопросу. Это связано с тем, что в группе числовых методов следует выделять две подгруппы: методы, улучшающих преобразований (они направлены на облегчения визуальной дешифрации, повышения его объективности и достоверности, а также подготовку снимков к последующей автоматизированной дешифрации); методы автоматизированной дешифрации (классификация объектов по снимкам с использованием априорной информации о выделяемых признаках или без неё). Первая группа методов фактически является промежуточной между визуальной и автоматизированной дешифрацией, поскольку после их использования конечного результата не достигается. Задача методов первой группы улучшить снимок, подготовив его либо для визуального, либо для автоматической дешифрации. Указанная связь наглядно отражена на рисунке 1. МЕТОДЫ ДЕШИФРАЦИИ СНИМКОВ Численные методы Визуальные методы Методы улучшающих преобразований Автоматизированные методы Рисунок 1 – Взаимосвязь методов дешифрации снимков 11 В работе проведена оценка возможности применения каждой группы методов, что позволило сделать следующие выводы: 1. При дешифрации снимков земель сельскохозяйственного назначения сегодня в основном используют визуальные методы, поскольку большинство сельских хозяйств не располагают достаточными средствами и квалификацией работников для автоматизации этого процесса. Качество дешифрации при этом значительно снижается, как и временные затраты на проведение исследований, не говоря уже о субъективизме получаемых результатов. 2. Как показывает опыт зарубежных стран, автоматическая дешифрация с применением преобразований снимков позволяет существенно повысить качество и скорость обработки аэрофотографий, что сказывается и на дальнейшем процессе анализа состояния культурной растительности и разработке мер по повышению урожайности. 3. Автоматизированные методы дешифрации представляют собой комплексные программы, которые позволяют получить по результатам анализа не улучшенный, а новый снимок, который пригоден для решения поставленной задачи. 4. Базой большинства автоматизированных программ обработки изображений является преобразование фотографии посредством применения цифровой классификации, ввиду того, что снимки сельскохозяйственных культур отличаются однородностью анализируемых объектов. Кроме того, множество оттенков зеленого зачастую трудно различимы для человеческого глаза и порой визуально неотличимы. В этом случае метод цифровой классификации крайне удобен для дешифрации и является основным при реализации процедур распознавания аэрофотоснимков. 5. Для повышения эффективности дешифрации снимков следует использовать алгоритмы классификации на основе дискриминантной функции, которая определяет, как пиксель будет попадать в данный класс. Подобный алгоритм лежит в основе большинства современных программ, предназначенных для автоматизированной обработки изображений. В диссертации проанализированы такие программные продукты как Idrisi, MultySpec, полнофункциональные ГИС-пакеты ERDAS IMAGINE, TNTmips, ER Mapper, ILWIS, GRASS, PHOTOMOD, специальные программы Панорама-Агро и AgroWatch. Все они имеют широкий спектр функций и предназначены для решения широкого круга задач. В связи с этим стоимость подобных программ находится на высоком уровне, который зачастую недоступен сельскохозяйственному сектору, испытывающему постоянный финансовый голод. Даже созданный специально для целей сельского хозяйства программный пакет (например, Панорама-Арго) будет стоить не менее 130 тыс. руб. на один компьютер. При этом основная цель подобного ПО сводится к возможности обеспечения фито-санитарного контроля культурной растительности. Реализация этой задачи может быть осуществлена посредством разработки собственного ПО для указанной цели, попытка создания которого была предпринята автором в третьем разделе работы. В качестве среды программирования был выбран язык высокого уровня Си, основным преимуществом которого является быстрота реализации поставленных задач. В третьем разделе предложен автоматизированный метод, математический аппарат обработки аэрофотоснимков ЗСН и классификатор; также предложена методика и принципы разработки программного обеспечения. Особое внимание уделено разработке базы данных обучающих выборок, графическому интерфейсу, математическому алгоритму классификации, применяемому в программе, разработке подходов к повышению качества классификации и оценке точности дешифрации. 