Возможные алгоритмы поиска уникальных местообитаний

[bolotoved]

Классификация космической съемки чаще преследует цель выявления наиболее типичных (занимающих большие площади) ландшафтов, а всякая мелочь, не вписывающаяся в достаточно простую схему классификации, обычно отбрасывается. Но допустим наша задача наоборот, найти натболее отличающиеся от всех остальных выделы. Под отличиями будем при этом понимать те переменные, которые мы имеем возможность анализировать по данным тех или иных продуктов ДЗЗ, имеющихся в нашем распоряжении.
Т.е. задача такова, что без априорных знаний о территории мы должны предсказать по ДЗЗ наиболее вероятные места с редкими для территории условиями. Например для того, чтобы спланировать экспедицию по поиску редких видов флоры и фауны...

Пока я вижу одно решение в лоб:
1. применить к набору ДЗЗ unsupervised classification с очень большим количеством классов
2. посчитать площадь кажого класса и ранжировать по возрастанию
3. классам с наименьшими площадями придать наибольший вес
4. пройтись скользящим окном нужного радиуса, например, суммирующим вес пикселей в окрестности
в итоге получим потенциально уникальные экосистемы.

После реализации данного алгоритма на сцену Landsat в таежной зоне Западной Сибири, у меня наибольший вес приобрели мезотрофные болота (площади которых в данном участке были достаточно малы) и пойменные леса тянущиеся вдоль небольших таежных речек.

Естественно, что на результат будет сильно влиять охват анализируемой территории, и то, что обычно на одной территории, будет редким на другой или в большем масштабе...

Как можно было бы тут действовать? Не попадались ли такие исследования?

[Natalia Novoselova]

Просто в качестве идеи в контексте обозначенной вами цели - Поиска уникальных местообитаний.

Если вы хотите найти определенные небольшие редкие местообитания, примеры которых на местности вам известны. В качестве идеи (не могу пока сообразить точно, можно ли это сделать) - можно ли взять с него образец (сигнатуру) и применить supervised classification по всем снимкам территории поиска? То есть задать данное редкое метообитание для выделения его в класс по его сигнатуре по всем снимкам. Если машина его найдет - значит вы его нашли на местности.

[Максим Дубинин]

задача такова, что без априорных знаний о территории

можно ли взять с него образец (сигнатуру) и применить supervised classification по всем снимкам территории поиска

не пойдет

[Natalia Novoselova]

не пойдет

Да, пропустила этот момент в задаче, не внимательно читала. Прошу прощения.

[gamm]

Как можно было бы тут действовать?

если уж речь идет о местообитаниях, то нужно к снимку добавить характеристики экотопа, хотя бы в виде суррогатов, полученных из рельефа (топографический индекс влажности, солнечную радиацию), использовать пары снимков зима/лето, и т.д. B для анализа большое количество классов лучше ординировать ("намазать" на плоскость), будет видно, кто с кем рядом лежит и в пространстве признаков, и в пространстве географическом, какие есть закономерности и градиенты (это можно cделать в Сканекс IP).

[bolotoved]

если уж речь идет о местообитаниях, то нужно к снимку добавить характеристики экотопа, хотя бы в виде суррогатов, полученных из рельефа

Это, конечно да, если есть данные о рельефе. На интересующую меня территорию есть только aster GDEM со своими причудами, м.б. даже лучше оцифровать рельеф с топокарты, нежели его использовать...

использовать пары снимков зима/лето

С этим тоже согласен. Но тут есть серьезное затруднение: в нашем случае (с unsupervised classification редких классов) сильное влияние на результат оказывают атмосферная неоднородность - в редкие классы уходят всякие периферии атмосферных дымок, теней облаков и прочая неинтересная чушь. В случае использования пары снимков, неоднородность атмосферы уже совершенно все зашумляет. Вторая проблема с парами снимков - это появление новых объектов на одном из снимков пары - гари, вырубки - и эти неинтересные нам объекты также записываются в редкие.
Чтобы решить обе эти проблемы, хочу взять как можно больше снимков за интересующий период - например раннелетних и, произведя их атмосферную корректировку, посчитать медиану по ним. Т.о. всякие аномалии соответствующие изменениям в растительном покрове и атмосферные неоднородности отсеятся.

B для анализа большое количество классов лучше ординировать ("намазать" на плоскость), будет видно, кто с кем рядом лежит и в пространстве признаков, и в пространстве географическом, какие есть закономерности и градиенты (это можно cделать в Сканекс IP).

А в Сканекс IP какой алгоритм ординации используется? Судя по графикам, которые мне ужалось найти в сети, какой-то хитрый. Наверное можно использовать что-нибудь обычное из R-пакета vegan?

[gamm]

А в Сканекс IP какой алгоритм ординации используется?

нейронные сети Кохонена с последующим их отображением на плоскость (NMDS) с сохранением топологии. Дальше результат можно калибровать (наделять классы смыслами), и использовать результат для классификации. Недавно добавлены методы, как раз предназначенные для novelity detection, т.е. найди похожих/найди не похожих (на основе нейронного газа). Подобное есть в GRASS на основе Гауссовских смесей (i.smap) - аппроксимируется многомерное распределение в выбранной области, и ищутся пиксели с редкими сочетаниями яркостей.

В vegan есть только методы, предназначенные для ординации сообществ.

[bolotoved]

novelty detection

спасибо за путеводную нить