Гиперспектралдык кысууну "окшоштук" менен гана эмес, "ажыра билгичтик" менен да баалоого болбойт.
Мурунку макалада,Гиперспектралдык кысууНегизги максат - ондогон же жүздөгөн тилкелерди мүмкүн болушунча көп пайдалуу маалыматты сактап калуу менен аз сандагы функцияларга кысуу.Бирок бул жерде биз дароо эле маанилүү суроого туш болобуз: "пайдалуу маалымат" деген эмне? Эгерде максат жөн гана кысылгандан кийин баштапкы спектрди калыбына келтирүү болсо, анда баалоо критерийлери төмөнкүлөр болушу мүмкүн...Кайра куруу катасыБирок, эгерде кийинки тапшырма жер катмарын классификациялоо болсо, анда чындыгында маанилүүсү спектрдик ийри сызыктардын чыныгы маалыматтарга канчалык окшоштугу эмес, кысылган өзгөчөлүктөр ар кандай жер катмарынын өзгөчөлүктөрүн дагы эле ажырата алабы же жокпу.
Салт боюнча, көптөгөн гиперспектралдык кысуу ыкмалары реконструкция катасына артыкчылык берет. Башкача айтканда, алар алгач баштапкы гиперспектралдык пикселдерди төмөнкү өлчөмдүү өзгөчөлүктөргө кысып, андан кийин бул төмөнкү өлчөмдүү өзгөчөлүктөрдөн баштапкы спектралдык ийри сызыкты калыбына келтирип, акырында реконструкцияланган натыйжаны баштапкы ийри сызык менен салыштырышат. Эгерде айырмачылык кичинекей болсо, анда ал... дегенди билдирет.Төмөн өлчөмдүү чагылдырууБаштапкы маалыматтын олуттуу көлөмү сакталып калат; чоң айырмачылык маалыматтын олуттуу жоголушун көрсөтөт. Бул баалоо ыкмасы акылга сыярлык, анткени реконструкция катасы кысуунун натыйжасында баштапкы сигналды сактоо даражасын чагылдырат.
Бирок көйгөй ушунда,Реалдуу реконструкция так классификацияны кепилдей албайт.Реконструкциялоо тапшырмалары "мүмкүн болушунча көп спектрдик вариацияларды калыбына келтирүүгө" багытталган, ал эми классификациялоо тапшырмалары "категорияларды айырмалаган негизги вариацияларды сактоого" багытталган. Айрым спектрдик деталдар реконструкция ийри сызыгы үчүн маанилүү, бирок чатырларды, жолдорду, өсүмдүктөрдү жана көлөкөлөрдү айырмалоо үчүн пайдалуу болбошу мүмкүн; кээ бир айырмачылыктар бүтүндөй спектрдик ийри сызык боюнча өтө билинбейт, бирок эң дискриминациялык тилкелердин ичине кирип, классификациялоо натыйжаларына олуттуу таасир этиши мүмкүн. Ошондуктан, бир эле кысылган көрсөтүлүш реконструкциянын тактыгы жана категориялардын бөлүнүшү боюнча ар кандай бааларды ала алат.

1-сүрөт.Кайра куруунун тактыгы жана класстын бөлүнүшү эки башка баалоо максаты болуп саналат.
Бул макаланын эксперименталдык дизайны ушул көйгөйдүн айланасында курулган. Изилдөөчүлөр айыл-шаар өткөөл зонасын, шаардык аймакты жана токой аймагын чагылдырган үч жогорку мейкиндик чечилишиндеги гиперспектралдык сүрөттөрдү колдонушкан. Ар бир пиксел башында 301 спектрдик өлчөмдү камтыган, андан кийин алар PCA, KPCA, ICA, автокодер (AE) жана ызы-чууну басаңдатуучу автокодер (DAE) аркылуу кысылган. Андан кийин кысылган төмөнкү өлчөмдүү өзгөчөлүктөр пикселдик деңгээлдеги классификацияны аяктоо үчүн XGBoost классификаторуна киргизилген.Жердин өзгөчөлүктөрүнүн классификациясы.