12 В диссертации обосновано и подтверждено, что алгоритм расчета расстояния между объектами является ключевым моментом задачи классификации, так как от него зависит, к какому классу будет отнесена исследуемая точка аэрофотоснимка. При принятии решения о том, к какому классу принадлежит точка исходного изображения, алгоритм оценивает несходство или расстояние между объектами. При съемке с помощью сверхлегких летательных аппаратов, как правило, используется только три канала информации в видимом диапазоне спектра, но разрешение полученных снимков будет значительно выше, чем при съемке из космоса. Поэтому рассмотрены два алгоритма классификации аэрофотоснимков, полученных с высоты 1-3 км., имеющих три канала информации (R, G и B): алгоритм расчета Эвклидова расстояния; алгоритм расчета расстояния Махаланобиса. Выбор данных алгоритмов обусловлен тем, что формула расчёта Эвклидова расстояния – одна из самых простых и широко применяемых формул для расчёта расстояния в N-мерном пространстве. А формула расчёта расстояния Махаланобиса – одна из самых сложных. Первый алгоритм требует значительно меньше вычислительных ресурсов, чем второй. Для классификации аэрофотоснимков решено использовать метод классификации с обучением. Классифицировать объект – значит указать номер (или наименование) класса, к которому относится данный объект. Для классификации объектов аэрофотоснимка задаются обучающие выборки, имеющие такое же количество каналов, как и исходные данные. Выборки подготавливаются в любом графическом редакторе путем задания областей на фотоснимках, для которых известен класс. Заданные классы сохраняются в файлах формата bmp или jpeg и могут быть загружены в программу для сохранения в базе данных классов. Для загрузки образцов обучающих выборок в программу оператор должен определить коллекцию и классы в составе этой коллекции. После этого для каждого заданного класса можно загрузить нужное количество образцов обучающих выборок. Оператор после загрузки в программу аэрофотоснимка выбирает нужную коллекцию классов и запускает процесс классификации снимка. Схематично разработанный классификатор представлен в таблице 5. Количество классов зависит от того, сколько областей необходимо получить на результирующем снимке. Такой подход позволяет не учитывать при сравнении алгоритмов расчета режимы съемки. Для каждой обучающей выборки предварительно рассчитывается центр тяжести по следующей формуле: i 1 m x ji , m j 1 (1) где m – количество точек в обучающей выборке; i - канал аэрофотоснимка. При расчете расстояния между обучающей выборкой и исследуемой точкой аэрофотоснимка используется расстояние между центром тяжести обучающей выборки и исследуемой точкой. Наиболее простым алгоритмом расчета расстояния между двумя точками (центр тяжести обучающей выборки и точка исходного аэрофотоснимка) является Эвклидово расстояние, которое вычисляется по формуле: D( Xj, Xi) 2 N (X k 1 13 ki X kj ) 2 , (2) где N – размерность пространства; измерении. Xki, Xkj – значения объектов i и j в k-том Таблица 5 – Структура классификатора (на примере коллекции «Пашня») виды ЗСН/ классовые признаки бобовые крахмалоносные сахароносные маслиничные бахчевые технические волокнистые лекарственные заболоченность подтопленность В 1a В 1b В 1с В 1d В 1e В 1f В 1g В 1h В 1i деградирование и эрозия почв В 2a В 2b В 2с В 2d В 2e В 2f В 2g В 2h В 2i опустынивание В 3a В 3b В 3с В 3d В 3e В 3f В 3g В 3h В 3i засорённость В 4a В 4b В 4с В 4d В 4e В 4f В 4g В 4h В 4i качество всходов В 5a В 5b В 5с В 5d В 5e В 5f В 5g В 5h В 5i болезни В 6a В 6b В 6с В 6d В 6e В 6f В 6g В 6h В 6i поражение вредителями В 7a В 7b В 7с В 7d В 7e В 7f В 7g В 7h В 7i засореность (сорная и др.