Задача картографирования больших территорий земного покрова представлена как задача автоматизированной обработки больших объемов геопространственных данных, которые могут содержать различные неопределенности. Для ее решения предложено использовать три различных парадигмы, а именно метод декомпозиции, метод активного обучения из сферы интеллектуальных вычислений и метод восстановления спутниковых снимков. Комплексное применение этих трех составляющих позволило минимизировать участие эксперта в решении задачи. При решении задачи классификации земного покрова проанализированы также три различных варианта слияния данных. Показана эффективность метода слияния данных, который сводится к решению задачи классификации на основе временных рядов данных. Благодаря разработанной автоматизированной методологии поставленная задача классификации и картографирования земного покрова была впервые решена для всей территории Украины за 1990, 2000 и 2010 гг. с 30-метровым пространственным разрешением.
Задачу картографування великих територій земного покриву розглянуто як задачу автоматизованого оброблення великих обсягів геопросторових даних, які можуть містити різні невизначеності. Для її розв’язання запропоновано використовувати три різних парадигми: метод декомпозиції, метод активного навчання зі сфери інтелектуальних обчислень і метод відновлення супутникових знімків. Комплексне застосування цих трьох складових дозволяє мінімізувати участь експерта у розв’язанні задачі. При розв’язанні задачі класифікації земного покриву проаналізовано також три різних варіанти злиття даних. Показано ефективність методу злиття даних, що зводиться до розв’язання задачі класифікації на основі часових рядів даних. Завдяки розробленій автоматизованій методології задача класифікації і картографування земного покриву була вперше розв’язана для всієї території України за 1990, 2000 і 2010 роки з 30-метровим просторовим розрізненням.
The problem of large scale mapping of land cover is considered in the paper as a problem of automated processing of big geospatial data, which may contain various uncertainties. To solve it, we propose to use three different paradigms, namely, decomposition method, the method of active learning from the scope of intelligent computations, and method of satellite images recovering. Such an approach allows us to minimize the participation of experts in solving the problem. Within solving the problem of land cover classification we also investigated three different approaches of data fusion. The most efficient data fusion method is one that could be reduced to the problem of classification on the base of time-series images. Developed an automated methodology was applied to land cover mapping and classification for the whole territory of Ukraine for 1990, 2000, and 2010 with a 30-meter spatial resolution.
