GIS 는 원격 감지 이미지 처리 방법과 결합하여 원격 감지 정보를 보다 효율적으로 향상시키고 추출합니다. 이것은 주로 두 가지 측면에서 나타난다.
한편, GIS 를 원격감 영상 시각 해석의 중요한 보조수단으로 이용하여 해석 정확도를 높였다. 구체적인 방법은 벡터 주제 도면층 (예: 지질도, 지형도, 토지 이용도, 식물 덮개, 수계 발육 등) 을 표시하는 것입니다. ) 는 해석되고 있는 이미지 위에 겹쳐지는 이미지 해석에 도움이 됩니다. 단, 이러한 벡터 레이어가 이미지에 등록되어 있고 균일한 좌표를 가지고 있는 한 가능합니다. 이는 인간-컴퓨터 상호 작용의 이미지 해석에 사용할 수 있으며, 이미지 해석 결과를 화면에 직접 그리고 이미지 분류를 감독하기 전에 올바른 교육 샘플 영역을 선택하여 분류 정확도를 높일 수 있습니다. 이 응용 프로그램에서는 이러한 주제 레이어와 이미지 간의 시간차 (예: 식물 커버리지와 시상 간의 상관 관계) 도 유의해야 합니다. 또한 시간차가 길면 토지 유형, 건물, 도로의 변화와 같은 객관적인 조건의 변화를 충분히 고려해야 한다.
한편, g is 와 원격 감지 이미지 처리의 결합은 GIS 기술의 지원으로 지질학 등의 지식이 원격 감지 이미지 처리에 직접 관여한다는 것을 보여준다. 예를 들어, 원격 감지 이미지 분류에서는 DEM, NDVI 등의 지식을 원격 감지 이미지의 새 밴드로 직접 분류하여 다른 밴드와 함께 분류할 수 있으므로 이러한 주제 정보의 분포가 분류 결과에 반영됩니다. 예를 들어, 전문가 시스템의 응용은 지리 정보 시스템과 원격 감지 기술의 결합의 결과이기도 합니다.
(b) 지리 정보 시스템이 지원하는 주제별 정보 추출
1. 원격 탐사 주제 정보 추출 방법 연구 진행
원격 감지 주제 정보 추출은 이미지에 포함된 주제 대상을 구분하기 위해 원격 감지 이미지 데이터에서 특정 특징에 대한 정보를 얻는 것입니다. 분류는 또한 주제 정보를 추출하는 방법이지만 주제 정보 추출은 일반적인 의미의 원격 감지 이미지 분류와는 다릅니다. 먼저 대상을 설정한 다음 이미지에 이미 있는 픽셀을 할당하고 분류하는 객체 지향 인식을 의식적으로 수행합니다. 원격 감지 기술의 향상과 원격 감지 응용이 심화됨에 따라 그 방법도 지속적으로 개선되어 시각 해석, 자동 분류, 스펙트럼 특징 정보 추출, 스펙트럼 및 공간 특징 정보 추출 등의 여러 단계를 거쳤다.
시각적 해석은 이미지 인식의 원래 방법입니다. 이제 이미지 인식은 두 방향으로 진행됩니다. 하나는 컴퓨터의 출현으로 인한 정보 인식의 자동화이고, 다른 하나는 원격 감지 정보 전송의 본질을 따라 정보 인식의 높은 정확도를 탐색하는 것입니다. 그들은 엄격한 경계가 없고, 그들은 각자의 발전으로 서로 침투한다. 기존의 컴퓨터 자동 분류 방법은 이미지 데이터만 활용하며, 지학 지식, 인간의 뇌가 이미지를 분석할 때 사용하는 지식을 충분히 활용하지 못하기 때문에 정확도가 높지 않습니다. 지식과 전문가 시스템을 기반으로 한 분류는 분류의 정확성을 높였다. 마찬가지로, 주제 정보의 예비 추출은 특정 목표의 스펙트럼 특징을 분석하고, 법칙을 형성하고, 이미지를 조작하는 것이다. 인공지능이 컴퓨터 분야에 출현하여 지식이나 정보를 기반으로 한 주제 정보를 추출할 수 있게 되었다. 원격 감지 이미징은 다소간 매핑으로, 확정된 과정이며, 이미지 해석은 적은에서 다로의 매핑이며, 불확실한 과정이다. 따라서 원격 감지 해석에는 중요한 지질 처리 과정이 포함되며, 두 가지 측면이 포함됩니다. 하나는 원격 감지가 가져오지 않은 정보, 즉 지구 과학 관련 정보를 보충하는 것입니다. 또 다른 하나는 이미지 정보의 지학 분석을 근거로 이미지에 반영되지 않은 정보를 추론하는 것으로, 이를 위해서는 지학 지식의 강력한 지원이 필요하다. 어떻게 지구 과학자들을 이용하여 시각 해석의 지식을 수량화하고, 그들이 컴퓨터 처리에 참여하게 하고, 근본적으로 지식 참여의 자동 추출을 실현하는 것이 현재 주제 정보 자동 추출 연구의 중점이다.