растительность) В 8a В 8b В 8с В 8d В 8e В 8f В 8g В 8h В 8i оценка состояние в период роста В 9a В 9b В 9с В 9d В 9e В 9f В 9g В 9h В 9i зрелость готовность к сбору В 10a В 10b В 10с В 10d В 10e В 10f В 10g В 10h В 10i мелиоративные признаки классы фитосанитарные признаки Пашня (коллекция) зерновые и хлебные злаки Условные обозначения: В-выборка Для снимков с тремя каналами R,G,B имеем: D( Xj, Xi) 2 ( X Ri X Rj ) 2 ( X Gi X Gi ) 2 ( X Bi X Bj ) 2 , (3) где XRi, XRj - значение канала R объекта i и j; XGi, XGj - значение канала G объекта i и j; XBi, XBj - значение канала B объекта i и j. Алгоритм расчета Евклидова расстояния, как видно из формулы, не учитывает ориентацию точек обучающей выборки в пространстве. Для обучающих выборок, которые состоят из точек равноудаленных от центра тяжести, это не имеет значения. Но для реальных обучающих выборок, в которых присутствуют точки с разными значениями цветовых составляющих R,G,B это приводит к увеличению количества неверно классифицированных областей аэрофотоснимков. В качестве примера возьмем две обучающие выборки X1 и X2. Взаимное расположение точек обучающей выборки в трехмерном пространстве R, G и B показано на рисунке 2: 14 Рисунок 2 – Расположение точек обучающих выборок в пространстве На рисунке показана точка аэрофотоснимка N и два расстояния D(N,X1) и D(N,X2), которые вычислены по формуле 3. Так как расстояние D(N,X1) меньше расстояния D(N,X2), то точка N будет классифицирована как принадлежащая к классу X1. Но визуально видно, что точка N находится ближе к классу X2 и должна быть отнесена к нему. Такая ошибка классификации вызвана тем, что обучающие выборки имеют эллипсоидное распределение точек в пространстве. Для более точной классификации аэрофотоснимков, необходимо учитывать размеры области, занимаемой точками обучающей выборки и ориентацию этой области в пространстве. Такой алгоритм впервые был сформулирован индийским статистиком Махаланобисом в 1936 году и называется расстоянием Махаланобиса. Формально, расстояние Махаланобиса от многомерного вектора T T x=(x1,x2,x3,…,xN) до множества со средним значением μ=(μ1,μ2,μ3,…,μN) и матрицей ковариации S определяется следующим образом: DM ( x) ( x ) T S 1 ( x ), (4) где DM(х) - расстояние Махалонобиса. Матрица ковариации является обобщением дисперсии для многомерной случайной величины. Собственные векторы и собственные числа этой матрицы позволяют оценить размеры и форму области распределения такой случайной величины, аппроксимировав его эллипсоидом. На рисунке 2 видно, что аппроксимация эллипсоидом очень хорошо описывает массив точек обучающих выборок X1 и X2. Расстояние Махаланобиса — это просто расстояние между заданной точкой и центром тяжести, делённое на ширину эллипсоида в направлении заданной точки. Если матрица ковариации является единичной матрицей, то расстояние Махаланобиса становится равным расстоянию Евклида. Если матрица ковариации диагональная (но необязательно единичная), то получившаяся мера расстояния равна нормализованному расстоянию Евклида. Реальные обучающие выборки, которые используются при классификации снимков, имеют распределение в пространстве отличное от правильного эллипсоида, кроме того области обучающих выборок могут частично перекрываться, особенно для снимков имеющих только три канала видимого спектра. Это потенциально может служить источником ошибок при проведении классификации. Для уменьшения таких ошибок необходимо тщательно выбирать обучающие выборки. 