Введение

Алгоритмическая основа экспертной системы представляет собой совокупность методов, моделей и правил, обеспечивающих интеллектуальную обработку данных дистанционного зондирования Земли для распознавания и классификации типов растительного покрова. В отличие от традиционных статистических подходов, опирающихся исключительно на численные значения спектральных признаков, экспертная система объединяет количественные и качественные данные в рамках единой логико-математической модели, что позволяет учитывать неопределённость и вариативность природных факторов.

При разработке алгоритмической основы особое внимание уделяется построению процедур логического вывода, основанных на нечетких продукционных правилах, которые формализуют знания эксперта в виде системы «если — то». Такой подход обеспечивает интерпретируемость решений и возможность адаптации системы к различным природным условиям и сезонам. В качестве входных параметров используются рассчитанные вегетационные индексы EVI (Enhanced Vegetation Index), GNDVI (Green Normalized Difference Vegetation Index) и CVI (Chlorophyll Vegetation Index), отражающие физиологическое состояние растительности и уровень её фотосинтетической активности.

Алгоритмы системы направлены на преобразование спектральных данных в диагностические признаки, на основе которых выполняется логическая классификация растительности по степеням плотности, жизнеспособности и уровням хлорофилла. Для этого применяется последовательность процедур: нормализация данных, формирование вектора признаков, нечеткая классификация по заданным лингвистическим правилам и генерация заключения о типе растительного покрова.

Интеграция алгоритмов обработки данных с механизмом экспертного вывода позволяет системе не только классифицировать объекты, но и объяснять процесс принятия решений, выявлять противоречия между входными параметрами и уточнять границы классов. Таким образом, разработанная алгоритмическая основа обеспечивает основу функционирования интеллектуального программного комплекса, способного выполнять автоматическую классификацию растительности по данным дистанционного зондирования с высокой степенью достоверности и воспроизводимости.

Оценка состояния растительности по данным дистанционного зондирования Земли сопряжена с рядом неопределённостей, вызванных природной изменчивостью растительного покрова, влиянием атмосферных условий, сезонными колебаниями и погрешностями спутниковых измерений. Традиционные методы жёсткой классификации, основанные на фиксированных порогах вегетационных индексов, не всегда позволяют корректно интерпретировать промежуточные состояния — например, переходные зоны между слаборазвитой и густой растительностью. В этих условиях наиболее целесообразным подходом становится применение нечёткой логики, которая обеспечивает гибкость анализа и позволяет формализовать экспертные знания в виде системы лингвистических правил.

Метод

Суть метода заключается в том, что каждый пиксель исследуемой территории описывается не бинарной принадлежностью к определённому классу, а степенью принадлежности к нескольким возможным состояниям растительности, выраженной через функции принадлежности. Для каждого используемого индекса задаются соответствующие функции принадлежности, которые описывают градации состояния растительности: низкий уровень развития, средний уровень и высокий уровень активности.

Для интеллектуальной оценки состояния растительного покрова в рамках экспертной системы используются три спектральных индекса: EVI (Enhanced Vegetation Index), GNDVI (Green Normalized Difference Vegetation Index) и CVI (Chlorophyll Vegetation Index). Эти индексы позволяют количественно оценивать состояние растительности по различным аспектам — от фотосинтетической активности до содержания хлорофилла и общего уровня биомассы [1].

Индекс EVI разработан как усовершенствование NDVI и предназначен для повышения чувствительности к густой растительности и уменьшения влияния фоновых сигналов почвы и атмосферных помех.

Он рассчитывается по формуле:

где NIR — отражательная способность в ближнем инфракрасном диапазоне (0.85–0.88 мкм), RED — отражательная способность в красном диапазоне (0.63–0.69 мкм), BLUE — отражательная способность в синем диапазоне (0.45–0.51 мкм), L = 1 — коэффициент сглаживания, C₁ = 6, C₂ = 7.5 — коэффициенты коррекции, G = 2.5 — коэффициент усиления.