컴퓨터가 자동으로 분류되기 전에 훈련 지역을 훈련하는 것은 사실상 통계 과정이다. 이 통계 과정은 단지 이 이미지일 뿐이다. 그런 다음 통계 결과를 사용하여 회귀를 수행하고 해당 이미지에 기본적으로 적합한 범주 결정 모델을 설정합니다. 주제 정보를 추출할 때, 일반적으로 원격 감지 정보 모델 세트가 먼저 있는 다음 특정 이미지의 실제 상황에 따라 계속 수정됩니다. 본질적으로 모형 매개변수를 조정하여 결국 모형을 이미지에 맞추는 것입니다. 원격 감지 정보 모델은 기존 지면 실험을 기반으로 추출한 그림 반전 모델이지만 위성 영상에서의 그림 반사는 지면의 실측 데이터와 일일이 대응하지 않으므로 이미지 데이터가 여러 가지 이유로 무작위성을 크게 갖게 됩니다. 이것은 스펙트럼 방사선 보정 문제를 포함한다. 따라서 원격 감지 정보론과 실제 지도 이미지를 효과적으로 결합하여 주제 정보를 추출해야 합니다.
원격 감지 지질 주제 정보 추출
오늘날, 원격 감지 위성' 별빛이 반짝인다' 는 원격 감지 데이터는 전무후무한 풍부하다. 그러나 원격 감지 정보의 활용도는 매우 낮다. 그 이유는 우리가 원격 감지 주제 정보를 추출하는 방법과 모델이 부족하기 때문이다. 토지 이용/토지 커버 원격 감지 정보 추출보다 원격 감지 지질 정보 추출이 더 어렵다. 일반적으로 원격 감지 정보 추출은 주로 시각적 해석 추출, 분류 기반 정보 추출 및 지식 발견에 기반한 원격 감지 정보 추출의 세 가지 방법으로 이루어집니다. 원격 탐사 지질 주제 정보를 추출하는 세 가지 방법이 있습니다.
(1) 시각적 해석 및 추출
초기에 원격 감지 이미지에서 정보를 추출하는 주요 방법은 시각적 해석과 추출이었다. 시각적 해석은 그림의 색조 또는 색상, 쉐이프, 크기, 그림자, 텍스처, 패턴, 위치, 배치 등의 이미지 특징 지식과 그림의 전문 지식을 종합적으로 활용할 수 있기 때문에. 다른 원격감지 데이터와 결합하여 포괄적인 분석과 논리적 추리를 수행할 수 있습니다. 특히 텍스처 구조 기능이 강한 그림을 추출할 때 더욱 정확한 주제 정보 추출을 수행할 수 있습니다. 그것은 현재의 상업화 생산의 기술로서 기존의 비원격 감지 방법에 비해 뚜렷한 우세를 가지고 있다. 이 방법은 시간이 많이 걸리지만 컴퓨터가 원격 감지 지질 정보를 자동으로 추출하는 데 어려움이 있기 때문에 원격 감지 지질 정보 추출에는 여전히 장기적으로 존재할 것이다.
(2) 분류 방법에 기반한 원격 감지 정보의 자동 추출.