15 Кроме того, в работе предлагается использовать для уменьшения количества ошибок классификации два дополнительных способа: при классификации выбранной точки на исходном снимке учитывать спектральные характеристики соседних точек; включать в класс более одной обучающей выборки. Это позволит относить к одному классу разные эталонные области. Например, отнести к классу «Нет зелени» различные виды почв и строений. Для оценки эффективности двух рассмотренных выше алгоритмов автором была разработана программа, которая позволяет производить классификацию аэрофотоснимков с использованием вышеописанных алгоритмов и оценивать точность распознавания классов. На рисунке 3 представлена общая структура разработанной программы. Рисунок 3 – Общая структура программы обработки аэрофотоснимков Реальная эффективность программы проанализирована на основе осуществления процесса дешифрации по указанному алгоритму с помощью разработанного ПО снимков, сделанных с высоты 1-3 км., имеющих только каналы видимого спектра. Эти снимки отличаются: более высоким разрешением, нежели снимки, полученные с космических аппаратов; наличием только трех каналов информации, что исключает использование при проведении классификации инфракрасного канала, который несет значительную часть информации о зеленой растительности. Перед проведением классификации на исходном снимке были заданы три обучающие выборки (образцы изображения, выбранные оператором), которые были отнесены к трем классам (показаны на рисунке 4 а) и 4 б). Результаты классификации по алгоритму расчета Эвклидова расстояния отражены на рисунке 4 а), по алгоритму Махаланобиса – на рисунке 4 б). 16 а) Программа обработки аэрофотоснимков Version 1.0 Дата: 21 февраля 2011 г. Время: 16.41 УО Класс S (%) S (м2) Лес 27,10 24390,5 Сухая 1,06 949,5 трава Луг 71,84 64 660 Размер фото по горизонтали = 300 м. Размер фото по вертикали = 300 м. Шаг сетки = 100 м. Алгоритм: Euclidean distance Окно дешифрации [1х1] б) Программа обработки аэрофотоснимков Version 1.0 Дата: 21 февраля 2011 г. Время: 16.43 УО Класс S (%) S (м2) Лес 25,54 22982,3 Сухая 8,23 7404,5 трава Луг 66,24 59613,2 Размер фото по горизонтали = 300 м. Размер фото по вертикали = 300 м. Шаг сетки = 100 м. Алгоритм: Mahalanobis distance Окно дешифрации [1х1] Рисунок 4 – Результаты классификации по алгоритму расчёта Эвклидова расстояния и по алгоритму Махалонобиса Для оценки точности классификации был сделан контрольный снимок, который также был обработан в программе с использованием тех же обучающих выборок. Это обработанное фото было использовано в качестве образца при оценке точности классификации по двум алгоритмам, при построении матрицы ошибок и при расчете индекса каппа-статистики. Матрица ошибок формируется следующим образом: элемент Xkl матрицы ошибок равен числу пикселей класса k, распознанных как класс l. Элемент матрицы Xkk равен числу пикселей класса k , распознанных как класс k. Число правильно классифицированных пикселей располагается на диагонали матрицы. На основе матрицы ошибок при обобщении результатов правильно классифицированных точек был использован так называемый индекс каппастатистики, вносящий поправку на случайность. Он вычисляется по формуле: K m m i j N xij N 2 m Si * T i 1, j 1 m S i 1, j 1 i *Tj 17 j , (5) m где N – общее число пикселей; m – число классов; S i xij - сумма элементов i-й j 1 m строки; T j xij - сумма элементов j-го столбца i 1 Дополнительно рассчитывается и общая точность распознавания классов по следующей формуле: m Pc x ii i N (6) , Кроме этого используется степень согласованности сравниваемых снимков на основе индекса каппа-статистики, представленная в таблице 6: Таблица 6 – Критерии согласованности данных классификации по Каппа коэффициенту Значение индекса каппа Согласованность Нет согласованности Незначительная Слабая