Задача выделения зданий в контексте семантической сегментации геополей представляет собой задачу перехода от множества геополей собственного и отраженного элементами суши, океана и атмосферы Земли электромагнитного излучения ко множеству геополей пространственного распределения собственного и отраженного объектами класса «Здания» электромагнитного излучения.
Проблематика выделения зданий включает в себя следующие основные проблемы: ложноположительные и ложноотрицательные срабатывания при выделении зданий, выделение отдельных зданий как одного объекта и распознавание объектов класса «Здания» на снимках, имеющих разные яркостные характеристики.
Данные проблемы, в рамках семантической сегментации геополей, рассматриваются с точки зрения снижения точности перехода от исходного множества геополей к результирующему множеству и относятся главным образом к исходному множеству.
Посредством анализа указанных проблем определены основные концептуальные решения в архитектурах нейронных сетей, позволяющие уменьшить их влияние: механизмы внимания и обработка глобальных признаков.
В результате эксперимента с архитектурами нейронных сетей STT, STEB-UNet, U-Net, MF-CNN и MSCFF, реализующими данные концептуальные решения, определены зависимости между временными затратами и конкретной реализацией концептуальных решений и наиболее эффективное с точки зрения обеспечиваемой точности решение — обработка глобальных признаков посредством мультимасштабного слияния признаков, реализуемое MSCFF.
Предпросмотр статьи
Идентификаторы и классификаторы
Геополе — изменяющаяся в пространстве и во времени непрерывная переменная величина. С математической точки зрения она описывается функцией z = f(x, y, t), где z — значение геополя; x, y — пространственные координаты, а t — время. Множество геополей, связанных предметной областью, может быть определено как кортеж вида (z1, z2, …, zn ) = f(x, y, t), где zn — числовое значение физической величины n-го геополя, n ≥ 1; x, y — пространственные координаты, а t — время. Значение n = 1 отражает случай, когда берется одно геополе в рамках конкретной предметной области. При этом временная координата t может быть опущена, и тогда функция принимает вид (z1, z2, …, zn ) = f(x, y).
Список литературы
1. Гвоздев О.Г., Матерухин А.В., Майоров А.А. Сравнительный анализ методов определения сходства геополей // Вестник СГУГиТ. 2022. Т. 27. №6. С. 120-130. 10.33764/2411-1759-2022-27-6-120-130. (https://geocartography.ru/sites/default/files/sgugit/article_pdf/2022_6.120-130.pdf). DOI: 10.33764/2411-1759-2022-27-6-120-130.( EDN: TQOEDB
2. Копнов М.В. Модели, алгоритмы и программные средства для анализа геополей: дис. … канд. техн. наук: 05.13.01 «Системный анализ, управление и обработка информации: промышленность». 2010. 160 с. EDN: QFBFFH
3. Каковкин П.А., Друки А.А. Применение нейросетевых алгоритмов для решения задачи восстановления двумерных геополей // Известия Томского политехнического университета. Инжиниринг георесурсов. 2016. Т. 327. №2. С. 35-43. EDN: VYXGKF
4. Копнов М.В., Марков Н.Г. Геоинформационная система для восстановления пространственно-временных геополей // Проблемы информатики. 2011. №5. С. 172-179. EDN: OPAERJ
5. Ostankovich V., Afanasyev I. Illegal buildings detection from satellite images using GoogLeNet and cadastral map // Proceedings of 9th IEEE International Conference on Intelligent Systems. 2018. P. 1-8. 10.1109/IS.2018.8710565. (https://www.sci-hub.ru/10.1109/is.2018.8710565). DOI: 10.1109/IS.2018.8710565.( EDN: FQUQAX