Бир эле алкактын ичинде ар кандай кысуу шарттарын салыштыруу үчүн, изилдөөчүлөр кысуу ыкмасынын, кысуу катышынын жана маалыматтар топтомунун ар бир айкалышы үчүн маалыматтар топтомун кайра окутушту.XGBoostКлассификаторлор. Макалада чындыгында 98 кысуу катышынын деңгээли колдонулган, ошондуктан жалпы сан 98 кысуу катышын 5 ыкмага көбөйтүп, андан кийин 3 маалымат топтомуна көбөйтүп, жалпысынан 1470 классификаторго барабар. Бул моделдердин санын топтоо үчүн эмес, ар бир төмөнкү өлчөмдүү көрсөтүлүштүн ошол эле типтеги жана ошол эле окутуу жөндөөлөрү бар классификатор тарабынан өзүнчө бааланышын камсыз кылуу үчүн, ошондуктан классификациянын айырмачылыктары кысылган функциялардын өздөрү пайдалуу маалыматты сактап калабы же жокпу, мүмкүн болушунча көбүрөөк чагылдыра алат.
Бул эксперименталдык ыкма баалуу, анткени ал жөн гана спектрдик ийри сызыкты ким так калыбына келтире аларын салыштырбастан, классификаторду ким так жасай аларын салыштырат. Башкача айтканда,Ал гиперспектралдык кысууну "кайра курууга багытталган" ыкмадан "миссияга багытталган" ыкмага өзгөрттү.Бул алыстан зонддоо боюнча практикалык колдонмолор үчүн абдан маанилүү.Гиперспектралдык иштетүүнүн акыркы максаты көбүнчө эстетикалык жактан жагымдуу реконструкция ийри сызыгын алуу эмес, тескерисинче, жер катмарын классификациялоо, буталарды аныктоо, экологиялык мониторинг же сандык инверсия сыяктуу белгилүү бир тапшырмаларды аткаруу болуп саналат..

2-сүрөт.Кысылган маалыматтардын F1 упайы кысуу катышына жараша өзгөрөт
Графиктеги жалпы тенденцияны карасак, кысуу катышы жогорулаган сайын, өзгөчөлүктөрдүн өлчөмдөрү азыраак сакталып калат жана классификациялоо көрсөткүчтөрү, адатта, акырындык менен төмөндөйт. Бул интуиция менен дал келет: кысуу канчалык кескин болсо, ошончолук көп маалымат жоголот жана классификациялоо ошончолук оңой бузулат. Бирок, кызыктуусу, классификациялоо көрсөткүчтөрү башынан эле тездик менен төмөндөбөйт. Макалада кысуу коэффициенттери 80% дан ашса да, дээрлик бардык ыкмалар дагы эле 0,85тен жогору F1 баллына жете тургандыгы белгиленген. Бул гиперспектралдык маалыматтар чындыгында бир топ ашыкчалыкты камтый турганын жана өлчөмдөрдүн олуттуу бөлүгүн алып салуу классификациялоо мүмкүнчүлүктөрүн дароо жок кылбай турганын көрсөтүп турат.
Көбүрөөк көңүл бурууга арзырлык жери - 95% тегерегиндеги аймак. 301 өлчөмдүү спектрди болжол менен 15 өлчөмгө чейин кысуу маалыматтардын көлөмүн бир топ азайтат, бирок кээ бир сценарийлерде классификациялоо үчүн зарыл болгон маанилүү маалымат сакталып калышы мүмкүн. Шаардык-айылдык өткөөл зоналардан алынган маалыматтарда AE (Өркүндөтүлгөн сүрөт иштетүү) 95% дан 97% га чейин өзгөчө жакшы иштейт; шаардык маалыматтарда AE, жогорку кысуу ылдамдыгында да, сызыктуу ыкмалардын классификация деңгээлине жакындайт же жетет. Андан ары кысуу, айрыкча кысуу ылдамдыгы 97% га жакындаганда, кээ бир ийри сызыктардын бир топ төмөндөшүнө алып келет. Себеби жөнөкөй: эртерээк кысуу негизинен ашыкчалыкты жок кылат, ал эми ашыкча кысуу чындап дискриминациялык спектрдик түзүлүштү бузуп башташы мүмкүн. Бул окуяны изилдөөдө, 95% тегерегинде көңүл бурууга арзырлык жогорку маанидеги диапазон болуп саналат, бул биз 90% дан 95% га чейин интенсивдүү эксперименттерди жүргүзө аларыбызды көрсөтүп турат, бирок акыркы тандоо дагы эле конкреттүү тапшырманын валидациясынын жыйынтыктары менен аныкталышы керек.