Умеренная Значительная Высокая <0 0,0 – 0,20 0,21 – 0,40 0,41 – 0,60 0,61 – 0,80 0,81 – 1,00 Результаты оценки точности классификации по алгоритму расчета Эвклидова расстояния приведены на рисунке 5 а), а по алгоритму Махаланобиса на рисунке 5 б). Анализ матрицы ошибок показывает, что точность распознавания класса «сухая трава» при использовании алгоритма расчета Эвклидова расстояния составляет всего 3,74%, при использовании алгоритма Махаланобиса точность повышается до 75,11%. Точность распознавания классов «Лес» и «Луг» при использовании алгоритма Махаланобиса также выше. Для алгоритма Махаланобиса индекс каппа-статистики составил 0,93, а для Эвклидова расстояния всего 0,73. Следовательно, при обработке аэрофотоснимка алгоритмом Махаланобиса точность распознавания классов на 20% лучше, чем при использовании алгоритма расчета Эвклидова расстояния. а) Программа обработки аэрофотоснимков Version 1.0 Дата: 21 февраля 2011 г. Время: 16.42 Алгоритм: Euclidean distance Окно дешифрации [1х1] Матрица ошибок: Классы Лес Сухая Луг трава Лес 94,77 0,18 5,04 Сухая трава 23,25 3,74 73,01 Луг 1,83 0,99 97,17 Общая точность: 87,61% Индекс каппа-статистика: 0,73 Оценка индекса: Значительная согласованность 18 б) Программа обработки аэрофотоснимков Version 1.0 Дата: 21 февраля 2011 г. Время: 16.42 Алгоритм: Mahalanobis distance Окно дешифрации [1х1] Матрица ошибок: Классы Лес Сухая Луг трава Лес 91,67 0,12 0,01 Сухая трава 3,50 75,11 21,39 Луг 0,40 1,51 90,09 Общая точность: 96.33% Индекс каппа-статистика: 0,93 Оценка индекса: Высокая согласованность Рисунок 5 – Оценка точности классификации по алгоритму расчёта а) Эвклидова расстояния, б) расстояния Махалонобиса Для исследования влияния точек окружения анализируемого пикселя был использован фрагмент снимка, который был дешифрирован ручным способом в графическом редакторе. Для дешифрации в программе выбраны две обучающие выборки, которым присвоены классы «Зелень» и «Почва». Также была проведена классификация снимка и оценка точности с использованием в качестве образца результатов ручной дешифрации. Первый раз классификация проводилась без учета окружения анализируемой точки (матрица 1х1). Второй раз классификация выполнялась с размером окна 3х3. Результаты приведены в таблице 7. Таблица 7 –Результаты классификации с учетом окружения анализируемой точки Матрица 1х1 Зелень Зелень 100 Почва 3,53 Индекс каппа-статистики Почва 0 96,47 0,81 Матрица 3х3 Зелень Зелень 100 Почва 3,06 Индекс каппа-статистики Почва 0 96,94 0,83 Из таблицы видно что точность классификации повысилась при использовании матрицы 3х3 и следовательно применение данного метода также целесообразно при классификации аэрофотоснимков. Для оценки использования нескольких образцов в одном классе в класс «Почва» была добавлена еще одна область изображения, оцененная как отличная от уже имеющейся по результатам ручной дешифрации. При проведении классификации получены результаты, которые приведены в таблице 8. Из этой таблицы видно, что использование двух обучающих выборок в классе «Почва» позволяет более точно классифицировать участки исходного снимка и также может применяться для повышения точности. Таблица 8 – Результаты классификации с двумя выборками Одна выборка Две выборки Зелень Почва Зелень Почва Зелень 100 0 Зелень 97,19 2,81 Почва 3,53 96,47 Почва 0,03 99,97 Индекс каппа-статистики 0,81 Индекс каппа-статистики 0,98 19 Таким образом, можно сделать вывод о том, что алгоритм Махаланобиса является более эффективным алгоритмом классификации аэрофотоснимков сделанных сверхлегкими летательными аппаратами с небольшой высоты без использования специальной аппаратуры. Этот алгоритм позволяет значительно повысить точность дешифрации различных объектов при прочих равных условиях проведения аэрофотосъемки. Использование при классификации нескольких эталонных областей одного