원격 감지 정보 자동 추출 방면에서 분류 방법의 연구 역사가 가장 길며, 그 핵심은 원격 감지 이미지의 분할이며, 그 방법에는 감독 분류 및 감독 분류가 포함됩니다. 감독되지 않은 분류의 경우 K-MEANS 방법, 동적 클러스터 방법, 모호한 클러스터 방법 및 인공 신경망 방법이 있습니다. 감독 분류에서는 최소 거리 방법, 최대 우도 방법, 퍼지 분류 및 인공 신경망 방법 최대 우도 방법은 모든 유형과 그 확률에 대한 선험적 지식이 필요합니다. 특히 모든 유형의 분포가 정규 분포에 속한다고 가정해야 하기 때문에 매개변수가 있는 분류자입니다. 선험적 확률 지식과 각종 정규 분포의 경우 분류 효과가 좋고 분류기는 분류 속도가 빠르다는 장점이 있다. 퍼지 분류는 퍼지 수학에 기반한 분류기입니다. 픽셀당 여러 유형으로 구성되지만 각 유형의 소속도가 다른 가정을 기준으로 합니다. 분류자를 훈련시킬 때 교육 샘플 픽셀의 각 유형에 대한 소속도를 결정해야 합니다. 그것은 각 유형의 선험적 확률 지식이나 각 유형이 정규 분포에 복종하도록 요구하지 않는다. 비패라메트릭 분류기입니다. 그러나 훈련 픽셀에서는 각 유형의 예속도를 결정하기가 어렵다. 이 방법은 서브 픽셀 정보를 추출하는 데 적합합니다. 인공신경망 분류기는 인공신경망 기술을 이용하여 만든 분류기이다. 인공신경망은 최근 몇 년 동안 급속히 발전한 비선형 과학이다. 바이오 신경망을 시뮬레이션하는 인공 지능 기술로, 원격 감지 이미지의 추세 분석, 패턴 인식 및 분류에 널리 사용되고 있습니다. 인공신경망은 비패라메트릭 분류기이며, 모든 유형의 선험적 확률 지식이나 모든 유형이 정규 분포에 복종할 필요가 없다. 분류기로 분류하는 데는 시간이 오래 걸리지만 분류자를 훈련시키는 데는 시간이 오래 걸린다.
감독되지 않은 분류의 경우, 그 분류의 결과는 전문가가 범주를 해석하고 병합하여 자신이 속한 유형을 최종 결정해야 한다. 감독 분류의 경우 많은 훈련 샘플 영역을 선택해야 하는데, 시간이 많이 걸리고 힘들며 분류 효과에 직접적인 영향을 미칩니다. 동시에 분류는 전체 이미지를 분할하고 전체 정밀도에 대한 요구 사항이 가장 높기 때문에 필요한 주제 정보의 최고 정밀도를 완전히 보장할 수는 없습니다. 분류는 원격 감지 정보 기반 기계 분석이나 지식 마이닝이 아닌 수학 통계를 기반으로 하기 때문에 원격 감지 이미지 주제 정보 추출을 완전히 자동화하기가 어렵습니다. 동시에 스펙트럼 특징에 기반한 분류는 이물질 스펙트럼과 같은 문제를 해결하기 어렵다. 분류에서 얻은 지식은 일반적으로 양도 불가능하거나 해석하기 쉽지 않다. 이것이 우리가 결과를 알고 있지만 그 이유를 모르는 이유이기도 하다. 우리는 언제 어디서나 이미지에 대한 훈련 샘플을 선택하는 일을 반복해야 한다. 이렇게 하면 원격 감지 정보 추출의 자동화가 크게 제한되는 것이 분명하다. 따라서 지식 발견에 기반한 원격 감지 주제 정보 추출은 또 다른 가장 유망한 방향이 될 것입니다.
지식 발견에 기반한 원격 감지 주제 정보 추출.
지식 발견에 기반한 원격 감지 주제 정보 추출은 원격 감지 주제 정보 추출의 발전 추세이다. 기본 내용에는 지식 발견, 지식 적용, 추출 모델 구축, 원격 감지 데이터 및 모델을 이용한 원격 감지 주제 정보 추출 등이 포함됩니다. 지식 발견에 있어서, 단일 원격 감지 이미지의 스펙트럼 특징, 공간 구조와 형태, 물체 사이의 공간 관계 등을 포함한다. 공간 구조 및 형태 지식은 그림의 공간 텍스처, 쉐이프 및 모서리 쉐이프 특징에 대한 지식을 포함합니다. 다기 원격 감지 영상에서 위의 지식뿐만 아니라 그림의 동적 변화 과정 지식도 추가로 발견할 수 있다. 각종 관련 지식은 모두 GIS 데이터베이스에서 찾을 수 있다. 지식을 사용하여 모델을 만드는 경우 그림 3-8 과 같이 발견된 지식 일부, 지식 일부 또는 전체 지식을 사용하여 해당 원격 감지 주제 정보 추출 모델을 구축하는 것이 주를 이룹니다. 원격 감지 데이터 및 모델을 사용하여 원격 감지 주제 정보를 추출할 때 단일 지식 및 단일 모델의 응용 프로그램에서 다중 지식 및 다중 모델의 통합 응용 프로그램에 이르기까지 단순에서 복잡해야 합니다. 단일 데이터의 사용에서 다양한 데이터의 종합 사용에 이르기까지.