Индекс EVI варьируется от -1 до +1, где значения выше 0.5 указывают на активный рост растительности, а значения ниже 0.2 соответствуют деградированным или безрастительным участкам.

Индекс GNDVI отражает уровень фотосинтетической активности растений и чувствителен к содержанию хлорофилла. Он вычисляется по формуле:

GNDVI = (NIR — GREEN) / (NIR + GREEN)

где GREEN — отражательная способность в зелёном диапазоне (0.53–0.59 мкм).

Значения GNDVI колеблются в пределах от -1 до +1, при этом значения ниже 0.3 характерны для стрессовых или деградированных растений, а значения выше 0.6 — для активной зелёной биомассы.

Индекс CVI используется для оценки содержания хлорофилла и фотосинтетической активности растительности. Его формула имеет вид:

CVI = (NIR × RED) / (GREEN^2)

Значения CVI, превышающие 1.0, соответствуют высокой концентрации хлорофилла и плотной зелёной растительности, а низкие значения (менее 0.5) указывают на стрессовые состояния или участки с низким уровнем фотосинтеза [2, 3].

Анализ растительности на основе указанных индексов сопряжён с неопределённостями, обусловленными природной неоднородностью, сезонными изменениями и влиянием атмосферных факторов. Жёсткое деление территорий по фиксированным пороговым значениям индексов не отражает плавных переходов между классами растительности. В связи с этим в данной работе используется нечёткая логика, позволяющая моделировать промежуточные состояния и формализовать экспертные знания в виде лингвистических правил.

Каждый пиксель исследуемой сцены описывается не бинарной принадлежностью к определённому классу, а степенью принадлежности к различным уровням развития растительности, задаваемой функциями принадлежности. Для каждого индекса (EVI, GNDVI и CVI) определяются три нечётких терма:

– низкий уровень развития,

– средний уровень,

– высокий уровень активности растительности.

Формально каждая функция принадлежности определяется в виде треугольной или гауссовой кривой, отражающей диапазон допустимых значений индекса. Например, для индекса EVI [4]:

EVI < 0.2 — высокая степень принадлежности к классу «низкое развитие растительности»;

0.2 ≤ EVI ≤ 0.5 — промежуточная зона «умеренного развития»;

EVI > 0.5 — высокая степень принадлежности к классу «густая и здоровая растительность».

Аналогично формируются функции принадлежности для GNDVI и CVI: низкие значения GNDVI (до 0.3) соответствуют стрессовому состоянию растений или редкому покрову, средние (0.3–0.6) — умеренно развитой растительности, высокие (более 0.6) — активному фотосинтезу; для CVI же повышение значений выше 1.0 указывает на богатое содержание хлорофилла и активное развитие растений.

Рис. 1. Функции принадлежности (треугольные) для индексов EVI, GNDVI и CVI

После задания функций принадлежности формируется база нечётких правил, описывающих взаимосвязь между входными индексами и интегральной оценкой состояния растительности. Примеры таких продукционных правил [5]:

ЕСЛИ (EVI низкий) И (GNDVI низкий) И (CVI низкий), ТО растительность деградированная;

ЕСЛИ (EVI средний) И (GNDVI средний) И (CVI средний), ТО растительность умеренно развита;

ЕСЛИ (EVI высокий) И (GNDVI высокий) И (CVI высокий), ТО растительность здоровая и густая;

ЕСЛИ (EVI высокий) И (CVI средний), ТО растительность находится в фазе активного роста.

Для реализации логического вывода используется модель Мамдани, основанная на операциях нечёткой логики. На первом этапе выполняется активация правил — определение степени истинности каждого правила в зависимости от текущих значений индексов. На втором этапе производится агрегирование с помощью операции max, при которой объединяются результаты всех сработавших правил. Визуально процесс представлен на рисунке 2, где показаны функции принадлежности, обрезка активированных правил и результат агрегирования.