класса и учет окружения классифицируемых точек также повышает точность дешифрации снимков. Общая блок-схема алгоритма классификации представлена на рисунке 6 (таблица обучающих выборок – behaviour, таблица классов – categories, таблица коллекций – collections). Разработанная программа является упрощенным аналогом представленных на рынке пакетов, используемых для анализа и дешифрации данных дистанционного зондирования. Учитывая сформулированную автором задачу на разработку ПО, предложенный программный продукт отличается его узкой спецификой и приспособлен решать первоочередные и наиболее важные задачи, стоящие перед небольшими сельскими хозяйствами на современном этапе их развития. В программе, выполняемой на основе четко прописанного математического аппарата классификации, решен вопрос проведения предварительных и дополнительных обработок аэрофотоснимков, а также оценки точности проводимых процедур дешифрации. В программе предусмотрены следующие виды коррекции снимков: коррекция цвета, расширение, эрозия, размытие по Гауссу, повышение резкости, смягчение, заострение, рельефность. Наиболее важной для успешной дешифрации является коррекция цвета снимка, которая применяется для растяжения гистограммы снимка по всему диапазону яркости каналов от 0 до 255. Пересчет яркости каждого канала выполняется по следующим формулам: rij rij rij (rij Rmin ) ( Rmax Rmin ) (rij Rmin ) ( Rmax Rmin ) (rij Rmin ) ( Rmax Rmin ) * ( R _ MAX R _ MIN ) R _ MIN * ( R _ MAX R _ MIN ) R _ MIN * ( R _ MAX R _ MIN ) R _ MIN Где: rij, gij, bij, - текущие значения яркости точки в столбце i и строке j каждого канала R G B. R_MIN, G_MIN, B_MIN - минимальные значения яркости, которые должны быть получены в результате пересчета для каждого канала R G B. Обычно задаются равным 0. R_MAX, G_MAX, B_MAX - максимальные значения яркости, которые должны быть получены в результате пересчета для каждого канала R G B. Обычно задаются равными 255. Rmin, Gmin, Bmin – найденные минимальные значения яркости снимка каждого канала R G B. Rmax, Gmax, Bmax – найденные максимальные значения яркости снимка каждого канала R G B. Покажем пересчет яркости на реальном примере: 20 Рисунок 6 – Общая блок-схема алгоритма классификации (подробное описание алгоритма и полей соответствующих таблиц представлено в диссертации на стр. 104-110) На рисунке 7 a) показан исходный снимок, у которого имеются следующие характеристики по каналам R G B: Rmin=67, Gmin=91, Bmin=37 Rmax=255, Gmax=236, Bmax=255 После проведения коррекции цвета с заданными: Rmin=Gmin=Bmin=0 Rmax=Gmax=Bmax=255 снимок приобрел вид, показанный на рисунке 7 б). a) b) Рисунок 7 – Фрагмент снимка до и после коррекции цвета Гистограммы снимков по каналам R G B до и после коррекции показаны на рисунке 8 а), б), в) соответственно. Рисунок 8 а) - Гистограмма канала R до и после коррекции цвета Рисунок 8 б) – Гистограмма канала G до и после коррекции цвета Рисунок 8 в) – Гистограмма канала B до и после коррекции цвета Таким образом, видно, что в результате проведения цветовой коррекции снимка происходит растяжение его гистограмм на весь заданный диапазон яркостей. Программа дает возможность обрабатывать снимки любого качества (с высоким и низким разрешением), сделанных при любых погодных условиях с любого летательного аппарата (с малой и большой высоты). Наибольшую эффективность программа демонстрирует при анализе снимков со средним и высоким разрешением, сделанных с малой и средней высоты (до 1,5 км) со сверхлегких летательных аппаратов или БПЛА. Основные требования к компонентам системы для эффективной работы предлагаемого ПО весьма скромные и не требуют дополнительных затрат: желательно наличие процессора Intel Core 2 Duo (возможен однопроцессорный компьютер, но скорость обработки существенно снижается), оперативная память 2 ГБ, любая доступная видеокарта, жесткий диск 