6. Li S., Bao T., Liu H., et al. Multilevel feature aggregated network with instance contrastive learning constraint for building extraction // Remote Sensing. 2023. Vol. 15. Iss. 10. 2585. 10.3390/rs15102585. (https://www.mdpi.com/2072-4292/15/10/2585). DOI: 10.3390/rs15102585.(
7. Miao Y., Jiang S., Xu Y., Wang D. Feature residual analysis network for building extraction from remote sensing images // Applied Sciences. 2022. Vol. 12. Iss. 10. 5095. 10.3390/app12105095. (https://www.mdpi.com/2076-3417/12/10/5095). DOI: 10.3390/app12105095.(
8. You D., Wang S., Wang F., et al. EfficientUNet+: a building extraction method for emergency shelters based on deep learning // Remote Sensing. 2022. Vol. 14. Iss. 9. 2207. 10.3390/rs14092207. (https://www.mdpi.com/2072-4292/14/9/2207). DOI: 10.3390/rs14092207.(
9. Xu G., Deng M., Sun G., et al. Improving building extraction by using knowledge distillation to reduce the impact of label noise // Remote Sensing. 2022. Vol. 14. Iss. 22. 5645. 10.3390/rs14225645. (https://www.mdpi.com/2072-4292/14/22/5645). DOI: 10.3390/rs14225645.(
10. Dikmen M., Halici U. A learning-based resegmentation method for extraction of buildings in satellite // IEEE Geoscience and Remote Sensing Letters. 2014. Vol. 11. Iss. 12. P. 2150-2153. 10.1109/LGRS.2014.2321658. (https://ieeexplore.ieee.org/document/6819406). DOI: 10.1109/LGRS.2014.2321658.(
11. Mia M.R., Islam K.S., Islam M.D. Automatic building footprint extraction from high resolution stereo satellite image // Plan Plus. 2021. Vol. 11. Iss. 1. P. 17-28. 10.54470/planplus.v11i1.2. (https://planplusjournal.com/index.php/planplus/article/view/116). DOI: 10.54470/planplus.v11i1.2.( EDN: ZFQSWB
12. Farhadi H., Ebadi H., Kiani A. F2BFE: development of feature-based building footprint extraction by remote sensing data and GEE // International Journal of Remote Sensing. 2023. Vol. 44. Iss. 19. P. 5845-5875. 10.1080/01431161.2023.2255351. (https://www.tandfonline.com/doi/full/10.1080/01431161.2023.2255351). DOI: 10.1080/01431161.2023.2255351.( EDN: ZCNTGL
13. He H., Gao K., Tan W., et al. Impact of deep learning based super resolution on building footprint extraction // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2022. Vol. XLIII-B1-2022. P. 31-37. 10.5194/isprs-archives-XLIII-B1-2022-31-2022. (https://isprs-archives.copernicus.org/articles/XLIII-B1-2022/31/2022/). DOI: 10.5194/isprs-archives-XLIII-B1-2022-31-2022.( EDN: JPKFQS
14. Liao C., Hu H., Yuan X., et al. BCE-Net: reliable building footprints change extraction based on historical map and up-to-date images using contrastive learning // ISPRS Journal of Photogrammetry and Remote Sensing. 2023. Vol. 201. P. 138-152. 10.1016/j.isprsjprs.2023.05.011. (https://www.sciencedirect.com/science/article/abs/pii/S0924271623001284?via%3Dihub). DOI: 10.1016/j.isprsjprs.2023.05.011.( EDN: YVCIDG
15. Wang Z., Li S., Zhu Z. Rural building extraction based on joint U-Net and the generalized Chinese restaurant franchise from remote sensing images // Sustainability. 2023. Vol. 15. Iss. 5. 4685. 10.3390/su15054685. (https://www.mdpi.com/2071-1050/15/5/4685). DOI: 10.3390/su15054685.( EDN: BVXGMR
16. Quan Y., Yu A., Cao X., et al. Building extraction from remote sensing images with DoG as prior constraint // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2022. Vol. 15. P. 6559-6570. 10.1109/JSTARS.2022.3195808. (https://ieeexplore.ieee.org/document/9847361). DOI: 10.1109/JSTARS.2022.3195808.( EDN: XOVZRA
17. Jin H., Fu W., Nie C., et al. Extraction of building from remote sensing imagery base on multi-attention L-CAFSFM and MFFM // Frontiers in Earth Science. 2023. Vol. 11. 1268628. 10.3389/feart.2023.1268628. (https://www.frontiersin.org/articles/10.3389/feart.2023.1268628/full). DOI: 10.3389/feart.2023.1268628.(