스펙트럼 지식에 기반한 원격 감지 주제 정보 추출.
그림 스펙트럼 지식은 원격 감지 주제 정보 추출에서 가장 중요한 지식이다. 그림의 스펙트럼 특성에 대한 연구는 오랫동안 각국의 높은 중시를 받았다. 중국은 그림 스펙트럼을 심도 있게 연구하여' 중국의 전형적인 그림 스펙트럼과 그 특징 분석',' 원격감 반사 스펙트럼 테스트와 응용' 등의 책을 출판했다. 주성호와 두운연은 수역의 스펙트럼 특징을 분석하여 효과적인 NOAA AVHRR 수체 추출 모델을 세웠다. 벼와 배경의 스펙트럼 특징에 따라 벼 재배 면적의 추출 모델 (TM4/TM 1, TM4/TM3, TM4/TM2) 이 진명진 확립됐다. Helmut Mayer Carsten Steger 는 도로 스펙트럼 지식을 분석하여 원격 감지 이미지에서 도로를 추출하는 방법을 검토했습니다. Jinfei Wang, Paul M.Treitz 및 Philip J.Howarth 에서는 그라데이션 방향 단면 분석을 통해 SPOT PAN 이미지에서 새 도로를 추출하여 도시 GIS 데이터베이스의 도로망을 업데이트하는 방법에 대해 설명합니다. V.Lacroix 와 M.Acheroy 는 제약 그라데이션 방법을 사용하여 집의 구석을 추출합니다.
R.Haralick, S.Wang, G.Shapiro, J.B.Campbell 은 일관성 마크 기술을 이용한 하천 네트워크 추출 및 흐름 방향에 대해 논의했습니다. Moller-Jenson 은 NOAA AVHRR 의 CH4 < 45 및 CH5 < 35 를 사용하여 물 추출 모델을 만들 것을 제안했습니다. 유프 등은 TM7 밴드를 이용하여 임계치법을 통해 물을 추출할 것을 제안한 적이 있다.
그림 3-8 지식 발견에 기반한 원격 감지 주제 정보 추출 모델
스펙트럼 지식은 전형적인 샘플링법, 스펙트럼 곡선법, 스펙트럼 단면법이 있다는 것을 발견했다. 신강 바슈샤 지역의 미국 랜더스 원격감각영상을 예로 들면, 이미지 크기는 5 12×5 12 픽셀이며, 주로 노출된 암석, 눈, 그림자가 특징이다. 이러한 특징의 스펙트럼 지식을 활용하기 위해 먼저 그림 3-9 와 같이 이러한 일반적인 특징을 스펙트럼 샘플링합니다. 이 천체들은 뚜렷한 스펙트럼 차이가 있다는 것을 알 수 있다.
비교를 통해 바위 노출 영역, 적설 영역, 산그림자의 스펙트럼 특징이 현저히 다르다는 것을 알 수 있습니다.
(1) 전반적으로 노출 바위 영역의 반사도가 높고 그림자 반사도가 낮습니다. 중부의 노출된 암석 면적은 TM 1, TM2, TM3 및 TM4 밴드의 적설 면적보다 약간 높거나 가깝지만 TM5 및 TM7 밴드의 적설 면적보다 훨씬 높습니다.
(2) 적설면적은 TM 1, TM2, TM3 및 TM4 대역에서 그림자보다 높고 TM5 및 TM7 대역에서는 그림자보다 가깝거나 약간 높습니다.
그림 3-9w shixia 지역의 전형적인 지형 스펙트럼 샘플링 곡선
(3) TM 1 ~ TM7 대역에서는 암석 노출 면적이 그림자 면적보다 훨씬 큽니다.
(4) 스펙트럼 관계에서 그림자 영역의 반사도는 TM 1 에서 TM7 까지 점차 낮아진다. 즉 TM1> tm2 > tm3 > tm4 > tm5 > tm6 > tm7 스펙트럼 관계에서 볼 때, 암석 노출 면적은 TM4 에서 최고점, 즉 TM3 TM5 적설구 사이의 스펙트럼 관계도 뚜렷하다. 즉 TM4 에서 TM5 까지 뚜렷한 하락 추세가 있다.
위의 스펙트럼 분석을 통해 벌거숭이, 눈, 그림자에 대해 각각 스펙트럼 지식을 기반으로 한 추출 모델을 만들었습니다.
눈:
1:250,000 원격 감지 지질지도 작성 방법 및 기술
그림자:
1:250,000 원격 감지 지질지도 작성 방법 및 기술
록:
1:250,000 원격 감지 지질지도 작성 방법 및 기술
위의 모델에 따라 눈, 그림자 및 노출된 바위를 추출할 수 있습니다.