Рис. 2. Функции принадлежности, обрезка активированных правил и результат агрегирования

Заключительным этапом является дефаззификация, направленная на преобразование полученного нечёткого вывода в одно числовое значение. В данной работе использован метод центроида (центр тяжести), который вычисляет интегральный показатель состояния растительности в диапазоне от 0 до 1. Значения, близкие к 0, характеризуют деградированные или безжизненные участки, около 0.5 — переходные зоны с умеренной активностью растительного покрова, а значения выше 0.7 соответствуют здоровой, активной и густой растительности.

Применение нечёткой логики для интеграции индексов EVI, GNDVI и CVI позволяет учитывать плавные переходы между классами и природные неопределённости, а также объединять спектральные показатели в единую модель оценки состояния растительности. Повысить устойчивость классификации к шумам и атмосферным искажениям, обеспечить интерпретируемость решений за счёт прозрачной системы правил [6].

Использование нечёткой логики формирует интеллектуальную основу экспертной системы классификации растительности, обеспечивая комплексную оценку её состояния с учётом спектральных, физиологических и экологических факторов.

Формирование продукционных правил является основополагающим этапом при построении алгоритмической модели экспертной системы, предназначенной для классификации состояния растительности по данным дистанционного зондирования Земли. Данный подход направлен на формализацию знаний эксперта в виде совокупности логических высказываний типа «ЕСЛИ — ТО», обеспечивающих интерпретируемость, воспроизводимость и адаптивность системы при изменении входных данных.

Определение входных параметров. На вход экспертной системы подаются нормализованные значения индексов EVI, GNDVI и CVI, предварительно преобразованные в диапазон [0,1] и описанные функциями принадлежности [7].

Задание выходной переменной. В качестве выходной переменной используется интегральный показатель состояния растительности (Vegetation Condition Level), принимающий три терма: низкое развитие, умеренное развитие и высокая активность растительного покрова.

Формирование лингвистических правил. На основе экспертных знаний, эмпирических наблюдений и анализа взаимных зависимостей между индексами формируется совокупность логических зависимостей, обеспечивающих полное покрытие пространства входных состояний.

Реализация механизма вывода. Для логического вывода используется модель Мамдани, применяющая операции min для активации правил и max для агрегирования частичных выводов. Итоговая функция принадлежности формируется как объединение результатов всех активированных правил.

Дефаззификация. На заключительном этапе осуществляется преобразование нечёткого результата в количественную оценку состояния растительности с использованием метода центра тяжести (центроида), обеспечивающего получение интегрального значения в диапазоне от 0 до 1.

Формализация системы правил. Каждое правило имеет стандартную структуру вида:

: ЕСЛИ (EVI = ) И (GNDVI = ) И (CVI = ), ТО (VCL = )

где , , — лингвистические термы входных переменных (низкий, средний, высокий), а — лингвистическое значение выходной переменной, характеризующее уровень состояния растительности.

Таким образом, общее количество правил определяется выражением:

= × × = 3 × 3 × 3 = 27

Это обеспечивает полное покрытие всех возможных комбинаций входных состояний. Пример активации правил представлен на рисунке 3, где показано взаимодействие входных функций принадлежности индексов и выходной функции агрегированного состояния растительности.

Примеры продукционных правил. Для конкретизации системы правил в данной работе использованы следующие базовые зависимости [8]:

1. Для низкого уровня растительности:

ЕСЛИ (EVI низкий) И (GNDVI низкий) И (CVI низкий), ТО растительность деградированная;

ЕСЛИ (EVI низкий) И (GNDVI средний) И (CVI низкий), ТО растительность стрессовая (дефицит влаги или питательных веществ).

2. Для умеренного уровня развития растительности:

ЕСЛИ (EVI средний) И (GNDVI средний) И (CVI средний), ТО растительность умеренно развита;

ЕСЛИ (EVI высокий) И (GNDVI средний) И (CVI средний), ТО растительность в фазе восстановления после стресса.

