Аннотації
29.07.2022
Нині дистанційне зондування з використанням БПЛА відкриває нові можливості для проведення наукових досліджень на значно вищому рівні. Класифікування є однією з найбільш важливих процедур у задачах дистанційного зондування. Така процедура може бути застосована для вирішення численних екологічних і практичних завдань, таких як: класифікування лісів, визначення типів ґрунтів, пошук нафти та газу. Класифікування неповних, неточних та значно суперечливих даних завжди було та є однією із найбільш важливих процедур дистанційного зондування. У статті запропоновано новий підхід до застосування теорії Дезера – Смарандаке в задачах дистанційного зондування з використанням БПЛА. Ця теорія може працювати із неточною і доволі суперечливою інформацією. Проведено порівняння теорії Дезера – Смарандаке та її основних положень із теорією Демпстера – Шейфера і теорією ймовірностей. Описано і проаналізовано основні переваги і недоліки цих теорій. Розвиток теорії Дезера – Смарандаке був зумовлений необхідністю уникнути обмеження, які притаманні теорії Демпстера – Шейфера і теорії ймовірностей. Теорія Демпстера – Шейфера працює тільки з вичерпними та взаємовиключними гіпотезами, що може іноді призводити до неправильних результатів класифікування. Але вичерпні гіпотези можуть потенційно перетинатися і не завжди можуть бути належним чином ідентифіковані та визначені. Теорія Дезера – Смарандаке може працювати із вичерпними та невзаємовиключними гіпотезами. Ця теорія працює з усіма гіпотезами та їх всеможливими перетинами і сполученнями. Засвідчено, що теорія Дезера – Смарандаке може вирішувати завдання класифікування більш ефективно, ніж теорія ймовірностей і теорія Демпстера – Шейфера при комбінуванні неточних та значно суперечливих даних. Описано класичне правило комбінування Дезера – Смарандаке, також розглянуто числовий приклад із застосуванням правила комбінування Дезера – Смарандаке для класифікування багатоспектральних аерокосмічних зображень. Запропонований підхід до застосування теорії Дезера – Смарандаке для класифікування земляного покриву може бути застосований в різних сільськогосподарських та практичних задачах, при проведенні екологічного моніторингу та для пошуку корисних копалин.
Nowadays UAV-based Remote Sensing gives a new opportunities for conducting scientific research in a much more detail way. Classification is one of the most important procedures in Remote Sensing tasks. This procedure can be applied in solution of numerous ecological and practical tasks, such as: forest classification, determing of soil types, exploring of oil and gas. Classification of incomplete, imprecise and high conflicting data has always been and still remains the one of most important procedures of remote sensing. In this paper the new approach to applying Dezert-Smarandache Theory in UAV-based remote sensing problems is proposed. This theory can deal with imprecise and highly conflicting information. Dezert-Smarandache Theory and its main concepts are compared with Dempster-Shafer Theory and Probability Theory. Main advantages and disadvantages of these theories were described and analyzed in this paper. The development of Dezert-Smarandache Theory arises from the necessity to overcome the limitations of Dempster-Shafer Theory and Probability Theory. Dempster-Shafer Theory deals only with exhaustive and exclusive hypotheses, that can sometimes provide wrong results of classification. But exhaustive hypotheses can potentially overlap, they can not properly identified and defined. Dezert-Smarandache Theory deals with exhaustive and not mutually exclusive hypotheses. This theory deals with all hypotheses, all intersections and unions of these hypotheses. It is shown, that Dezert-Smarandache Theory can solve classification tasks more efficiently than Probability Theory and Dempster-Shafer Theory, when we combine imprecise and high conflicting data. It is described classical Dezert-Smarandache fusion rule in this paper. It is also considered numerical example with applying Dezert-Smarandache fusion rule for classification of multispectral aerospace images. The proposed approach to applying the Dezert-Smarandache Theory in land-cover classification can be applied in different agriculture and practical tasks, ecological monitoring and searching for minerals.
1. Yager, R. (1987). On the Dempster-Shafer Framework and New Combination Rules. Information Sciences, 41, 93–137.
2. McCoy, R. M. (2005). Fields Methods in Remote Sensing. New York: Guilford Press, 150–160.
3. Smarandache, F., Dezert, J. (2005). A Simple Proportional Conflict Redistribution Rule. International Journal of Applied Mathematics and Statistics, 3, J05, 1–36.
4. Smets, Ph. (1990). The combination of evidence in the Transferable Belief Model. IEEE Trans. On Pattern Analysis and Machine Intelligence, 12, 5, 447–458.
5. Dezert, J. (2002). Foundations for a new theory of plausible and paradoxical reasoning. Information and Security, 9,
13–57.
6. Smarandache, F., Dezert, J. (2006). Proportional conflict redistribution rules for information fusion. American Research Press, 2, 61–103.
7. Smarandache, F., Dezert, J. (2004). Applications and advances of DSmT for Information Fusion. American Research Press, Rehoboth, 1, 3–35.
8. Smarandache, F., Dezert, J. (2006). Advances and applications of DSmT for information fusion. Rehoboth: American Research Press, 1, 461.
9. Smets, P., Henrion, M., Shachter, R. D., Kanal, L. N., Lemmer, J. F. (1990). Constructing the pignistic probability function in a context of uncertainty. Uncertainty in Artificial Intelligence. North Holland, Amsterdam, 5, 29–40.