스펙트럼 지식에 기반한 주제 정보 추출은 그림과 배경이 스펙트럼에서 분리될 수 있도록 요구하며, 둘 사이에는 동형 현상이 거의 없고 그림 내부의 스펙트럼이 일치해야 한다. 물체 내부의 스펙트럼이 일치하지 않을 때 물체 내부의 특징 성분의 스펙트럼을 이용하여 추출할 수 있다. 국부 물체 내부 성분의 스펙트럼과 배경에 많은 동형 현상이 있을 때, 국부 물체의 다른 지식을 이용하여 추출해야 한다.
5. 그림 텍스처 지식에 기반한 주제 정보 추출.
현지 물성분이 복잡하고 센서의 공간 해상도보다 클 경우 그림의 구조와 성분을 원격 감지할 수 있습니다. 그 이미지는 뚜렷한 텍스처 특징을 가지고 있다. 배경 물체와 다른 텍스처 특징이 있을 때 스펙트럼 특징 지식 추출만으로는 주제 정보 추출 문제를 완전히 해결하기 어려운 경우 객체의 스펙트럼 지식과 텍스처 지식을 사용하여 주제 정보를 함께 추출해야 합니다. 텍스처는 그레이스케일 값의 공간 변화이며 다른 공간 구성에 따라 일부 텍스처 기본체로 구성된 패턴입니다. 텍스처 기본체의 공간 구성은 무작위, 결정, 확률 및 기능이 될 수 있습니다. 텍스처는 구조 텍스처와 비구조 텍스처 (임의 텍스처라고도 함) 로 나눌 수 있습니다. 시각적 해석에서 텍스처는 일반적으로 두께, 매끄러움, 입도, 무작위성, 방향, 선형, 주기 및 반복으로 표현되고 표현됩니다. 텍스처를 사용하여 그림을 식별할 때 한 주제를 주변 그림의 텍스처 피쳐와 비교 분석해야 합니다. ERDAS IMAGINE 의 텍스처 인식 알고리즘은 주로 평균 유클리드 거리 방법 (1 차), 분산 방법 (2 차), 기울기 (3 차) 및 첨도 (4 차) 의 네 가지입니다. 그들의 계산 방법은 다음과 같다.
(1) 평균 유클리드 거리 법 (1 차)
1:250,000 원격 감지 지질지도 작성 방법 및 기술
여기서 xijλ- 다중 밴드 이미지 λ 밴드 (I, J) 픽셀의 숫자 값입니다.
활성 창 중심 픽셀의 XC λ-λ 밴드 숫자 값;
N- 창의 픽셀 수입니다.
(2) 분산 방법 (2 차)
1:250,000 원격 감지 지질지도 작성 방법 및 기술
여기서 xij 는 픽셀 (I, j) 의 숫자 값입니다.
N- 활성 창의 픽셀 수 ：
M- 활성 창의 평균.
(3) 기울기 (3 차)
1:250,000 원격 감지 지질지도 작성 방법 및 기술
여기서 xij 는 픽셀 (I, j) 의 숫자 값입니다.
N- 활성 창의 픽셀 수 ：
M--활성 창의 평균;
분산。
(4) 첨도 (4 차)
1:250,000 원격 감지 지질지도 작성 방법 및 기술
여기서 xij 는 픽셀 (I, j) 의 숫자 값입니다.
N- 활성 창의 픽셀 수 ：
M--활성 창의 평균;
분산。
또한 일반적인 텍스처 감지 방법은 * * * 생성 매트릭스 방법입니다.
이 프로젝트는 주로 ERDAS IMAGEINE 소프트웨어의 2 차 분산법을 이용하여 이미지의 텍스처 특징을 계산합니다. 계산에 사용되는 이동 창은 5×5 입니다. 신장 와석협 지역 TM 이미지의 텍스처도에서 볼 수 있듯이 바위 노출 영역의 텍스처 지수 (2 차 분산) 가 높고 이미지가 밝습니다. 바위 노출 영역의 텍스처 지수가 낮고 이미지가 어둡다는 것을 알 수 있습니다. 적절한 임계값을 사용하여 암석 노출 면적을 추출하면 결과가 기본적으로 실제 상황에 부합한다는 것을 알 수 있다.
6. 그림 모양 지식에 기반한 주제 정보 추출.