Бул процессте ар кандай ыкмалар ар кандай мүнөздөмөлөрдү көрсөтөт.PCA жалпысынан төмөнкү жана орто кысуу ылдамдыктарында туруктуу, бул аны долбоорлор үчүн негизги чечим катары ылайыктуу кылат; KPCA сызыктуу эмес байланыштарды иштете алат, бирок анын эсептөө баасы жогору; ICA белгилүү бир кысуу диапазондорунда уникалдуу вариацияларды көрсөтөт жана маалыматтардын бөлүштүрүлүшүнө сезгич келет; AE жогорку кысуу ылдамдыктарында чоң потенциалга ээ, анткени ал сызыктуу эместиктердин төмөнкү өлчөмдүү көрсөтүлүшүн үйрөнө алат; DAE өзүнүн дизайнында ызы-чууну камтыйт, бирок окутуунун натыйжаларындагы өзгөрүүлөр көбүрөөк көңүл бурууга арзыйт. Башкача айтканда, методдорду бир гана ийри сызыкка негиздеп рейтингге киргизүүгө болбойт; тескерисинче, кысуу ылдамдыгы, маалыматтардын сценарийи, окутуунун туруктуулугу жана эсептөө ресурстарынын баары бир убакта каралышы керек.

сүрөт 3.Спектрдик өлчөмдүү басым9-кичирейтүүПикселдик классификациянын жыйынтыктары 5%дан кийин
Классификация картасы бул натыйжаны интуитивдүү кылат. 301 өлчөмдүү спектр болжол менен 15 өлчөмгө чейин кысылганына карабастан, ар кандай ыкмалар дагы эле жер бетинин өзгөчөлүктөрүнүн так бөлүштүрүлүшүн калыбына келтире алат. Бирок, бул ошондой эле жалпы F1 баллын гана карап чыгуу жетишсиз экенин эскертет. Жалпы упайлары окшош моделдер чатырдын четтеринде, көлөкөлүү жерлерде же бир нече категорияларда ар кандай натыйжаларды көрсөтүшү мүмкүн; кичинекей, оңой чаташтырылуучу жер бетинин өзгөчөлүктөрү үчүн жергиликтүү каталар көп учурда орточо баллда толук чагылдырылбайт. Ошондуктан, кысуу жыйынтыктарын баалоодо, жалпы баллды карап чыгуудан тышкары, биз классификация картасын, ар бир категориянын F1 баллдарын, кайра чакырып алуу ылдамдыгын жана чаташтыруу матрицасын да текшеришибиз керек.
Акыр-аягы, гиперспектралдык кысуунун мааниси жөн гана маалыматтардын көлөмүн азайтуудан тышкары дагы көптү камтыйт.Чындыгында, бул андан да фундаменталдуу суроого жооп берет: жүздөгөн удаалаш тилкелерге туш болгондо, эмнени сакташыбыз керек? Кысуу - бул жөн гана жок кылуу эмес, маалыматты чыпкалоо; өлчөмдүүлүктү азайтуу жөн гана кичирейтүү эмес, көрсөтүүнү кайра уюштуруу. Классификациялоо тапшырмалары үчүн чындап маанилүүсү, кысылган спектрди толугу менен калыбына келтирүүгө болобу же жокпу, эмес, ар кандай категорияларды дагы эле бөлүүгө болобу. Аныктоо тапшырмалары үчүн аномалиянын сезгичтиги сакталышы керек болгон нерсе болушу мүмкүн; сандык инверсия үчүн сакталышы керек болгон нерсе физикалык ырааттуулук болушу мүмкүн. Ар кандай тапшырмалар ар кандай маалыматты талап кылат жана эң ылайыктуу кысуу ыкмасы жана кысуу катышы, албетте, бирдей болбойт.
Гиперспектралдык кысуунун баалуулугу дал ушунда: ал бизге алыстан зонддоо маалыматтары мүмкүн болушунча көп маалыматка ээ болуу жөнүндө эмес, тескерисинче, анын ичинде эң пайдалуу маалыматты топтоо жөнүндө экенин түшүнүүгө мүмкүндүк берет.Жүздөгөн жыштык тилкелерине туш болгондо,Чыныгы суроо "баарын колдоно алабызбы?" эмес, "эң маанилүү бөлүктөрүн сактап кала алабызбы?"
[1] Мантрипрагада К, Дао П.Д., Хе Ю, Куреши Ф.З. Спектрдик өлчөмдүүлүктү азайтуунун гиперспектралдык пикселдик классификацияга тийгизген таасири: Изилдөөнүн бир мисалы. PLoS One. 2022-жылдын 14-июлу;17(7):e0269174. doi: 10.1371/journal.pone.0269174. PMID: 35834472; PMCID: PMC9282587.