18. Sun Y., Chen J., Huang X., Zhang H. Multi-level perceptual network for urban building extraction from high-resolution remote sensing images // Photogrammetric Engineering & Remote Sensing. 2023. Vol. 89. No. 7. P. 427-434. 10.14358/PERS.22-00103R1. (https://www.ingentaconnect.com/content/asprs/pers/2023/00000089/00000007/art00007;jsessionid=4l6id6p9j05un.x-ic-live-03). DOI: 10.14358/PERS.22-00103R1.( EDN: GFHKYB
19. Qiu Y., Wu F., Yin J., et al. MSL-Net: An efficient network for building extraction from aerial imagery // Remote Sensing. 2022. Vol. 14. Iss. 16. 3914. 10.3390/rs14163914. (https://www.researchgate.net/publication/362715193_MSL-Net_An_Efficient_Network_for_Building_Extraction_from_Aerial_Imagery). DOI: 10.3390/rs14163914.(
20. Angelis G.-E., Domi A., Zamichos A., et al. On the exploration of vision transformers in remote sensing building extraction // IEEE International Symposium on Multimedia (ISM). 2022. P. 208-215. 10.1109/ISM55400.2022.00046. (https://ieeexplore.ieee.org/document/10019698). DOI: 10.1109/ISM55400.2022.00046.(
21. Zhou J., Liu Y., Nie G., et al. Building extraction and floor area estimation at the village level in rural China via a comprehensive method integrating UAV photogrammetry and the novel EDSANet // Remote Sensing. 2022. Vol. 14. Iss. 20. 5175. 10.3390/rs14205175. (https://www.mdpi.com/2072-4292/14/20/5175). DOI: 10.3390/rs14205175.(
22. Atas İ. Performance evaluation of Jaccard-Dice coefficient on building segmentation from high resolution satellite images // Balkan Journal of Electrical & Computer Engineering. 2023. Vol. 11. No. 1. P. 100-106. 10.17694/bajece.1212563. (https://dergipark.org.tr/en/pub/bajece/issue/75680/1212563). DOI: 10.17694/bajece.1212563.( EDN: TTGCYW
23. He W., Li J., Cao W., et al. Building extraction from remote sensing images via an uncertainty-aware network // Preprint arXiv.org, 2023. [Электронный ресурс]. Режим доступа: https://arxiv.org/pdf/2307.12309.pdf (дата обращения: 27.11.2023).
24. Weng Q., Wang Q., Lin Y., Lin J. ARE-Net: an improved interactive model for accurate building extraction in high-resolution remote sensing imagery // Remote Sensing. 2023. Vol. 15. Iss. 18. 4457. 10.3390/rs15184457. (https://www.mdpi.com/2072-4292/15/18/4457). DOI: 10.3390/rs15184457.(
25. Yuan W., Ran W., Shi X., Shibasaki R. Multiconstraint transformer-based automatic building extraction from high-resolution remote sensing images // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2023. Vol. 16. P. 9164-9174. 10.1109/JSTARS.2023.3319826. (https://ieeexplore.ieee.org/document/10265007). DOI: 10.1109/JSTARS.2023.3319826.( EDN: JFDBFS
26. Boonpook W., Tan Y., Torsri K., et al. PCL-PTD Net: parallel cross-learning-based pixel transferred deconvolutional network for building extraction in dense building areas with shadow // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2022. Vol. 16. P. 773-786. 10.1109/JSTARS.2022.3230149. (https://ieeexplore.ieee.org/document/9991822). DOI: 10.1109/JSTARS.2022.3230149.(
27. Wang Z., Xu N., Wang B., et al. Urban building extraction from high-resolution remote sensing imagery based on multi-scale recurrent conditional generative adversarial network // GIScience & Remote Sensing. 2022. Vol. 59. Iss. 1. P. 861-884. 10.1080/15481603.2022.2076382. (https://www.tandfonline.com/doi/full/10.1080/15481603.2022.2076382. DOI: 10.1080/15481603.2022.2076382.( EDN: MWUCMT
28. Якушенков Ю.Г. Некоторые особенности компьютерного моделирования оптико-электронных систем визуализации // Международная научно-техническая конференция, посвященная 225-летию МИИГАиК. 2004. С. 116-122.