경우에 따라 물체와 배경은 스펙트럼 특징이 같거나 비슷할 뿐만 아니라 텍스처 특성도 비슷하다. 이 경우 그림의 쉐이프 지식에 따라 추가로 추출해야 합니다. 지질암학의 경우, 암석성마다 종종 서로 다른 공간 특징을 가지고 있다.
(1) 침입암
침입암은 일반적으로 원형, 타원형, 렌즈, 펄스 등과 같은 규칙적인 평면 형상을 가지고 있습니다. 그리고 대부분은 계층 적 이미지의 특성이 부족합니다. 대형 침입암은 이미지에 링, 방사형 등의 수계, 절리 또는 암맥군이 있는 경우가 많다.
(2) 퇴적암
평면 형태는 스트립 또는 스트립으로 뚜렷한 레이어 이미지 특징을 가지고 있습니다. 질서 정연하게 분포된 퇴적암 그룹은 종종 다른 색깔의 층상 영상 특징을 구성한다.
(3) 변성암
변성암의 이미지 특징은 일반적으로 원암 성분, 변질 과정에서 신물질의 첨가와 구조의 변화와 관련이 있다. 변성암인 경우, 이미지 특성은 마그마암과 유사합니다. 음의 변성암인 경우, 그 이미지 특징은 퇴적암과 비슷하다.
그림 형태 지식을 발견하는 방법에는 둘레와 면적을 기준으로 하는 방법, 면적을 기준으로 하는 방법, 면적과 면적 길이를 기준으로 하는 방법 등 세 가지가 있습니다.
둘레와 면적을 기준으로 한 방법
모양 지수
1:250,000 원격 감지 지질지도 작성 방법 및 기술
원의 경우 k 가 0.25 보다 크고 사각형의 경우 k 가 0.25 이고 직사각형의 경우 k 가 0.25 보다 작습니다. 도로, 공항, 강 등과 같은 선형 물체는 K 값이 작다. 불규칙한 물체의 경우 모양이 복잡할수록 k 가 작아집니다.
원형율:
1:250,000 원격 감지 지질지도 작성 방법 및 기술
콤팩트:
1:250,000 원격 감지 지질지도 작성 방법 및 기술
날씬한 비율:
1:250,000 원격 감지 지질지도 작성 방법 및 기술
면적 기반 측정
콤팩트 지수:
1:250,000 원격 감지 지질지도 작성 방법 및 기술
1:250,000 원격 감지 지질지도 작성 방법 및 기술
면적 및 면적 길이 기준
모양 비율
1:250,000 원격 감지 지질지도 작성 방법 및 기술
타원지수
1:250,000 원격 감지 지질지도 작성 방법 및 기술
위의 모든 공식에서 다음을 수행합니다.
A- 물체의 면적
AC- 최소 외접 원 면적;
P--피쳐의 둘레;
장축의 길이.
모양 지식은 피쳐를 찾거나 질적으로 추출하는 데 사용할 수 있습니다. 질적 추출을 찾는 데 사용할 때 먼저 추출된 그림 사이의 경계를 향상시킵니다. 그런 다음 모양 표시기를 결정하여 질적 위치 추출을 달성합니다. 질적 추출에 사용될 경우 추출된 주제 정보의 속성을 더 자세히 확인하는 데 주로 사용됩니다.
(c) 지리 정보 시스템의 지원을 받아 다양한 출처의 정보를 종합적으로 분석한다.
원격 감지 지질 주제 정보 추출에는 원격 감지 데이터 외에도 지질도, 물리학, 지구 화학 데이터 등 많은 관련 데이터가 있습니다. , 일반적으로 사용됩니다. 이 데이터를 사용할 때 두 가지 단계가 있습니다. 첫 번째 단계는 지식을 발굴하는 것입니다. 두 번째 단계는 이러한 지식을 사용하여 도면 데이터를 원격 감지 이미지에 연결하여 주제 정보 추출을 지원하는 것입니다. 이 지식은 일부 정관련 지식과 반관련 지식이다. 이 두 가지 지식은 확실성 지식과 확률성 지식으로 더 나눌 수 있다.
2 1 세기 위성 원격 감지는 지구 과학 연구에 다중 스펙트럼, 다중 시간, 다중 해상도, 24 시간 지구 관측 데이터를 제공하여 원격 감지가 더 광범위하고 심층적인 응용을 촉진합니다. 그러나 지난 20 ~ 30 년 동안, 지학 사유는 원격 감지 기술의 발전 방향을 이끌었다. 동시에, 원격 감지 응용 수준은 우주 원격 감지 기술의 발전에 뒤처져 있다. 위성으로 반송된 원격 감지 데이터가 충분히 활용되지 않고, 정보 추출 수준의 지연으로 원격 감지 데이터에 숨겨져 있는 풍부한 지식이 충분히 발굴되고 활용되지 않아 원격 감지 정보 자원의 막대한 낭비와 응용 가치를 떨어뜨리고 있습니다. 따라서 정보 추출의 능력과 효율성은 향후 원격 감지 애플리케이션에 직면한 두드러진 문제 중 하나가 될 것입니다.
