ках урожая кукурузы, сои и пшеницы в США от 3 до 2% составила бы 14,1 млн. долларов ежегодно. Далее он показал, что дополнительную прибыль (около 8,5 млн. долларов) можно получить при уменьшении ошибки от 2 до 1%. Прибыль могла бы иметь место в результате улучшения решений по управлению инвентаризацией и транспортировкой сельскохозяйственных культур, основанных на улучшенной информации. Эти оценки сделаны на основе цен 1964-1970 гг. и не отражают ни увеличение стоимости зерна с 1970 г., ни выгоды, которые можно получить благодаря улучшению оценок производства сельскохозяйственных культур в тех районах мира, где нет сельскохозяйственной службы, как в США.

Кроме того, Юэт [3] показал, что информация, которую можно получать более часто с помощью методов дистанционного зондирования, уменьшает социальные потери даже без уменьшения ошибки в оценке урожая сельскохозяйственных культур. Таким образом, есть много социальных и экономических причин применения методов дистанционного зондирования для идентификации сельскохозяйственных культур и определения занимаемой ими земельной площади в акрах, а все это важно при оценке урожая сельскохозяйственных культур.

Определение требований пользователя или целей проекта

Идентификация сельскохозяйственных культур и определение занимаемой ими площади представляет интерес как для правительственных, так и частных организаций. Статистическое управление Министерства сельского хозяйства США собирает и распространяет информацию об урожае с акра, отчеты о текущем состоянии сельскохозяйственных культур и дает оценки предполагаемого урожая. Информация, распространяемая государственными организациями, увеличивается благодаря усилиям частных организаций, особенно тех сельскохозяйственных обществ, которые имеют собственные методы сбора и оценки данных. Хотя применение методов дистанционного зондирования к идентификации сельскохозяйственных культур и определению занимаемой ими площади в акрах на очень больших областях связано с большими затратами средств, которыми располагают лишь правительственные организации, такие как Министерство сельского хозяйства США или продовольственная и сельскохозяйственная организация ООН (ФАО), на меньших географических областях они могут применяться как правительственными, так и частными организациями. Этот пример относится ко второй категории и касается штатов Иллинойс, Индиана и Канзас.

Началом проекта послужили ответы на вопросы типа тех, которые приведены в разд. VI.1, чтобы помочь пользователю установить свои требования. Исследуемыми объектами были сельскохозяйственные культуры, в частности, кукуруза, соя и пшеница. Вначале пользователь (вероятно, большая компания по экспорту зерна) запросил оценки площади земли в акрах и

предполагаемого урожая этих сельскохозяйственных культур, но после обсуждения данной задачи со специалистами по прикладным дистанционным исследованиям было решено, что будет более целесообразно получать оценки площади, занимаемой различными сельскохозяйственными культурами несколько раз в течение вегетационного периода. Затем эти цифры использовались в качестве одной из входных переменных для моделирования урожая сельскохозяйственных культур. Результаты запросили в форме таблиц: таблиц оценок площади земли в акрах по округу, по сельскохозяйственному району и по всем штатам. Было определено, что область трех штатов имеет полное покрытие, и пользователь попросил дать оценки площади земли в акрах как можно скорее после сбора данных. После консультаций пользователя со специалистами по дистанционному зондированию, были определены следующие цели:

Дать оценки площади земли в акрах, занимаемой кукурузой, соей и пшеницей в штатах Индиана, Иллинойс и Канзас. Необходимы оценки по штату, сельскохозяйственному району и по округам. Оценки во время сбора данных должны выполняться в трехнедельный срок четыре раза в течение вегетационного периода.

Исследование возможности выполнения проекта

Следующий этап проекта прикладного дистанционного исследования - определение того, удовлетворяют ли методы дистанционного зондирования целям пользователя. Для проекта можно использовать ряд систем сбора данных: многоспектральные сканеры Ландсат, самолетные, бортовые многоспектральные сканеры или бортовые фотографические системы.

Возможность использования методов дистанционного зондирования для получения оценок сельскохозяйственных культур была доказана в ходе эксперимента по слежению за состоянием кукурузы (Corn Blight Watch Experiment) в 1971 г. [4]. В этом эксперименте использовалось как дешифрирование аэрофотоснимков, так и анализ на ЭВМ многоспектральных сканерных данных, полученных с самолета. Экспериментом были охвачены области семи штатов центральной зоны США, производящей кукурузу. Кроме того, Бауэр и Спра [5] доказали возможность использования метода распознавания образов для анализа многоспектральных сканерных данных Ландсат при идентификации сельскохозяйственных культур. Хотя результаты были получены только для трех округов, эти оценки площади отличались от оценок Министерства сельского хозяйства США (табл. VI.1). Во всех исследованиях анализ данных выполняется с использованием системы математического обеспечения, разработанной Лабораторией прикладных дистанционных исследований университета Пэдью, и алгоритма классификации по правилу максимума правдоподобия. ,, Важный момент определения реальности проекта - выяснение наличия подходящих средств обработки и анализа данных. Во время эксперимента по слежению за состоянием кукурузы 20-859 305

сбор и анализ многоспектральных сканерных данных производился только, по заданной части штата Индиана; во время каждого двухнедельного периода было классифицировано приблизительно 37,2 млн. векторов данных. Было вычислено, что в на-стояшем исследовании число элементов разрешения Ландсат в изучаемой области составляло 98,3 млн. Тестовые участки в эксперименте исследовались 10 раз в течение вегетационного периода, а число точек данных было 372 млн. В этом исследовании результаты для классификации 393 млн. векторов данных требовались четыре раза в течение вегетационного периода. На основании проведенных вычислений был сделан вывод, что проектные требования к вычислениям соответствуют сушествую-шим возможностям.

Когда классифицируются большие географические области, машинные затраты на программы классификаций по правилу максимума правдоподобия могут быть слишком большими. Но если классифицируемые признаки (в данном случае сельскохозяйственные поля) большие по сравнению с разрешением системы сбора данных дистанционного зондирования, иногда целесообразно уменьшить машинное время, необходимое для классификации, путем обработки только выборки имеющихся векторов данных. Например, время на вычисления уменьшится в четыре раза, если вместо классификации каждого вектора данных классифицировать только векторы каждой второй строки и столбца. Эта возможность рассматривалась [6], и было установлено, что для определения ошибок, возникающих при такой выборке, можно использовать стандартные методы выборки. Например, в классификации пшеницы и других сельскохозяйственных культур округа Райе, штат Канзас, состоящего из 255,012 элемента разрешения Ландсат, результаты при использовании 11,1%-ной выборки (полученной путем классификации каждой третьей строки и столбца) сравнивались с результатами классификации каждой строки и столбца. Было взято девять различных 11,1%-ных выборок одной и той же области путем выбора различных отправных точек для каждой 306

Сравнение оценок площади, выполненных Министерством сельского хозяйства США, с оценками, полученными с помощью машинного анализа данных Ландсат 1 (округа Дикалб, Огл, Ли штата Иллинойс [5])