29. Shrestha S., Vanneschi L. Improved fully convolutional network with conditional random fields for building extraction // Remote Sensing. 2018. Vol. 10. Iss. 7. 1135. 10.3390/rs10071135. (https://www.sci-hub.ru/10.3390/rs10071135). DOI: 10.3390/rs10071135.(
30. Xu Y., Wu L., Xie Z., Chen Z. Building extraction in very high resolution remote sensing imagery using deep learning and guided filters // Remote Sensing. 2018. Vol. 10. Iss. 1. 144. 10.3390/rs10010144. (https://www.sci-hub.ru/10.3390/rs10010144). DOI: 10.3390/rs10010144.(
31. Wagner F.H., Dalagnol R., Tarabalka Y., et al. U-Net-Id, an instance segmentation model for building extraction from satellite images - case study in the Joanópolis city, Brazil // Remote Sensing. 2020. Vol. 12. Iss. 10. 1544. 10.3390/rs12101544. (https://www.mdpi.com/2072-4292/12/10/1544). DOI: 10.3390/rs12101544.(
32. Schuegraf P., Bittner K. Automatic building footprint extraction from multi-resolution remote sensing images using hybrid FCN // Information Journal of Geo-Information. 2019. Vol. 8. Iss. 4. 191. 10.3390/ijgi8040191. (https://www.mdpi.com/2220-9964/8/4/191). DOI: 10.3390/ijgi8040191.(
33. Aslani M., Seipel S. A fast instance selection method for support vector machines in building extraction // Applied Soft Computing Journal. 2020. Vol. 97. Part B. 106716. 10.1016/j.asoc.2020.106716. (https://www.sciencedirect.com/science/article/pii/S1568494620306542?via%3Dihub). DOI: 10.1016/j.asoc.2020.106716.( EDN: JHYPIG
34. Yu B., Chen F., Wang N., et al. MSFTrans: a multi-task frequency-spatial learning transformer for building extraction from high spatial resolution remote sensing images // GIScience & Remote Sensing. 2022. Vol. 59. Iss. 1. P. 1978-1996. 10.1080/15481603.2022.2143678. (https://www.tandfonline.com/doi/full/10.1080/15481603.2022.2143678). DOI: 10.1080/15481603.2022.2143678.( EDN: DMPKBD
35. Song J., Zhu A.-X., Zhu Y. Transformer-based semantic segmentation for extraction of building footprints from very-high-resolution images // Sensors. 2023. Vol. 23. Iss. 11. 5166. 10.3390/s23115166. (https://pubmed.ncbi.nlm.nih.gov/37299892/). DOI: 10.3390/s23115166.( EDN: TDVVVI
36. Han J., Wang Z., Wang Y., Hou W. Building extraction algorithm from remote sensing images based on improved DeepLabv3+ network // Journal Of Physics: Conference Series. 2022. Vol. 2303. 012010. EDN: NSXIFA
37. Larionov R., Khryashchev V., Pavlov V., Demidov P.G. Separation of closely located buildings on aerial images using U Net neural network // Proceedings of 26th Conference of Open Innovations Association (FRUCT). 2020. P. 1-6. (https://ieeexplore.ieee.org/document/9087365). DOI: 10.23919/FRUCT48808.2020.9087365 EDN: NPKZMO
38. Taha L.G.E., Ibrahim R.E. Assessment of approaches for the extraction of building footprints from Pléiades images // Geomatics and Environmental Engineering. 2021. Vol. 15. No. 4. P. 101-116. 10.7494/geom.2021.15.4.101. (https://www.gaee.agh.edu.pl/gaee/article/view/157). DOI: 10.7494/geom.2021.15.4.101.( EDN: YNHWTS