데이터 마이닝 (DM) 과 데이터베이스에서 지식 발견 (KDD) 의 기술 이론은 1980 년대 말에 나타났으며, 최근 몇 년 동안 급속히 발전해 인공지능, 기계 학습, 데이터베이스 기술의 결합의 산물이다. 데이터베이스 관리 시스템에서 단순히 정보를 검색하고 쿼리하는 것과는 달리 "데이터베이스에서 숨겨진 잠재적 유용한 정보와 이전에 알려지지 않은 유용한 정보를 발견" 하고 "데이터에서 효율적인 패턴을 식별" 하는 특별한 프로세스를 강조합니다. 이 모델은 대량의 원시 데이터를 가치 있는 지식으로 변환하기 위한 새롭고 잠재적으로 유용하며 궁극적으로 이해할 수 있는 모델입니다. 이것은 현재와 미래의 위성 원격 감지 정보 처리의 병목 문제이다. 데이터 마이닝 및 지식 발견의 이론과 기술을 참고하면 원격 감지 데이터의 급속한 증가와 데이터 처리 및 이해 어려움 사이의 모순을 해결하는 데 도움이 될 것입니다.
1. 공간 데이터 마이닝 및 지식 발견
KDD 및 데이터 마이닝 기술의 출현과 발전은 데이터와 데이터베이스가 급속히 팽창하고 있다는 사실에 기반을 두고 있습니다. 한편, 데이터베이스 애플리케이션은 쿼리 및 검색 단계에 있으며, 데이터베이스에 숨겨진 풍부한 지식은 완전히 발굴되고 활용되지 않습니다. 데이터베이스의 대량 증가는 데이터베이스를 처리하고 이해하는 사람들의 어려움과 강한 대조를 이룹니다. KDD 라는 단어는 지난 8 월 미국 디트로이트에서 열린 1 1 인공지능 국제연합회의 간담회에서 처음 등장했습니다. 199 1,/kloc-0-0 참가자 수가 늘어남에 따라 1995 부터 매년 국제 KDD 회의가 열린다. 이론 연구 외에도 상당한 수의 KDD 제품 및 응용 시스템이 등장했으며 실제 응용 프로그램에서 어느 정도 성공을 거두었습니다.
파예즈의 정의에 따르면 KDD 는 "데이터 세트에서 효과적이고 참신하며 잠재적으로 유용하며 궁극적으로 이해할 수 있는 패턴을 식별하는 비범한 과정" 입니다. KDD 의 일반적인 절차 (그림 3- 10) 에는 데이터 준비, 데이터 마이닝 및 결과 해석 및 평가가 포함됩니다.
그림 3-3- 10 KDD 프로세스 다이어그램
데이터 준비에는 데이터 선택, 데이터 사전 처리 및 데이터 변환이 포함됩니다. 데이터 선택의 목적은 검색 작업의 피연산자, 즉 대상 데이터를 결정하는 것입니다. 대상 데이터는 사용자의 요구에 따라 원본 데이터베이스에서 추출한 데이터 세트입니다. 데이터 전처리의 목적은 소음 등을 제거하는 것이다. 데이터 마이닝의 객체가 데이터 웨어하우스인 경우 일반적으로 데이터 웨어하우스를 생성할 때 데이터 선택 및 데이터 사전 처리가 완료됩니다. 데이터 변환의 주요 목적은 데이터를 차원화하거나 차원을 낮추는 것입니다. 즉, 데이터 마이닝에서 고려해야 할 특성이나 변수의 수를 줄이기 위해 초기 특성에서 정말 유용한 특징을 찾는 것입니다.
데이터 마이닝 단계에서는 먼저 마이닝의 작업 또는 목적이 무엇인지 결정하고 사용할 마이닝 알고리즘을 고려하고 결정해야 합니다. 동일한 작업을 다른 알고리즘으로 구현할 수 있습니다. 구현 알고리즘을 선택하려면 두 가지 요소를 고려해야 합니다. 하나는 데이터마다 특성이 다르고 관련 알고리즘을 사용하여 마이닝해야 한다는 것입니다. 둘째, 사용자 또는 실제 운영 체제의 요구 사항 (예: 정확성과 이해 가능성 사이의 선호도) 입니다.
