Abstract
Візуальне спостереження за змінами, що відбуваються в станах об'єктів та процесів на поверхні Землі, успішно вирішуються засобами аерокосмічного моніторингу. Подальше вдосконалення інформаційних технологій моніторингу пов'язане з автоматизацією обробки та інтерпретації динамічних даних, представлених цифровими зображеннями. У статті обґрунтовується та прикладах демонструється застосування інформаційних характеристик розбіжностей у зображеннях геополів: ймовірнісна міра, ентропії Гіббса-Шеннона, Реньї. Наведено приклади обчислення різних функціоналів розподілу фізичних величин, представлених цифровими зображеннями, та характеристики ступеню їх близькості: розбіжність Кулбека, альфа-дивергенція (або дивергенція Реньи). Розглянутий підхід до аналізу геопроцесів проілюстровано прикладом обчислення інформаційних дивергенцій температурного поля торф’яника, отриманого в результаті обробки даних з космічного апарата Landsat-8. Результати комп'ютерного моделювання розглянутого прикладу показують значну залежність розглянутих мір розбіжності від просторової розрізненності космічного знімання поля. Для правильного розрахунку інформаційних дивергенцій необхідно використовувати зображення, що отримані з однаковою просторовою розрізненністю. Подальший розвиток методів дивергенцій пов'язаний із впровадженням масштабно-інваріантних мір. Це дозволить використовувати сенсори з різною просторовою розрізненністю в системах аерокосмічного моніторингу для визначення динамічних змін геосистем та процесів.
Reference15 articles.
1. Ampilova, N., Sergeev, V., Soloviev, I. (2015). An application of Renyi divergence to image analysis and classification. (in Russian). https://lib.herzen.spb.ru/media/magazines/contents/1/176/ampilova_176_35_44.pdf
2. Ampilova, N., Soloviev, I. (2014). On Application of Entropy Characteristics to Texture Analysis. WSEAS Transactions on Biology and Biomedicine. Vol. 11, Art. 25. Р. 194–202.
3. Artiushenko, M. (2018a). Statistical analysis of the unsmooth geophysical fields by remote sensing data. J. of Automation and Information Sciences. 50 (6): P. 14–27. DOI: 10.1615/JAutomatInfScien.v50.i6.20
4. Artiushenko, M. (2018b). Identification and Interpretation of Power-Law Distributions by Spectral Data of Remote Sensing. J. of Automation and Information Sciences. 50 (12): P. 1733. DOI: 10.1615 /JAutomatInfScien.v50.i12.20
5. Bak, P. (1996). How Nature Works: The Science of Self-Organized Criticality. New York: Copernicus.