39. Luo M., Ji S., Wei S. A diverse large-scale building dataset and a novel plug-and-play domain generalization method for building extraction // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2023. Vol. 16. P. 4122-4138. 10.1109/JSTARS.2023.3268176. (https://ieeexplore.ieee.org/document/10104584). DOI: 10.1109/JSTARS.2023.3268176.( EDN: ULGHHU
40. Wang Z., Zhou Y.,Wang F., et al. A multi-scale edge constraint network for the fine extraction of buildings from remote sensing images // Remote Sensing. 2023. Vol. 15. Iss. 4. 927. 10.3390/rs15040927. (https://www.mdpi.com/2072-4292/15/4/927). DOI: 10.3390/rs15040927.(
41. Alsabhan W., Alotaiby T. Automatic building extraction on satellite images using Unet and ResNet50 // Computational Intelligence and Neuroscience. 2022. Vol. 2022. 5008854. 10.1155/2022/5008854. (https://pubmed.ncbi.nlm.nih.gov/35222630/). DOI: 10.1155/2022/5008854.(
42. Chen K., Zou Z., Shi Z. Building extraction from remote sensing images with sparse token transformers // Remote Sensing. 2021. Vol. 13. Iss. 21. 4441. 10.3390/rs13214441. (https://www.mdpi.com/2072-4292/13/21/4441). DOI: 10.3390/rs13214441.(
43. Xiao X., Guo W., Chen R., et al. A swin transformer-based encoding booster integrated in U-shaped network for building extraction // Remote Sensing. 2022. Vol. 14. Iss. 11. 2611. 10.3390/rs14112611. (https://www.mdpi.com/2072-4292/14/11/2611). DOI: 10.3390/rs14112611.(
44. Shao Z., Pan Y., Diao C., Cai J. Cloud detection in remote sensing images based on multiscale features-convolutional neural network // IEEE Transactions on Geoscience and Remote Sensing. 2019. Vol. 57. Iss 6. P. 4062-4072. 10.1109/TGRS.2018.2889677. (https://www.sci-hub.ru/10.1109/tgrs.2018.2889677). DOI: 10.1109/TGRS.2018.2889677.(
45. Li Z., Shen H., Cheng Q., et al. Deep learning based cloud detection for medium and high resolution remote sensing images of different sensors // ISPRS Journal of Photogrammetry and Remote Sensing. 2019. Vol. 150. P. 197-212. 10.1016/j.isprsjprs.2019.02.017. (https://www.mdpi.com/2072-4292/13/1/157). DOI: 10.1016/j.isprsjprs.2019.02.017.(
Выпуск
Другие статьи выпуска
Актуальность статьи обусловлена несовершенством существующей информационной обеспеченности государственной кадастровой оценки в отношении земель сельскохозяйственного назначения (ЗСН) в России.
Сложившаяся практика проведения кадастровой оценки ЗСН доказывает, что в отношении земель этой категории имеется дефицит информации о значениях ценообразующих факторов данного сегмента, определенных в действующих методических указаниях.
В рамках исследования на примере земельного участка окрестностей села Баткат Шегарского района Томской области проведен комплекс работ по сбору исходных пространственных данных о ЗСН по аэрофотосъемке (АФС) с применением беспилотных летательных аппаратов, оцифрованы и проанализированы материалы мониторинга, сформирована цифровая база пространственных данных и созданы цифровые тематические карты территории для возможности их использования при проведении кадастровой оценки.