80 Гб, операционная система Microsoft Windows XP и старше, а также дополнительно две программы Net Frame Work 3.5 и драйвер для базы Fox Pro (обе программы распространяются бесплатно через Интернет). Специальных требований к другим компонентам системы нет, сетевое соединение не обязательно. Программа легко копируется на другие персональные компьютеры и параллельно можно вести обработку снимков несколькими операторами, что существенно ускоряет процесс получения итогового снимка при маршрутной съемке больших площадей. Использование данной программы позволит устранить основные проблемы, связанные с ручной дешифрацией, к которым относят, прежде всего: высокий субъективизм результатов, зависящих от опыта и предпочтений дешифровщика; низкую скорость получения результатов дешифрации; неизбежные ошибки дешифрации связанные с человеческим фактором; постоянно возрастающая стоимость дешифрации с увеличением площади сельскохозяйственных земель или количества снимков. Таким образом, основными достоинствами созданного программного продукта являются: возможность автоматизации процесса дешифрации снимков; возможность обработки изображения любого качества; возможность создания любого количества классов и обучающих выборок; высокая скорость обработки изображений; наличие технической документации; первичная техническая поддержка; возможность выбора между двумя алгоритмами классификации (Евклидово расстояние и расстояние Махаланобиса); наличие модуля оценки точности дешифрации; наличие возможности проведения предварительных и дополнительных обработок. Все вышесказанное, а также проверка эффективности работы программы на реальных аэрофотоснимках сельскохозяйственных угодий позволяет рекомендовать программу к использованию средним и малым хозяйствам для повышения эффективности функционирования и решения задач мониторинга и контроля посевов. Заключение содержит краткое изложение результатов диссертационной работы. 23 III. ОСНОВНЫЕ НАУЧНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИОННОГО ИССЛЕДОВАНИЯ 1. Манылов И.В. Оценка точности распознавания классов при автоматизированной обработке аэрофотоснимков // Известия ВУЗов. Приборостроение. – 2011. – № 5. – С. 35-39. – 0,3 п.л. 2. Манылов И.В. Сравнение алгоритмов дешифрации аэрофотоснимков земель сельскохозяйственного назначения // Информационноуправляющие системы. – 2011. - № 3. – С. 24-29. – 0,3 п.л. 3. Манылов И.В. Оценка эффективности аэрофотосъемочного оборудования в реализации задач мониторинга сельскохозяйственных земель // Информационно-управляющие системы. – 2012. - № 2. – С.13-17 . – 0,3 п.л. 4. Манылов И.В. Общая схема дистанционного зондирования для целей сельского хозяйства // Научная сессия ГУАП. – Часть 1. – 2010. – С. 35-37. – 0,2 п.л. 5. Манылов И.В. Сравнительный анализ методов дистанционного зондирования, применяемых в сельском хозяйстве // Научная сессия ГУАП. – Часть 1. – 2010. – С. 37-40. – 0,3 п.л. 6. Манылов И.В., Федченко В.Г. Множественность подходов к определению дистанционного зондирования // Научная сессия ГУАП. – Часть 1. – 2009. – С. 26-27. – 0,2 п.л. (вклад автора – 0,1 п.л.). 7. Манылов И.В., Федченко В.Г. Дистанционное зондирование и обнаружение экологических загрязнений // Научная сессия ГУАП. – Часть 1. – 2008. – С. 32-34. – 0,2 п.л. (вклад автора – 0,1 п.л.). 8. Манылов И.В., Федченко В.Г. Оценка разрешающей способности фотоаппаратуры // Материалы 59-ой Международной студенческой научнотехническая конференция ГУАП. – Часть 1. – 2006. – С. 50-52. – 0,2 п.л. (вклад автора – 0,1 п.л.). _________________________________________________________________________ Формат 60х84 1/16. Бумага офсетная. Печать офсетная. Тираж 100 экз. Заказ № ____. _________________________________________________________________________ Редакционно-издательский центр ГУАП 190000, г. Санкт-Петербург, ул. Б. Морская, 67 24