2. 데이터 마이닝 및 지식 발견의 주요 유형 및 방법.
일반 통계 데이터베이스의 데이터 마이닝은 가장 오래되고 가장 성숙합니다. 일반적으로 데이터 마이닝과 지식 발견은 다음과 같은 유형 (파예즈, 1997) 으로 나눌 수 있습니다.
(1) 분류: 데이터 항목을 하나 이상의 정의된 클래스에 매핑하는 학습 함수입니다.
(2) 회귀: 데이터 항목을 실제 예측 변수에 매핑하는 학습 함수입니다.
(3) 클러스터: 제한된 범주를 찾아 데이터 세트를 설명하는 방법입니다.
(4) 일반화 (또는 일반화): 각 데이터 하위 세트의 * * * 특성을 설명하는 방법을 찾습니다.
(5) 종속성 패턴: 변수 간의 중요한 종속성을 설명하는 패턴을 찾습니다.
(6) 변경 및 편차 감지: 이전 데이터와 비교하여 눈에 띄는 변화를 발견했습니다.
현재, 데이터 마이닝과 지식 발견의 연구에서 많은 새로운 방법과 다양한 방법의 조합이 나타났는데, 그중에서도 비교적 유명한 방법은 다음과 같다.
(1) 의사 결정 트리 분류에 기반한 ID3 및 C4.5 방법.
(2) AQ 15 및 CN2 개괄적 방법.
(3) 부정확하고 불확실한 지식을 해결하기위한 거친 집합 방법.
(4) 고전적인 역전파 [[BP]] 알고리즘, 자체 조직 매핑 (SOM), 어댑티브 공진 이론 (ART) 과 같은 수많은 인공 신경망 방법.
(5) 베이지안 확률 네트워크 학습 방법.
(6) 연관 규칙의 선험적 생성 방법.
데이터 마이닝과 지식 발견은 현재 외국의 연구 핫스팟 중 하나로 인공지능학자의 연구 핫스팟일 뿐만 아니라 데이터베이스 전문가의 탐구 대상이기도 하다. 그들의 업무는 의학, 기계 학습, 인공지능, 수학, 마케팅 등 여러 분야를 포괄한다. 많은 유용한 지식을 얻었다. 지금까지 국내에서 이 방면의 연구에 종사하는 단위는 아직 많지 않다. KDD 와 데이터 마이닝 기술을 위성 원격 감지 정보 처리에 적용하는 것은 새로운 과제다.
원격 감지 이미지의 데이터 마이닝 및 지식 발견.
위성 원격 감지 데이터베이스는 데이터베이스로서 일반 데이터 마이닝 및 KDD 기술을 통해 저장된 정보를 처리하고 식별할 수 있습니다. 특수한 데이터베이스 & 이미지 데이터베이스로서 일반 관계형 및 트랜잭션 데이터베이스와는 다른 정보 내용을 가지고 있으며 풍부한 시간, 스펙트럼 및 공간 정보를 포함하고 있습니다. 따라서 이 클래스 라이브러리의 지식 발견과 관련하여 데이터 마이닝도 특별한 프로세스와 방법을 가져야 합니다.
DM 및 의 기술 흐름도 (그림 3- 1 1) 에 따라 위성 원격 감지 데이터의 특수성을 고려하면 중과원은 지질 응용을 위한 위성 원격 감지 데이터 마이닝 및 지식 발견에 대한 이론 및 기술 프레임워크를 제시했습니다. 이 프레임워크에서 데이터 마이닝은 매우 중요한 역할을 한다. 여기에는 원격 감지 데이터의 위상 선택, 사전 처리 적용, 피쳐 분석, 정보 인식 및 지식 해석이 포함됩니다. 실생활에서 많은 원격 감지 사용자들은 이 과정의 특수한 역할을 소홀히 하고, 원시 원격 감지 영상의 해석 결과를 응용의 근거로 직접 사용한다. (해석 과정에도 인간의 지식이 추가되었지만) 따라서 얻은 지식은 종종 피상적이고 표면적이며 부정확하다. 원격 감지 데이터 마이닝 과정에서 원시 데이터의 스펙트럼, 공간 및 시간 특성을 충분히 고려해야 원격 감지 애플리케이션을 위한 가치 있고 정확하며 높은 수준의 지식 발견을 더 잘 실현할 수 있습니다.
그림 3- 위성 데이터의 원격 감지 마이닝 및 지식 발견 +0 1