3. Для высокой активности растительности:

ЕСЛИ (EVI высокий) И (GNDVI высокий) И (CVI высокий), ТО растительность густая и здоровая;

ЕСЛИ (EVI высокий) И (GNDVI высокий) И (CVI средний), ТО растительность активно развивающаяся.

Рис. 3. Функция активации правил принадлежности индексов и выходной функции агрегированного состояния растительности

Алгоритм логического вывода. При поступлении новых данных о значениях индексов выполняются следующие операции:

1. Для каждого входного параметра определяется степень принадлежности к каждому из термов (низкий, средний, высокий).
2. Активируются правила, удовлетворяющие условиям с ненулевой степенью истинности.
3. Для каждого активированного правила вычисляется значение по операции min между степенями принадлежности.
4. Результаты всех активированных правил агрегируются по операции max.
5. Выполняется дефаззификация по методу центра тяжести, что обеспечивает получение интегральной оценки состояния растительности.

На основе комбинации трёх индексов (EVI, GNDVI и CVI) формируется гибкая и интерпретируемая модель, способная учитывать неопределённости, вызванные природной изменчивостью, спектральными искажениями и сезонными колебаниями.

Заключение

Разработанная система продукционных правил позволяет объединить эмпирические зависимости между спектральными показателями и биофизическими параметрами растительности в единую интеллектуальную структуру. Применение данного подхода обеспечивает:

– получение устойчивых оценок состояния растительности при неполных или зашумлённых данных;

– возможность интеграции новых индексов и уточнения правил без изменения алгоритмической базы;

– адаптацию модели к различным природно-климатическим зонам за счёт гибкой настройки функций принадлежности;

– обеспечение воспроизводимости классификационных решений и их экспертной интерпретации.

В результате формируемая система продукционных правил становится ядром интеллектуальной подсистемы экспертной системы, обеспечивая логико-вычислительное взаимодействие между входными индексами (EVI, GNDVI, CVI) и выходной оценкой состояния растительного покрова. Это создаёт предпосылки для реализации автоматизированного мониторинга растительности на основе данных дистанционного зондирования Земли с высокой степенью достоверности и устойчивости результатов.

Литература:

1. Мельников А. В. Обработка многозональных изображений. — М.: Наука, 2020. — 256 с.
2. Seitnazarov K., et al. Hydrogeological-Mathematical Model of Formation and Management of Resources and Quality of Fresh Underground Water of the Karakalpak Artesian Basin // 2021 International Conference on Information Science and Communications Technologies (ICISCT). — IEEE, 2021. — P. 1–5.
3. Ткаченко В. Н. Основы дистанционного зондирования Земли. — СПб.: Политехника, 2020. — 312 с.
4. Seitnazarov K., Turdishov D., Dosimbetov A. Knowledge Base of Algorithmic Software Complex for Providing Agricultural Fields with Water Resources // AIP Conference Proceedings. — 2024. — Vol. 3147. — No. 1.
5. Гектин Ю. М., и др. Температура и методы ее определения с помощью оптико-электронной аппаратуры космических систем ДЗЗ // Ракетно-космическое приборостроение и информационные системы. — 2024. — Т. 11. — № 2. — С. 11–21.
6. Seitnazarov K. K., Turemuratova B. K., Aytanov A. K. Stages and Methods of Data Collection for Developing an Artificial Intelligence Model for Recognizing Letters of the Karakalpak Sign Language // 2024 IEEE 25th International Conference of Young Professionals in Electron Devices and Materials (EDM). — IEEE, 2024. — P. 2530–2534.
7. Murphy K. P. Machine Learning: A Probabilistic Perspective. — Cambridge: MIT Press, 2012. — 1104 p.
8. Kenesbaevich S. K., Muxambetmustapayevich D. A., Arzubaevich N. A. Development of Software for Calculating the Forecast of Groundwater Regime Based on Probabilistic and Statistical Methods // ACADEMICIA: An International Multidisciplinary Research Journal. — 2020. — Vol. 10. — No. 7. — P. 526–530.