Результаты исследования показали важность геодезического обоснования для проведения АФС и картографического представления данных мониторинга ЗСН в местной системе координат для обеспечения возможности интеграции получаемых данных с кадастровыми данными в Едином государственном реестре недвижимости. В настоящем исследовании продемонстрирован подход усреднения значений агрохимических показателей, полученных в результате мониторинга плодородия почв ЗСН для каждого земельного участка.
Исследование показало, что перечень ценообразующих факторов, определенных в методике кадастровой оценки объектов недвижимости для сельскохозяйственного сегмента, не соотносится с перечнем получаемых на сегодняшний день показателей мониторинга плодородия почв ЗСН как единственного источника получения фактических сведений о состоянии ЗСН.
Статья посвящена оценке текущего состояния лесного фонда в провинции Донг Най, Вьетнам, с использованием данных, собранных с помощью технологий дистанционного зондирования Земли (ДЗЗ).
Исследование направлено на применение методов дистанционного зондирования для получения данных о площади лесов, видовом разнообразии и изменениях в лесной среде.
Методы обработки снимков и классификации наземного покрова на основе данных ДЗЗ объединены на платформе Google Earth Engine для эффективной оценки изменений в лесном фонде под воздействием различных факторов, таких как урбанизация, лесозаготовка, изменение климата, лесовосстановительные и прочие работы, политика местных органов власти.
Путем интеграции данных ДЗЗ и методов классификации объектов с использованием алгоритмов машинного обучения проведена оценка текущего состояния наземного покрова через определение вегетационного индекса NDVI.
Статья представляет собой всеобъемлющий обзор состояния лесного фонда в провинции Донг Най. Результаты анализа данных показывают, что с 2010 по 2020 год площадь смешанных лесов увеличилась на 20 632 га (12,17 %), а широколиственных лесов — на 23 263 га (29,15 %), в то время как площадь других категорий наземного покрова имеет тенденцию к снижению, что свидетельствует о положительных результатах в сфере сохранения, защиты и развития лесов.
Результаты исследования не только предоставляют информацию о площади и распределении лесов, но и являются базой данных для планирования мероприятий по управлению и сохранению лесного фонда провинции Донг Най в условиях антропогенного воздействия и изменения климатических условий.
Для повышения пространственного разрешения и реализации расчетов на современном уровне геоинформационных баз данных проведена модификация методики оценки потенциальной природной уязвимости (ППУ) геосистем, разработанной ранее в ИВЭП ДВО. Предложена методика расчета средствами растровой калькуляции ГИС1 покомпонентного (геолого-геоморфологической, почвенно-криогенной, пирогенной, эрозионно-денудационной) и интегрального показателя уязвимости на основе базового показателя рельефа (вычисляемого на основе индекса векторной кривизны поверхности) и 17 дополнительных коэффициентов, отражающих различные характеристики ландшафтов, определяющих реакцию геосистем на внешнее воздействие. Результат расчетов, выполненных для территории Хабаровского края, представлен пятью отдельными растрами покомпонентной и интегральной уязвимости с уровнем детализации, соответствующим масштабу карты 1: 500 000. Максимальное распространение получили ландшафты с низкими уровнями уязвимости, на долю которых приходится 30–40 % территории, тогда как к высоко- и чрезвычайно высокоуязвимым ландшафтам относится 11,3 % геосистем. Высокая пространственная детальность получаемых данных в результате позволяет не только оценивать фоновую величину ППУ ландшафтного контура, но и проводить анализ рисков на субландшафтном уровне. Использование методов зональной статистики позволило для каждого ландшафтного выдела вычислить характеристики максимальных, средних и преобладающих по площади значений различных компонентов уязвимости и ее интегрального значения, что позволяет проводить статистический анализ показателей по различным группам ландшафтов (по классам рельефа, типам наземного покрова, физико-географическому районированию территории и т. д.).