10. Alpert, S. (2020). A new approach to applying the discount rule in hyperspectral satellite image classification. Management of Development of Complex Systems, 43, 76 – 82.
11. Popov, M. A., Alpert, S. I., Podorvan, V. N. (2017). Satellite image classification method using the Dempster-Shafer approach. Izvestiya, atmospheric and oceanic. Physics, 53(9), 1112–1122.
12. Zhang, L., Yager, R.R., Kacprzyk J., Fedrizzi, M. (1994). Representation, independence, and combination of evidence in the Dempster-Shafer theory. Advances in the Dempster-Shafer Theory of Evidence. New York: John Wiley and Sons, Inc.,
51–69.
13. Alpert, S. I. (2021). Data combination method in Remote Sensing tasks in case of conflicting information sources. Ukrainian Journal of Remote Sensing, 8 (3), 44–48. URL: https://doi.org/10.36023/ujrs.2021.8.3.201.
14. Popov, M., Zaitsev, O., Alpert, S., Alpert, M., Stambirska, R. (2020). A method to ranking reliability of sensors of multisensor system: interval-valued number case. Тhe IEEE 2nd International Conference on Advanced Trends in Information Theory, 395–398.
15. Smets, P. (2007). Analyzing the Combination of Conflicting Belief Functions. Information Fusion, 8, 387–412.
16. Alpert, М. І., Alpert, S. І. (2021). A new approach to accuracy assessment of land-cover classification in UAV-based Remote Sensing. XXth International Conference “Geoinformatics: Theoretical and Applied Aspects”, Kyiv, 1–5.
17. Popov, M. O., Zaitsev, O. V., Stambirska, R. G., Alpert, S. I., & Kondratov, O. M. (2021). A Correlative Method to Rank Sensors with Information Reliability: Interval-Valued Numbers Case. Reliability Engineering and Computational Intelligence (Studies in Computational Intelligence book series). Springer International Publishing, 275-291, doi 10.1007/978-3-030-74556-1.
1. Yager, R. (1987). On the Dempster-Shafer Framework and New Combination Rules. Information Sciences, 41, 93–137.
2. McCoy, R. M. (2005). Fields Methods in Remote Sensing. New York: Guilford Press, 150–160.
3. Smarandache, F., Dezert, J. (2005). A Simple Proportional Conflict Redistribution Rule. International Journal of Applied Mathematics and Statistics, 3, J05, 1–36.
4. Smets, Ph. (1990). The combination of evidence in the Transferable Belief Model. IEEE Trans. On Pattern Analysis and Machine Intelligence, 12, 5, 447–458.
5. Dezert, J. (2002). Foundations for a new theory of plausible and paradoxical reasoning. Information and Security, 9,
13–57.
6. Smarandache, F., Dezert, J. (2006). Proportional conflict redistribution rules for information fusion. American Research Press, 2, 61–103.
7. Smarandache, F., Dezert, J. (2004). Applications and advances of DSmT for Information Fusion. American Research Press, Rehoboth, 1, 3–35.
8. Smarandache, F., Dezert, J. (2006). Advances and applications of DSmT for information fusion. Rehoboth: American Research Press, 1, 461.
9. Smets, P., Henrion, M., Shachter, R. D., Kanal, L. N., Lemmer, J. F. (1990). Constructing the pignistic probability function in a context of uncertainty. Uncertainty in Artificial Intelligence. North Holland, Amsterdam, 5, 29–40.
10. Alpert, S. (2020). A new approach to applying the discount rule in hyperspectral satellite image classification. Management of Development of Complex Systems, 43, 76 – 82.
11. Popov, M. A., Alpert, S. I., Podorvan, V. N. (2017). Satellite image classification method using the Dempster-Shafer approach. Izvestiya, atmospheric and oceanic. Physics, 53(9), 1112–1122.
12. Zhang, L., Yager, R.R., Kacprzyk J., Fedrizzi, M. (1994). Representation, independence, and combination of evidence in the Dempster-Shafer theory. Advances in the Dempster-Shafer Theory of Evidence. New York: John Wiley and Sons, Inc.,
51–69.
13. Alpert, S. I. (2021). Data combination method in Remote Sensing tasks in case of conflicting information sources. Ukrainian Journal of Remote Sensing, 8 (3), 44–48. URL: https://doi.org/10.36023/ujrs.2021.8.3.201.
14. Popov, M., Zaitsev, O., Alpert, S., Alpert, M., Stambirska, R. (2020). A method to ranking reliability of sensors of multisensor system: interval-valued number case. Тhe IEEE 2nd International Conference on Advanced Trends in Information Theory, 395–398.
15. Smets, P. (2007). Analyzing the Combination of Conflicting Belief Functions. Information Fusion, 8, 387–412.
16. Alpert, М. І., Alpert, S. І. (2021). A new approach to accuracy assessment of land-cover classification in UAV-based Remote Sensing. XXth International Conference “Geoinformatics: Theoretical and Applied Aspects”, Kyiv, 1–5.
17. Popov, M. O., Zaitsev, O. V., Stambirska, R. G., Alpert, S. I., & Kondratov, O. M. (2021). A Correlative Method to Rank Sensors with Information Reliability: Interval-Valued Numbers Case. Reliability Engineering and Computational Intelligence (Studies in Computational Intelligence book series). Springer International Publishing, 275-291, doi 10.1007/978-3-030-74556-1.