Одним из наиболее проработанных и простых в использовании направлений генеративных моделей с точки зрения оперирования функциональностью для конечных пользователей являются большие языковые модели, позволяющие выполнять различные операции с текстовыми данными. Поскольку современная цифровая картография максимально быстро включает в свой инструментарий последние достижения в области информационных технологий, представляется актуальным рассмотреть основные сферы использования больших языковых моделей применительно к типовым задачам обработки пространственных данных в виде описания сводных показателей атрибутивных значений, формирования элементов географического описания, получения последовательностей выполнения определенных задач в геоинформационных системах, построения запросов к данным на языке SQL, написания фрагментов программного кода отдельных скриптов и модулей для ГИС, генерации картографических изображений по описанию. На основе результатов проведенных экспериментов сделан вывод о том, что большинство перечисленных базовых задач хорошо автоматизируются с помощью больших языковых моделей, но с учетом необходимости проверки и корректировки результатов специалистами в области картографии и геоинформатики.
Цель работы — выявление характера изменения земель, окружающих вулканическую постройку Эбеко в результате негативного воздействия характерных опасных процессов. В статье приведены данные, полученные в ходе исследования распространения вулканогенных отложений на территории, прилегающей к эруптивному центру, и картографические материалы, полученные на основе дешифрирования космических снимков и цифровой аэрофотосъемки (ЦАФС).
В работе использовались материалы полевых исследований вулканогенных отложений, космические снимки, данные ЦАФС. Составление и оформление картографических материалов выполнялось с применением ГИС1 -технологий и компьютерных методов анализа. Дешифрирование материалов космических съемок и ЦАФС, а также анализ информации об изменениях состояния вулкана Эбеко позволили выделить подзоны вулканического воздействия на земли, расположенные на склонах вулканической постройки и вблизи нее.
Проверка достоверности выполнена при проведении полевых экспедиционных исследований.
Результаты дешифрирования аэрокосмических снимков позволили на основе определения пространственного распределения отложений определенной размерности выявить подзоны сильного, среднего и слабого воздействия на земли, расположенные вокруг вулканической постройки Эбеко, и составить карту вулканоопасности.
В статье рассматриваются вопросы анализа устойчивости геодезических пунктов в пространстве-времени.
Первый пример описывает ситуацию с двумя подвижными реперами в нивелирной сети, мобильность которых определяется надежно. Здесь используется вариант МНК1 -оптимизации коррелированных парных данных.
Второй пример иллюстрирует более сложную геопространственную ситуацию на объекте, подверженном деформационным процессам. Этот пример, использующий данные ГНСС2 -наблюдений, анализируется как свободная сеть.
В такой ситуации наглядно проявляются достоинства синтезированного варианта параметрической версии (СВПВ) МНК-оптимизации ГНСС-наблюдений. Центральный блок гиперматрицы коэффициентов СВПВ представляет собой стабилизирующее слагаемое, обеспечивающее регуляризацию решения по А. Н. Тихонову. Кроме того, в теле обратной матрицы коэффициентов автоматически вычисляются элементы регуляризованной псевдообратной матрицы А+ для исходной матрицы плана А. С помощью псевдообратной матрицы А+ вычисляется ранг исходной матрицы А, по которому определяется ее дефект d, используемый при вычислении корректного значения безразмерного масштабного показателя точности данных μ2.
Моделирование деформаций для второго примера потребовало дополнительно воспользоваться переходом от приращений геоцентрических координат к топоцентрическим.
В результате были получены два массива точек фрагмента ГНСС-сети, сопровождаемых соответствующими ковариационными матрицами координат. По этим коррелированным массивам выполнялся их анализ, подтвердивший, что деформация имела место именно на том пункте, где она и моделировалась.
Издательство
- Издательство
- МИИГАиК
- Регион
- Россия, Москва
- Почтовый адрес
- 105064, Москва, Гороховский пер., 4
- Юр. адрес
- 105064, Москва, Гороховский пер., 4
- ФИО
- Камынина Надежда Ростиславовна (Ректор)
- E-mail адрес
- portal@miigaik.ru
- Контактный телефон
- +8 (499) 4041220
- Сайт
- https://miigaik.ru